【slam十四讲第二版】【课本例题代码向】【第三~四讲刚体运动、李群和李代数】【eigen3.3.4和pangolin安装,Sophus及fim的安装使用】【绘制轨迹】【计算轨迹误差】
【slam十四讲】【课本例题代码向】【第五讲~相机与图像】【OpenCV、图像去畸变、双目和RGB-D、遍历图像像素14种】
由于前面已经安装好一些类的配置(eigen3.3.4、pangolin、Sophus等等),安装教程可参考【slam十四讲】【第三讲和第四讲配置】eigen3.3.4和pangolin安装,Sophus及fim的安装使用
由于前面安装的时候已经吃了,slam14讲 提供的安装包版本不适配的问题,所以这里也敢确定,就不使用它所提供的了,
#include
#include
#include
#include
#include
using namespace std;
int main(int argc,char ** argv) {
double ar = 1.0, br = 2.0, cr = 1.0; // true parameter value 真实参数值
double ae = 2.0, be = -1.0, ce = 5.0; // estimated parameter value 估计参数值
int N = 100; // the data points 数据点
double w_sigma = 1.0; //sigma of noise 噪声sigma值
double inv_sigma = 1.0 / w_sigma;
cv::RNG rng; // OpenCV随机数产生器 OpenCV random number generator
vector<double> x_data, y_data; //data 数据
for (int i = 0; i < N; i++)
{
double x = i/100.0;
x_data.push_back(x);
y_data.push_back(exp(ar*x*x+br*x+cr) + rng.gaussian(w_sigma*w_sigma) );
}
//开始高斯牛顿迭代 start gauss-Newton iteration
int iterations = 100;// the number of iterations 迭代次数
double cost = 0, lastCost = 0;//本次迭代的cost和上一次迭代的cost cost of the current iteration and cost of the previous iteration
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
for(int iter = 0; iter < iterations; iter++)
{
Eigen::Matrix3d H = Eigen::Matrix3d::Zero(); // Hession = J^T W^{-1} J in Gauss-Newton
Eigen::Vector3d b = Eigen::Vector3d::Zero(); // bias
cost = 0;
for(int i = 0; i < N; i++)
{
double xi = x_data[i], yi = y_data[i]; // the ith data point 第i个数据点
double error = yi - exp(ae * xi * xi + be * xi + ce);
Eigen::Vector3d J;//Jacobian matrix 雅可比矩阵
J[0] = -xi * xi * exp( ae * xi * xi + be * xi + ce );
J[1] = -xi * exp(ae * xi * xi + be * xi + ce);
J[2] = -exp(ae * xi * xi + be * xi + ce);
H += inv_sigma * inv_sigma * J * J.transpose();
b += -inv_sigma * inv_sigma * J * error;
cost += error * error;
}
//求解线性方程Hx = b; Solve the linear equation Hx = b;
Eigen::Vector3d dx = H.ldlt().solve(b);
if(isnan(dx[0]))
{
cout << " result is nan!" << endl;
break;
}
if(iter > 0 && cost >= lastCost)
{
cout << "cost: " << cost << ">=last_cost: " << lastCost << ", break." << endl;
break;
}
ae += dx[0];
be += dx[1];
ce += dx[2];
lastCost = cost;
cout << iter <<"total cost: " << cost << ", \t\tupdate: " << dx.transpose() << "\t\testimated params: " << ae <<"," << be << "," << ce << endl;
}
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2-t1);
cout << "solve time cost = " << time_used.count() << "seconds." << endl;
cout << "estimated abc:" << ae << "," << be << "," << ce << endl;
return 0;
}
cmake_minimum_required(VERSION 2.8)
project(gaussNewton)
set(CMAKE_CXX_FLAGS "-std=c++11")
find_package(OpenCV 3 REQUIRED)
include_directories("/usr/include/eigen3")
include_directories(${OpenCV_INCLUDE_DIRS})
add_executable(gaussNewton src/gaussNewton.cpp)
target_link_libraries(gaussNewton ${OpenCV_LIBRARIES})
/home/bupo/my_study/slam14/slam14_my/cap6/gaussNewton/cmake-build-debug/gaussNewton
0total cost: 3.19575e+06, update: 0.0455771 0.078164 -0.985329 estimated params: 2.04558,-0.921836,4.01467
1total cost: 376785, update: 0.065762 0.224972 -0.962521 estimated params: 2.11134,-0.696864,3.05215
2total cost: 35673.6, update: -0.0670241 0.617616 -0.907497 estimated params: 2.04432,-0.0792484,2.14465
3total cost: 2195.01, update: -0.522767 1.19192 -0.756452 estimated params: 1.52155,1.11267,1.3882
4total cost: 174.853, update: -0.537502 0.909933 -0.386395 estimated params: 0.984045,2.0226,1.00181
5total cost: 102.78, update: -0.0919666 0.147331 -0.0573675 estimated params: 0.892079,2.16994,0.944438
6total cost: 101.937, update: -0.00117081 0.00196749 -0.00081055 estimated params: 0.890908,2.1719,0.943628
7total cost: 101.937, update: 3.4312e-06 -4.28555e-06 1.08348e-06 estimated params: 0.890912,2.1719,0.943629
8total cost: 101.937, update: -2.01204e-08 2.68928e-08 -7.86602e-09 estimated params: 0.890912,2.1719,0.943629
cost: 101.937>=last_cost: 101.937, break.
solve time cost = 0.00364509seconds.
estimated abc:0.890912,2.1719,0.943629
进程已结束,退出代码0
sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse3.1.2 libgflags-dev libgoogle-glog-dev libgtest-dev
基本肯定会出现问题:E: Unable to locate package libcxsparse3.1.2
解决方法就是:
sudo gedit /etc/apt/sources.list
将下面代码添加到第一行
deb http://cz.archive.ubuntu.com/ubuntu trusty main universe
然后更新后重新安装依赖
sudo apt-get update
sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse3.1.2 libgflags-dev libgoogle-glog-dev libgtest-dev
cd ceres-solver-2.0.0
mkdir build
cd build
cmake ..
make -j4
如果重现报错,可能是运算不够,重新编译一次试试看
sudo make install
安装主要参考链接ubuntu20.04安装eigen3.4.0(两种方式)和ceres-solver2.0.0
如果你需要验证自己是否已经安装了ceres,并且要删除卸载,请参考Ceres库安装踩坑(SLAM十四讲)
#include
#include
#include
#include
using namespace std;
// 代价函数的计算模型
struct CURVE_FITTING_COST
{
CURVE_FITTING_COST ( double x, double y ) : _x ( x ), _y ( y ) {}
// 残差的计算
template <typename T>
bool operator() (
const T* const abc, // 模型参数,有3维
T* residual ) const // 残差
{
residual[0] = T ( _y ) - ceres::exp ( abc[0]*T ( _x ) *T ( _x ) + abc[1]*T ( _x ) + abc[2] ); // y-exp(ax^2+bx+c)
return true;
}
const double _x, _y; // x,y数据
};
int main ( int argc, char** argv )
{
double a=1.0, b=2.0, c=1.0; // 真实参数值
int N=100; // 数据点
double w_sigma=1.0; // 噪声Sigma值
cv::RNG rng; // OpenCV随机数产生器
double abc[3] = {0,0,0}; // abc参数的估计值
vector<double> x_data, y_data; // 数据
cout<<"generating data: "<<endl;
for ( int i=0; i<N; i++ )
{
double x = i/100.0;
x_data.push_back ( x );
y_data.push_back (
exp ( a*x*x + b*x + c ) + rng.gaussian ( w_sigma )
);
cout<<x_data[i]<<" "<<y_data[i]<<endl;
}
// 构建最小二乘问题
ceres::Problem problem;
for ( int i=0; i<N; i++ )
{
problem.AddResidualBlock ( // 向问题中添加误差项
// 使用自动求导,模板参数:误差类型,输出维度,输入维度,维数要与前面struct中一致
new ceres::AutoDiffCostFunction<CURVE_FITTING_COST, 1, 3> (
new CURVE_FITTING_COST ( x_data[i], y_data[i] )
),
nullptr, // 核函数,这里不使用,为空
abc // 待估计参数
);
}
// 配置求解器
ceres::Solver::Options options; // 这里有很多配置项可以填
options.linear_solver_type = ceres::DENSE_QR; // 增量方程如何求解
options.minimizer_progress_to_stdout = true; // 输出到cout
ceres::Solver::Summary summary; // 优化信息
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
ceres::Solve ( options, &problem, &summary ); // 开始优化
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>( t2-t1 );
cout<<"solve time cost = "<<time_used.count()<<" seconds. "<<endl;
// 输出结果
cout<<summary.BriefReport() <<endl;
cout<<"estimated a,b,c = ";
for ( auto a:abc ) cout<<a<<" ";
cout<<endl;
return 0;
}
下面附上一个超多注释的,代码和上面一摸一样,看一个就行了
#include
#include
#include
#include
using namespace std;
// 代价函数的计算模型
struct CURVE_FITTING_COST
{
CURVE_FITTING_COST ( double x, double y ) : _x ( x ), _y ( y ) {}
// 残差的计算
template <typename T>
bool operator() (
const T* const abc, // 模型参数,有3维 当没有必要分类的时候 就用一个数组来存储未知的系数,方便管理,而不是设3个变量,之后在()重载函数的形式参数个数变为3个
T* residual ) const // 残差
{
residual[0] = T ( _y ) - ceres::exp ( abc[0]*T ( _x ) *T ( _x ) + abc[1]*T ( _x ) + abc[2] ); // y-exp(ax^2+bx+c)
return true;
}
const double _x, _y; // x,y数据
};
int main ( int argc, char** argv )
{
double a=1.0, b=2.0, c=1.0; // 真实参数值
int N=100; // 数据点
double w_sigma=1.0; // 噪声Sigma值
cv::RNG rng; // OpenCV随机数产生器
double abc[3] = {0,0,0}; // abc参数的估计值(修改初始值 下面求解迭代过程会不同)
vector<double> x_data, y_data; // 数据
/*生成符合曲线的样本*/
cout<<"generating data: "<<endl; //下面是从真实的曲线中取得样本数据
for ( int i=0; i<N; i++ )
{
double x = i/100.0;
x_data.push_back ( x );
y_data.push_back (
exp ( a*x*x + b*x + c ) + rng.gaussian ( w_sigma )
);
//cout<
}
// 构建最小二乘问题
ceres::Problem problem;
for ( int i=0; i<N; i++ )
{
/* 第一个参数 CostFunction* : 描述最小二乘的基本形式即代价函数 例如书上的137页fi(.)的形式
50 * 第二个参数 LossFunction* : 描述核函数的形式 例如书上的ρi(.)
51 * 第三个参数 double* : 待估计参数(用数组存储)
52 * 这里仅仅重载了三个参数的函数,如果上面的double abc[3]改为三个double a=0 ,b=0,c = 0;
53 * 此时AddResidualBlock函数的参数除了前面的CostFunction LossFunction 外后面就必须加上三个参数 分别输入&a,&b,&c
54 * 那么此时下面的 ceres::AutoDiffCostFunction<>模板参数就变为了 后面三个1代表有几类未知参数
55 * 我们修改为了a b c三个变量,所以这里代表了3类,之后需要在自己写的CURVE_FITTING_COST类中的operator()函数中,
56 * 把形式参数变为了 const T* const a, const T* const b, const T* const c ,T* residual
57 * 上面修改的方法与本例程实际上一样,只不过修改的这种方式显得乱,实际上我们在用的时候,一般都是残差种类有几个,那么后面的分类 就分几类
58 * 比如后面讲的重投影误差,此事就分两类 一类是相机9维变量,一类是点的3维变量,然而残差项变为了2维
59 *
60 * (1): 修改后的写法(当然自己定义的代价函数要对应修改重载函数的形式参数,对应修改内部的残差的计算):
61 * ceres::CostFunction* cost_function
62 * = new ceres::AutoDiffCostFunction(
63 * new CURVE_FITTING_COST ( x_data[i], y_data[i] ) );
64 * problem.AddResidualBlock(cost_function,nullptr,&a,&b,&c);
65 * 修改后的代价函数的计算模型:
66 * struct CURVE_FITTING_COST
67 * {
68 * CURVE_FITTING_COST ( double x, double y ) : _x ( x ), _y ( y ) {}
69 * // 残差的计算
70 * template
71 * bool operator() (
72 * const T* const a,
73 * const T* const b,
74 * const T* const c,
75 * T* residual ) const // 残差
76 * {
77 * residual[0] = T ( _y ) - ceres::exp ( a[0]*T ( _x ) *T ( _x ) + b[0]*T ( _x ) + c[0] ); // y-exp(ax^2+bx+c)
78 * return true;
79 * }
80 * const double _x, _y; // x,y数据
81 * };//代价类结束
82 *
83 *
84 * (2): 本例程下面的语句通常拆开来写(看起来方便些):
85 * ceres::CostFunction* cost_function
86 * = new ceres::AutoDiffCostFunction(
87 * new CURVE_FITTING_COST ( x_data[i], y_data[i] ) );
88 * problem.AddResidualBlock(cost_function,nullptr,abc)
89 * */
problem.AddResidualBlock ( // 向问题中添加误差项
// 使用自动求导,模板参数:误差类型,输出维度,输入维度,维数要与前面struct中一致
new ceres::AutoDiffCostFunction<CURVE_FITTING_COST, 1, 3> (
new CURVE_FITTING_COST ( x_data[i], y_data[i] )
),
nullptr, // 核函数,这里不使用,为空
abc // 待估计参数
);
}
// 配置求解器 ceres::Solver (是一个非线性最小二乘的求解器)
ceres::Solver::Options options;// 这里有很多配置项可以填 Options类嵌入在Solver类中 ,在Options类中可以设置关于求解器的参数
options.linear_solver_type = ceres::DENSE_QR; // 增量方程如何求解 这里的linear_solver_type 是一个Linear_solver_type的枚举类型的变量
options.minimizer_progress_to_stdout = true; // 输出到cout 为真时 内部错误输出到cout,我们可以看到错误的地方,默认情况下,会输出到日志文件中保存
ceres::Solver::Summary summary; // 优化信息
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();//记录求解时间间隔
/*下面函数需要3个参数:
110 * 1、 const Solver::Options& options <----> options
111 * 2、 Problem* problem <----> &problem
112 * 3、 Solver::Summary* summary <----> &summart (即使默认的参数也需要定义该变量 )
113 * 这个函数会输出一些迭代的信息。
114 * */
ceres::Solve ( options, &problem, &summary ); // 开始优化
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>( t2-t1 );
cout<<"solve time cost = "<<time_used.count()<<" seconds. "<<endl;
// 输出结果
cout<<summary.BriefReport() <<endl;
cout<<"estimated a,b,c = ";
/*auto a:abc 或者下面的方式都可以*/
for ( auto a:abc ) cout<<a<<" ";
cout<<endl;
return 0;
}
cmake_minimum_required( VERSION 2.8 )
project( ceres_curve_fitting )
set( CMAKE_BUILD_TYPE "Release" )
set(CMAKE_CXX_STANDARD 14)
# 添加cmake模块以使用ceres库
list( APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake_modules )
# 寻找Ceres库并添加它的头文件
find_package( Ceres REQUIRED )
include_directories( ${CERES_INCLUDE_DIRS} )
# OpenCV
find_package( OpenCV REQUIRED )
include_directories( ${OpenCV_DIRS} )
add_executable( curve_fitting main.cpp )
# 与Ceres和OpenCV链接
target_link_libraries( curve_fitting ${CERES_LIBRARIES} ${OpenCV_LIBS} )
上面的# 添加cmake模块以使用ceres库 list( APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake_modules )
并不是必须要的,没有实际文件也可以,但是如果你想要,请自取链接:https://pan.baidu.com/s/1oCbM6t2WHZ1BWvAwmhj-Yw
提取码:mwo7
此外在这里遇到一个很奇怪的问题,当我使用命令行进行编译的时候,没有报错,但是我使用clion进行编译时,就会出现下面报错
会出现报错:
FAILED: CMakeFiles/curve_fitting.dir/main.cpp.o /usr/bin/c++ -DCERES_EXPORT_INTERNAL_SYMBOLS -DGFLAGS_IS_A_DLL=0 -isystem /usr/include/eigen3 -isystem /usr/local/include/opencv -std=c++11 -O3 -O3 -DNDEBUG -MD -MT CMakeFiles/curve_fitting.dir/main.cpp.o -MF CMakeFiles/curve_fitting.dir/main.cpp.o.d -o CMakeFiles/curve_fitting.dir/main.cpp.o -c /home/bupo/shenlan/slam14/slambook/ch6/ceres_curve_fitting/main.cpp
经过查找文献,发现把
set( CMAKE_CXX_FLAGS "-std=c++11 -O3" )
修改为
set(CMAKE_CXX_STANDARD 11)
或者set(CMAKE_CXX_STANDARD 14)
,
应该是使用C++14标准,即set(CMAKE_CXX_STANDARD 14)
,但这里两种我都可以
报错解决参考文献使用ceres编译报错 error: ‘integer_sequence’ is not a member of ‘std‘
/home/bupo/my_study/slam14/slam14_my/cap6/ceresCurveFitting/cmake-build-debug/curve_fitting
generating data:
iter cost cost_change |gradient| |step| tr_ratio tr_radius ls_iter iter_time total_time
0 1.824887e+04 0.00e+00 1.38e+03 0.00e+00 0.00e+00 1.00e+04 0 1.60e-05 5.29e-05
1 2.748700e+39 -2.75e+39 1.38e+03 7.67e+01 -1.52e+35 5.00e+03 1 1.81e-05 8.89e-05
2 2.429783e+39 -2.43e+39 1.38e+03 7.62e+01 -1.35e+35 1.25e+03 1 7.87e-06 1.03e-04
3 1.213227e+39 -1.21e+39 1.38e+03 7.30e+01 -6.73e+34 1.56e+02 1 7.15e-06 1.15e-04
4 1.852387e+37 -1.85e+37 1.38e+03 5.56e+01 -1.03e+33 9.77e+00 1 6.91e-06 1.26e-04
5 6.714689e+31 -6.71e+31 1.38e+03 2.96e+01 -3.85e+27 3.05e-01 1 5.96e-06 1.36e-04
6 9.500531e+12 -9.50e+12 1.38e+03 9.50e+00 -8.39e+08 4.77e-03 1 5.96e-06 1.46e-04
7 1.776982e+04 4.79e+02 1.83e+03 2.58e-01 1.18e+00 1.43e-02 1 1.79e-05 1.68e-04
8 1.599969e+04 1.77e+03 3.45e+03 5.53e-01 1.46e+00 4.29e-02 1 1.60e-05 1.87e-04
9 1.060557e+04 5.39e+03 7.62e+03 7.33e-01 1.68e+00 1.29e-01 1 1.60e-05 2.06e-04
10 3.669783e+03 6.94e+03 9.60e+03 5.25e-01 1.39e+00 3.86e-01 1 1.50e-05 2.24e-04
11 5.397541e+02 3.13e+03 5.00e+03 2.66e-01 1.12e+00 1.16e+00 1 1.41e-05 2.41e-04
12 1.484444e+02 3.91e+02 1.22e+03 8.46e-02 1.02e+00 3.48e+00 1 1.50e-05 2.60e-04
13 1.216815e+02 2.68e+01 3.76e+02 4.17e-02 1.01e+00 1.04e+01 1 1.41e-05 2.77e-04
14 9.290109e+01 2.88e+01 2.42e+02 9.10e-02 1.01e+00 3.13e+01 1 1.41e-05 2.95e-04
15 6.674330e+01 2.62e+01 1.09e+02 1.33e-01 1.00e+00 9.39e+01 1 1.41e-05 3.13e-04
16 5.936574e+01 7.38e+00 2.14e+01 1.08e-01 9.94e-01 2.82e+02 1 1.50e-05 3.31e-04
17 5.653118e+01 2.83e+00 1.36e+01 1.57e-01 9.98e-01 8.45e+02 1 1.41e-05 3.49e-04
18 5.310764e+01 3.42e+00 8.50e+00 2.81e-01 9.89e-01 2.53e+03 1 1.50e-05 3.67e-04
19 5.125939e+01 1.85e+00 2.84e+00 2.98e-01 9.90e-01 7.60e+03 1 1.50e-05 3.85e-04
20 5.097693e+01 2.82e-01 4.34e-01 1.48e-01 9.95e-01 2.28e+04 1 1.48e-05 4.02e-04
21 5.096854e+01 8.39e-03 3.24e-02 2.87e-02 9.96e-01 6.84e+04 1 1.50e-05 4.20e-04
solve time cost = 0.000439784 seconds.
Ceres Solver Report: Iterations: 22, Initial cost: 1.824887e+04, Final cost: 5.096854e+01, Termination: CONVERGENCE
estimated a,b,c = 0.891943 2.17039 0.944142
进程已结束,退出代码0
在学习slam14讲的时候我用的是最新版,也就是下面的安装,但是之后学习任佬的多传感器融合时候,尝试了之前slam的版,看情况自取:github里,网盘链接: https://pan.baidu.com/s/1LcGPuEI3XJElWbIApCl_aQ 提取码: iw8n ,该版本的依赖为sudo apt-get install cmake libeigen3-dev libsuitesparse-dev qtdeclarative5-dev qt5-qmake libqglviewer-dev
,但是我的电脑不幸
最终我问同学要了他可以的g2o版本,网盘自取:链接: https://pan.baidu.com/s/1ZqdjN6tEO4hFLTYlKHn0pg?pwd=jtfw 提取码: jtfw
这里提供g2o最新的github网址:g2o的github网址https://github.com/RainerKuemmerle/g2o.git,可以看到要求:
当然这里为了保版本一致,我也特意附上了我当时安装时的安装包,请自取:链接:https://pan.baidu.com/s/1L6j8b0Mwyi1J-alAY-sfig 提取码:0a4h
然后就是安装
0. 如果安装错版本,就卸载重装,g2o会安装在usr\local\bin,usr\local\include,usr\local\lib三个文件夹中,进入这三个文件夹,在终端输入sudo rm -rf *g2o*
,实际验证,可行!sudo rm -rf /usr/local/lib/*g2o* /usr/local/include/*g2o* /usr/local/bin/*g2o*
卸载参考文章《SLAM十四讲》中g2o的安装
1. 首先安装依赖项
sudo apt-get install qt5-qmake qt5-default libqglviewer-dev-qt5 libsuitesparse-dev libcxsparse3 libcholmod3
如果有找不到的依赖项可以安装2.1改一下,我都找到了
2. 安装并下载
cd g2o
mkdir build
cd build
sudo ldconfig//⼀定要在编译前进⼊build,进⾏sudo ldconfig
cmake ..//这里提示我cmake版本太低,我的是3.10.2的,要求是3.14的,进入CMakeLists.txt文件,修改第一句话,将3.14修改为3.10,(我的猜测是但是这样会有缺点,后面一个报错可能和这个有关)
make -j4 // 注意,这里尽量使用更多的j,否则g2o安装很慢(-j4 -j6等等),但是我的运行多了就会崩,量力而行
sudo make install
.
3. 使用g2o需要list一个文件包cmake_modules,自取链接:https://pan.baidu.com/s/1KceXzAXpDQ8UoRAGyf69EQ 提取码:egx6
4. 解决问题
4.1. 首先遇到了C++版本的问题,还是和ceres一样,把
set( CMAKE_CXX_FLAGS "-std=c++11 -O3" )
修改为set(CMAKE_CXX_STANDARD 14)
,
只能是使用C++14标准,即set(CMAKE_CXX_STANDARD 14)
4.2 然后遇到了报错:error: no matching function for call to ‘g2o::BlockSolver
和error: no matching function for call to ‘g2o::OptimizationAlgorithmLevenberg::OptimizationAlgorithmLevenberg(Block*&)’ rithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr ); ^
经过查阅别人的博客,大概知道是因为智能指针的原因,但是大部分是修改的第一版的好像,最终也是找到对应第六章中的:
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block; // 每个误差项优化变量维度为3,误差值维度为1
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>(); // 线性方程求解器
Block* solver_ptr = new Block( linearSolver ); // 矩阵块求解器
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );
改为:
//第一种实现方法start
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block; // 每个误差项优化变量维度为3,误差值维度为1
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>(); // 线性方程求解器
//Block* solver_ptr = new Block( linearSolver ); // 矩阵块求解器
Block* solver_ptr = new Block( unique_ptr<Block::LinearSolverType>(linearSolver) ); // 矩阵块求解器
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( unique_ptr<Block>(solver_ptr) );
//第一种实现方法end
或者改为:
//第二种实现方法start
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > BlockSolverType; // 每个误差项优化变量维度为3,误差值维度为1
typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType; //线性求解器类型
// 梯度下降方法,从GN, LM, DogLeg 中选
auto solver = new g2o::OptimizationAlgorithmGaussNewton(g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
//第二种实现方法end
然后重新编译就可,该错误参考文章:[Bug集合] error: no matching function for call to ‘g2o::OptimizationAlgorithmLevenberg::OptimizationA
4.3. 但是使用命令行运行可执行文件,报错:terminate called after throwing an instance of 'std::bad_alloc' what(): std::bad_alloc 已放弃 (核心已转储)
一直也没有找到原因,等以后再说吧,但是看c ++ terminate called after throwing an instance of ‘std::bad_alloc‘ what(): std::bad_alloc错误这篇文章有说这个报错什么意思;我觉得可能和我之前一个操作有关系,就是安装g2o的时候,我的cmake版本较低,我强行修改之后仍编译安装g2o,可能是这个原因,之后有时间在进行验证
但是,我是用clion的发布模式编译运行的时候,就可以正常运行,很奇怪,
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
using namespace std;
// 曲线模型的顶点,模板参数:优化变量维度和数据类型
class CurveFittingVertex: public g2o::BaseVertex<3, Eigen::Vector3d>
{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
virtual void setToOriginImpl() // 重置
{
_estimate << 0,0,0;
}
virtual void oplusImpl( const double* update ) // 更新
{
_estimate += Eigen::Vector3d(update);
}
// 存盘和读盘:留空
virtual bool read( istream& in ) {}
virtual bool write( ostream& out ) const {}
};
// 误差模型 模板参数:观测值维度,类型,连接顶点类型
class CurveFittingEdge: public g2o::BaseUnaryEdge<1,double,CurveFittingVertex>
{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
CurveFittingEdge( double x ): BaseUnaryEdge(), _x(x) {}
// 计算曲线模型误差
void computeError()
{
const CurveFittingVertex* v = static_cast<const CurveFittingVertex*> (_vertices[0]);
const Eigen::Vector3d abc = v->estimate();
_error(0,0) = _measurement - std::exp( abc(0,0)*_x*_x + abc(1,0)*_x + abc(2,0) ) ;
}
/*
//计算雅可比矩阵,没有用到
virtual void linearizeOplus() override{
const CurveFittingVertex *v = static_cast (_vertices[0]);
const Eigen::Vector3d abc = v->estimate();
double y = exp(abc[0] * _x *_x + abc[1] * _x + abc[2]);
_jacobianOplusXi[0] = -_x * _x * y;
_jacobianOplusXi[1] = -_x * y;
_jacobianOplusXi[2] = -y;
}
*/
virtual bool read( istream& in ) {}
virtual bool write( ostream& out ) const {}
public:
double _x; // x 值, y 值为 _measurement
};
int main( int argc, char** argv )
{
double ar=1.0, br=2.0, cr=1.0; // 真实参数值
double ae = 2.0, be = -1.0, ce = 5.0; //估计参数值
int N=100; // 数据点
double w_sigma=1.0; // 噪声Sigma值
cv::RNG rng; // OpenCV随机数产生器
double abc[3] = {0,0,0}; // abc参数的估计值
vector<double> x_data, y_data; // 数据
cout<<"generating data: "<<endl;
for ( int i=0; i<N; i++ )
{
double x = i/100.0;
x_data.push_back ( x );
y_data.push_back (
exp ( ar*x*x + br*x + cr ) + rng.gaussian ( w_sigma )
);
cout<<x_data[i]<<" "<<y_data[i]<<endl;
}
//第一种实现方法start
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block; // 每个误差项优化变量维度为3,误差值维度为1
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>(); // 线性方程求解器
//Block* solver_ptr = new Block( linearSolver ); // 矩阵块求解器
Block* solver_ptr = new Block( unique_ptr<Block::LinearSolverType>(linearSolver) ); // 矩阵块求解器
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( unique_ptr<Block>(solver_ptr) );
//第一种实现方法end
/*
//第二种实现方法start
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > BlockSolverType; // 每个误差项优化变量维度为3,误差值维度为1
typedef g2o::LinearSolverDense LinearSolverType; //线性求解器类型
// 梯度下降方法,从GN, LM, DogLeg 中选
auto solver = new g2o::OptimizationAlgorithmGaussNewton(g2o::make_unique(g2o::make_unique()));
//第二种实现方法end
*/
//梯度下降方法,从GN, LM, DogLeg 中选
//g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );
// g2o::OptimizationAlgorithmGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( solver_ptr );
// g2o::OptimizationAlgorithmDogleg* solver = new g2o::OptimizationAlgorithmDogleg( solver_ptr );
g2o::SparseOptimizer optimizer; // 图模型
optimizer.setAlgorithm( solver ); // 设置求解器
optimizer.setVerbose( true ); // 打开调试输出
// 往图中增加顶点
CurveFittingVertex* v = new CurveFittingVertex();
v->setEstimate( Eigen::Vector3d(ae,be,ce) );//迭代5次满足迭代阈值
v->setId(0);
optimizer.addVertex( v );
// 往图中增加边
for ( int i=0; i<N; i++ )
{
CurveFittingEdge* edge = new CurveFittingEdge( x_data[i] );
edge->setId(i);
edge->setVertex( 0, v ); // 设置连接的顶点
edge->setMeasurement( y_data[i] ); // 观测数值
edge->setInformation( Eigen::Matrix<double,1,1>::Identity()*1/(w_sigma*w_sigma) ); // 信息矩阵:协方差矩阵之逆
optimizer.addEdge( edge );
}
// 执行优化
cout<<"start optimization"<<endl;
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
optimizer.initializeOptimization();
optimizer.optimize(100);
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>( t2-t1 );
cout<<"solve time cost = "<<time_used.count()<<" seconds. "<<endl;
// 输出优化值
Eigen::Vector3d abc_estimate = v->estimate();
cout<<"estimated model: "<<abc_estimate.transpose()<<endl;
return 0;
}
这里也提供一个有详细注释的版本,除了注释和上面以及提供的完整包没有区别,:
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
#include
using namespace std;
// 曲线模型的顶点,模板参数:优化变量维度和数据类型
class CurveFittingVertex: public g2o::BaseVertex<3, Eigen::Vector3d>
{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW//表示在利用Eigen库的数据结构时new的时候 需要对齐,所以加入EIGEN特有的宏定义即可实现
//下面几个虚函数都是覆盖了基类的对应同名同参数的函数
virtual void setToOriginImpl() // 重置 这个虚函数override 覆盖了Vertex类的对应函数 函数名字和参数都是一致的,是多态的本质
{
_estimate << 0,0,0;//输入优化变量初始值
}
virtual void oplusImpl( const double* update ) // 更新 对于拟合曲线这种问题,这里更新优化变量仅仅是简单的加法,
// 但是到了位姿优化的时候,旋转矩阵更新是左乘一个矩阵 此时这个更新函数就必须要重写了
{ //更新参数估计值
_estimate += Eigen::Vector3d(update);
}
// 存盘和读盘:留空
virtual bool read( istream& in ) {}
virtual bool write( ostream& out ) const {}
};
// 误差模型 模板参数:观测值维度,类型,连接顶点类型 //这里观测值维度是1维,如果是124页6.12式,则观测值维度是2
class CurveFittingEdge: public g2o::BaseUnaryEdge<1,double,CurveFittingVertex>
{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW//表示在利用Eigen库的数据结构时new的时候 需要对齐,所以加入EIGEN特有的宏定义即可实现
CurveFittingEdge( double x ): BaseUnaryEdge(), _x(x) {}
// 计算曲线模型误差
void computeError()
{
/* _vertices是std::vector类型的变量,我们这里把基类指针_vertices【0】强制转换成const CurveFittingVertex* 自定义子类的常量指针
这里的转换是上行转换(子类指针转换到基类),对于static_cast 和dynamic_cast两种的结果都是一样的,但是对于这种下行转换则dynamic_cast比static_cast多了类型检查功能
更安全些,但是dynamic_cast只能用在类类型的指针 引用,static_cast则不限制,即可以用在类型也可以用在其他类型,所以这里应该更改为dynamic_cast
const CurveFittingVertex* v = dynamic_cast (_vertices[0]);//但是这里我没有修改,因为我不懂这块不敢乱该,如果你觉得有道理你 就修改试试,改了也是正常运行的
*/
const CurveFittingVertex* v = static_cast<const CurveFittingVertex*> (_vertices[0]);
//获取此时待估计参数的当前更新值 为下面计算误差项做准备
const Eigen::Vector3d abc = v->estimate();
//这里的error是1x1的矩阵,因为误差项就是1个 _measurement是测量值yi
_error(0,0) = _measurement - std::exp( abc(0,0)*_x*_x + abc(1,0)*_x + abc(2,0) ) ;
}
/*
//计算雅可比矩阵,没有用到,ke yi yong
virtual void linearizeOplus() override{
const CurveFittingVertex *v = static_cast (_vertices[0]);
const Eigen::Vector3d abc = v->estimate();
double y = exp(abc[0] * _x *_x + abc[1] * _x + abc[2]);
_jacobianOplusXi[0] = -_x * _x * y;
_jacobianOplusXi[1] = -_x * y;
_jacobianOplusXi[2] = -y;
}
*/
virtual bool read( istream& in ) {}
virtual bool write( ostream& out ) const {}
public:
double _x; // x 值, y 值为 _measurement
};
int main( int argc, char** argv )
{
double ar=1.0, br=2.0, cr=1.0; // 真实参数值
double ae = 2.0, be = -1.0, ce = 5.0; //估计参数值
int N=100; // 数据点
double w_sigma=1.0; // 噪声Sigma值
cv::RNG rng; // OpenCV随机数产生器
double abc[3] = {0,0,0}; // abc参数的估计值
vector<double> x_data, y_data; // 数据
//cout<<"generating data: "<
for ( int i=0; i<N; i++ )
{
double x = i/100.0;
x_data.push_back ( x );
y_data.push_back (
exp ( ar*x*x + br*x + cr ) + rng.gaussian ( w_sigma )
);
// cout<
}
/*
原版错误方式 : 这样会出错
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block; // 每个误差项优化变量维度为3,误差值维度为1 后面的那个参数与误差变量无关 仅仅表示路标点的维度 这里因为没有用到路标点 所以为什么值都可以
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense(); // 线性方程求解器
Block* solver_ptr = new Block( linearSolver ); // 矩阵块求解器
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );//LM法
*/
//第一种实现方法start
/*
第一种解决方式: 将普通指针强制转换成智能指针 需要注意的是 转化之后 原来的普通指针指向的内容会有变化
普通指针可以强制转换成智能指针,方式是通过智能指针的一个构造函数来实现的, 比如下面的Block( std::unique_ptr( linearSolver ) );
这里面就是将linearSolver普通指针作为参数用智能指针构造一个临时的对象,此时原来的普通指针就无效了,一定不要再次用那个指针了,否则会有意想不到的错误,如果还想保留原来的指针
那么就可以利用第二种方式 定义的时候就直接用智能指针就好,但是就如第二种解决方案那样,也会遇到类型转换的问题。详细见第二种方式说明
*/
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block; // 每个误差项优化变量维度为3,误差值维度为1 后面的那个参数与误差变量无关 仅仅表示路标点的维度 这里因为没有用到路标点 所以为什么值都可以
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>(); // 线性方程求解器
//Block* solver_ptr = new Block( linearSolver ); // 矩阵块求解器
Block* solver_ptr = new Block( unique_ptr<Block::LinearSolverType>(linearSolver) ); // 矩阵块求解器
//g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( unique_ptr(solver_ptr) );
g2o::OptimizationAlgorithmGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( unique_ptr<Block>(solver_ptr) );
//g2o::OptimizationAlgorithmDogleg* solver = new g2o::OptimizationAlgorithmDogleg( unique_ptr(solver_ptr) );
//第一种实现方法end
/*
//第二种实现方法start
// 构建图优化,先设定g2o
typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > BlockSolverType; // 每个误差项优化变量维度为3,误差值维度为1
typedef g2o::LinearSolverDense LinearSolverType; //线性求解器类型
// 梯度下降方法,从GN, LM, DogLeg 中选
auto solver = new g2o::OptimizationAlgorithmGaussNewton(g2o::make_unique(g2o::make_unique()));
//第二种实现方法end
*/
/*
/*第三种解决方案: 定义变量时就用智能指针 需要注意的是 需要std::move移动
*下面可以这样做 std::make_unique<>是在c++14中引进的 而std::make_shared<>是在c++11中引进的,都是为了解决用new为智能指针赋值的操作。这种更安全。
* 对于(2)将linearSovler智能指针的资源利用移动构造函数转移到新建立的Block中,此时linearSolver这个智能指针默认不能够访问以及使用了。
* 对于(3)来说,因为solver_ptr是一个指向Block类型的智能指针,但是g2o::OptimizationAlgorithmLevenberg 构造函数接受的是std::unique_ptr的参数,引起冲突,但是智能指针指向不同的类型时,
* 不能够通过强制转换,所以此时应该用一个std::move将一个solver_ptr变为右值,然后调用std::unique_ptr的移动构造函数,而这个函数的本身并没有限制指针
* 指向的类型,只要是std::unique_ptr类的对象,我们就可以调用智能指针的移动构造函数进行所属权的移动。
*
* */
/*
//第三种实现方法start
std::unique_ptrlinearSolver( new g2o::LinearSolverDense() );// 线性方程求解器(1)
std::unique_ptr solver_ptr ( new Block( std::move(linearSolver) ) );// 矩阵块求解器 (2)
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( std::move(solver_ptr) );//(3) LM法
//第三种实现方法end
*/
//梯度下降方法,从GN, LM, DogLeg 中选(下面的两种方式要按照上面的两种解决方案对应修改,否则会编译出错 )
//g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );
// g2o::OptimizationAlgorithmGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( solver_ptr );
// g2o::OptimizationAlgorithmDogleg* solver = new g2o::OptimizationAlgorithmDogleg( solver_ptr );
g2o::SparseOptimizer optimizer; // 图模型
optimizer.setAlgorithm( solver ); // 设置求解器
optimizer.setVerbose( true ); // 打开调试输出
// 往图中增加顶点
CurveFittingVertex* v = new CurveFittingVertex();
v->setEstimate( Eigen::Vector3d(ae,be,ce) );//迭代5次满足迭代阈值 //增加顶点的初始值,如果是位姿 则初始值是用ICP PNP来提供初始化值
v->setId(0);//增加顶点标号 多个顶点要依次增加编号
optimizer.addVertex( v );//将新增的顶点加入到图模型中
// 往图中增加边 N个
for ( int i=0; i<N; i++ )
{
CurveFittingEdge* edge = new CurveFittingEdge( x_data[i] );
edge->setId(i);
edge->setVertex( 0, v ); // 设置连接的顶点
edge->setMeasurement( y_data[i] ); // 观测数值 经过高斯噪声的
//这里的信息矩阵可以参考:http://www.cnblogs.com/gaoxiang12/p/5244828.html 里面有说明
edge->setInformation( Eigen::Matrix<double,1,1>::Identity()*1/(w_sigma*w_sigma) ); // 信息矩阵:协方差矩阵之逆 这里为1表示加权为1
optimizer.addEdge( edge );
}
// 执行优化
cout<<"start optimization"<<endl;
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
optimizer.initializeOptimization();
optimizer.optimize(10);
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>( t2-t1 );
cout<<"solve time cost = "<<time_used.count()<<" seconds. "<<endl;
// 输出优化值
Eigen::Vector3d abc_estimate = v->estimate();
cout<<"estimated model: "<<abc_estimate.transpose()<<endl;
return 0;
}
cmake_minimum_required( VERSION 2.8 )
project( g2o_curve_fitting )
set( CMAKE_BUILD_TYPE "Release" )
set( CMAKE_CXX_STANDARD 14)
# 添加cmake模块以使用ceres库
list( APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake_modules )
# 寻找G2O
find_package( G2O REQUIRED )
include_directories(
${G2O_INCLUDE_DIRS}
"/usr/include/eigen3"
)
# OpenCV
find_package( OpenCV REQUIRED )
include_directories( ${OpenCV_DIRS} )
add_executable( curve_fitting main.cpp )
# 与G2O和OpenCV链接
target_link_libraries( curve_fitting
${OpenCV_LIBS}
g2o_core g2o_stuff
)
自取:链接:
链接:https://pan.baidu.com/s/1LzZuCEuS50L1OYLud9rIgg
提取码:yeg1
/home/bupo/my_study/slam14/slam14_my/cap6/g2oCurveFitting/cmake-build-debug/curve_fitting
start optimization
solve time cost = 0.000371429 seconds.
estimated model: 0.890912 2.1719 0.943629
iteration= 0 chi2= 376785.194545 time= 2.7101e-05 cumTime= 2.7101e-05 edges= 100 schur= 0
iteration= 1 chi2= 35673.583497 time= 1.978e-05 cumTime= 4.6881e-05 edges= 100 schur= 0
iteration= 2 chi2= 2195.014705 time= 1.9331e-05 cumTime= 6.6212e-05 edges= 100 schur= 0
iteration= 3 chi2= 174.853281 time= 1.9155e-05 cumTime= 8.5367e-05 edges= 100 schur= 0
iteration= 4 chi2= 102.779698 time= 1.9092e-05 cumTime= 0.000104459 edges= 100 schur= 0
iteration= 5 chi2= 101.937194 time= 1.9193e-05 cumTime= 0.000123652 edges= 100 schur= 0
iteration= 6 chi2= 101.937020 time= 1.9142e-05 cumTime= 0.000142794 edges= 100 schur= 0
iteration= 7 chi2= 101.937020 time= 1.9146e-05 cumTime= 0.00016194 edges= 100 schur= 0
iteration= 8 chi2= 101.937020 time= 1.9095e-05 cumTime= 0.000181035 edges= 100 schur= 0
iteration= 9 chi2= 101.937020 time= 1.9169e-05 cumTime= 0.000200204 edges= 100 schur= 0
进程已结束,退出代码0
手写:0.00364509s
、ceres:0.000439784 seconds.
、g2o:0.000371429 s
,事实上,虽然每一次的结果都会有所不同,但是相差无几,从这个结果上看,运行速度排名:手写
0.00031253 seconds.
;显然这也没有影响其运行速度第一的排名。视觉slam十四讲ch6曲线拟合 代码注释(笔记版)