本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始
文末正下方中心提供了本人 联系方式， 点击本人照片即可显示 W X → 官方认证 {\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式，\color{blue}点击本人照片即可显示WX→官方认证} 文末正下方中心提供了本人联系方式，点击本人照片即可显示WX→官方认证
一、前言
示例代码为 https://github.com/gaoxiang12/slambook2/blob/master/ch6/g2oCurveFitting.cpp
在上一篇博客中，讲解了运行该示例代码环境的搭建，同时对 g2o 进行了简单的讲解。总的来说使用 g2o 进行优化,编程求解主要包含五个步骤，来看看上一篇博客的图示：
( 1 ) \color{blue} (1) (1) 顶点和边的类型定义；
( 2 ) \color{blue} (2) (2) 构建图优化实例，配置求解器；
( 3 ) \color{blue} (3) (3) 添加点和边，构建求解图；
( 4 ) \color{blue} (4) (4) 执行优化。
后续，会把源码拆解成这四个部分，分别进行讲解。在这之前，先说一下示例代码的目的。虽然上一篇博客已经把代码运行了起来，但是并没有讲解其作用。假设一条满足以下方程的曲线:
y = exp ( a x 2 + b x + c ) + w (01) \color{green} \tag{01} y=\exp \left(a x^{2}+b x+c\right)+w y=exp(ax2+bx+c)+w(01)其中 a ， b ， c a，b，c a，b，c 为曲线的参数， w w w 为高斯噪声，满足 w ∼ ( 0 , σ 2 ) w \sim\left(0, \sigma^{2}\right) w∼(0,σ2)。我们故意选择了这样一个非线性模型，使问题不至于太简单。现在，假设我们有 N N N 个关于 x , y x,y x,y 的观测数据点，想根据这些数据点求出曲线的参数。那么，可以求解下面的最小二乘问题以估计曲线参数: min a , b , c 1 2 ∑ i = 1 N ∥ y i − exp ( a x i 2 + b x i + c ) ∥ 2 (02) \color{green} \tag{02} \min _{a, b, c} \frac{1}{2} \sum_{i=1}^{N}\left\|y_{i}-\exp \left(a x_{i}^{2}+b x_{i}+c\right)\right\|^{2} a,b,cmin21i=1∑N∥
∥yi−exp(axi2+bxi+c)∥
∥2(02)请注意，在这个问题中，待估计的变量是 a ， b ， c a，b，c a，b，c；而不是 x x x。我们的程序里先根据模型生成 x ， y x，y x，y 的真值，然后在真值中添加高斯分布的噪声。使用 g2o 从带噪声的数据拟合参数模型。定义误差为： e i = y i − exp ( a x i 2 + b x i + c ) (03) \color{green} \tag{03} e_{i}=y_{i}-\exp \left(a x_{i}^{2}+b x_{i}+c\right) ei=yi−exp(axi2+bxi+c)(03)那么，可以求出每个误差项对于状态变量的导数:
∂ e i ∂ a = − x i 2 exp ( a x i 2 + b x i + c ) ∂ e i ∂ b = − x i exp ( a x i 2 + b x i + c ) ∂ e i ∂ c = − exp ( a x i 2 + b x i + c ) (04) \color{green} \tag{04} \begin{array}{l} \frac{\partial e_{i}}{\partial a}=-x_{i}^{2} \exp \left(a x_{i}^{2}+b x_{i}+c\right) \\ \frac{\partial e_{i}}{\partial b}=-x_{i} \exp \left(a x_{i}^{2}+b x_{i}+c\right) \\ \frac{\partial e_{i}}{\partial c}=-\exp \left(a x_{i}^{2}+b x_{i}+c\right) \end{array} ∂a∂ei=−xi2exp(axi2+bxi+c)∂b∂ei=−xiexp(axi2+bxi+c)∂c∂ei=−exp(axi2+bxi+c)(04)
下面就从每个步骤来分析吧，这里就不在粘贴整体的源码了，前面链接已经给出。
二、数据模拟
首先需要去模拟一些数据，假设(01)式中真实的 a b c _ r = { a = 1.0 ， b = 2.0 ， b = 1.0 } abc\_r=\{a=1.0，b=2.0，b=1.0\} abc_r={ a=1.0，b=2.0，b=1.0}，需要优化的初始值设定为 a b c _ e = { a = 2.0 ， b = − 1.0 ， c = 5.0 } abc\_e=\{a = 2.0，b = -1.0，c= 5.0\} abc_e={ a=2.0，b=−1.0，c=5.0}。 也就是说，通过优化之后，使得 a b c _ e abc\_e abc_e 接近于 a b c _ r abc\_r abc_r。现在利用 a b c _ r abc\_r abc_r 随机生成 N = 100 N=100 N=100 组数据(同时添加了噪声)。代码如下：
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
double inv_sigma = 1.0 / w_sigma;
cv::RNG rng; // OpenCV随机数产生器
vector<double> x_data, y_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));
}
三、点和边的类型定义
1、顶点类型的定义
// 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:
//类成员变量如果是固定大小对象需要加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
// 重置；override 重载
virtual void setToOriginImpl() override {
_estimate << 0, 0, 0;
}
// 更新
virtual void oplusImpl(const double *update) override {
_estimate += Eigen::Vector3d(update);
}
// 存盘和读盘：留空
virtual bool read(istream &in) {
}
virtual bool write(ostream &out) const {
}
};
顶点类成员继承继承自BaseVertex，模板成员参数分别是 3，Eigen::Vector3d。其表示的意思是待优化变量类型为 Eigen::Vector3d，维度是3。另外顶点类包含四个重要的成员函数需要重载:
( 1 ) \color{blue} (1) (1) setToOriginImp()用于重置优化变量值。(改)
( 2 ) \color{blue} (2) (2) oplusImpl()用于对优化变量进行更新调整，是优化变量向真实值靠近(改)
( 3 ) \color{blue} (3) (3) read和write分别是读盘、存盘函数，一般情况下不需要进行读/写操作的话，仅仅声明一下就可以.
2、边类型的定义
// 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:
//类成员变量如果是固定大小对象需要加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
//构造函数初始化
CurveFittingEdge(double x) : BaseUnaryEdge(), _x(x) {
}
// 计算曲线模型误差
virtual void computeError() override
{
//顶点获取
const CurveFittingVertex *v = static_cast<const CurveFittingVertex *> (_vertices[0]);
//优化变量获取
const Eigen::Vector3d abc = v->estimate();
//惨差计算
_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
virtual void linearizeOplus() override
{
//顶点获取
const CurveFittingVertex *v = static_cast<const CurveFittingVertex *> (_vertices[0]);
//优化变量获取
const Eigen::Vector3d abc = v->estimate();
//数值求导
double y = exp(abc[0] * _x * _x + abc[1] * _x + abc[2]);
_jacobianOplusXi[0] = -_x * _x * y;
_jacobianOplusXi[1] = -_x * y;
_jacobianOplusXi[2] = -y;
}
//读写，暂时不用，留空
virtual bool read(istream &in) {
}
virtual bool write(ostream &out) const {
}
private:
double _x; // x 值， y 值为 _measurement
};
边类成员继承继承自BaseUnaryedge(不同类型的边有不同的基类，这里是一元边基类)，模板成员参数分别是：1，double, CurveFittingVertex。这里的1表示观测变量维度，double 表示观测变量数据类型。CurveFittingVertex 表示前面定义的顶点类型。边类包含四个重要的成员函数需要重载:
( 1 ) \color{blue} (1) (1) virtual void computeError(); 计算惨差，通过成员变量_vertices[0]和顶点编号０获取０号顶点变量；之后通过estimate()成员函数获取最近的优化变量；最后通过 _measurement中存储的观测变量与优化变量做参差计算并传给_error(0, 0)。(改)
( 2 ) \color{blue} (2) (2) virtual void linearizeOplus(); 同样获取顶点并获取待优化的变量，最后通过数值求导获取雅克比梯度，注意这里需要添加负号，利用负梯度方向迭代。(改)
( 3 ) \color{blue} (3) (3) read 、write留空。
四、构建图优化实例，配置求解器
// 第二部分；配置优化器，构建图优化
// 定义重载求解变量块，每个误差项优化变量维度为3，误差值维度为1
typedef g2o::BlockSolver<g2o::BlockSolverTraits<3, 1>> BlockSolverType;
// 定义线性求解器类型
typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType;
//创建高斯牛顿求解器
auto solver = new g2o::OptimizationAlgorithmGaussNewton(g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
// 图模型
//创建稀疏优化器
g2o::SparseOptimizer optimizer;
// 设置求解器
optimizer.setAlgorithm(solver);
// 打开调试输出
optimizer.setVerbose(true);
( 1 ) \color{blue} (1) (1) 定义变量块BlockSolverType，模板参数分别表示
①优化变量维度(３）
②误差变量维度(１)
( 2 ) \color{blue} (2) (2) 定义线性求解器LinearSolverType。
( 3 ) \color{blue} (3) (3) 选取求解方法。
( 4 ) \color{blue} (4) (4) 创建并配置稀疏优化器。
五、添加点和边
// 第三部分；添加点和边
// 实例化顶点，往图中增加顶点
CurveFittingVertex *v = new CurveFittingVertex();
//配置初始估计值
v->setEstimate(Eigen::Vector3d(aest, best, cest));
//设置图表中节点的id确保更改id后图表保持一致
v->setId(0);
//添加设置完成的顶点
optimizer.addVertex(v);
// 往图中增加边
for (int i = 0; i < PointNum; i++)
{
//实例化边，并传入标点值
CurveFittingEdge *edge = new CurveFittingEdge(x_data[i]);
//设置图表中边的id确保更改id后图表保持一致
edge->setId(i);
// 设置连接的顶点，１、顶点编号２、顶点实例化
edge->setVertex(0, v);
// 传入观测到的数值
edge->setMeasurement(y_data[i]);
// 设置信息矩阵：协方差矩阵之逆
edge->setInformation(Eigen::Matrix<double, 1, 1>::Identity() * 1 / (w_sigma * w_sigma));
//将设置完成的边加入
optimizer.addEdge(edge);
}
( 1 ) \color{blue} (1) (1) 实例化一个点ｖ；传入优化变量的初始估计值；给顶点配置编号；将顶点添加至图中。
( 2 ) \color{blue} (2) (2) 实例化边edge；给边配置编号；配置链接的顶点信息（顶点的编号，顶点的实例化）；传入观测值；配置信息矩阵；将边添加至图。
六、添加点和边
执行优化与输出：
// 执行优化
cout << "start optimization" << endl;
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
optimizer.initializeOptimization();
optimizer.optimize(10); //优化次数
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;
答应结果如下
最终预测的结果为 a = 0.89012 ， b = 2.1719 ， c = 0.943629 a=0.89012，b=2.1719，c=0.943629 a=0.89012，b=2.1719，c=0.943629。可以看到其与真实值 a b c _ r = { a = 1.0 ， b = 2.0 ， b = 1.0 } abc\_r=\{a=1.0，b=2.0，b=1.0\} abc_r={
a=1.0，b=2.0，b=1.0} 还是存在一定差距，但是已经非常接近了。其主要原因是因为生成的数据带噪声的，宁外我们只优化迭代了10次。
七、结语
通过前面两篇博客，可以说是对 g2o(图优化) 有了简单的了解，g2o(图优化) 在 slam 中有着举足轻重的地位。如果要去追根究底底层的源码，说实话，难度还是比较大的。但是如果只是当作一个工具包来使用，还是比较简单的。主要的难点在于顶点和边的创建。不过没有关系，等大家看别人的源码看得比较多了，就熟悉 g2o(图优化) 具体应该怎么去使用与设计了。