手撕 视觉slam14讲 ch13 代码（7）后端优化 Backend::Optimize()

在上一篇 手撕（6）中的InsertKeyframe()插入关键帧的函数里，有一个 Backend::UpdateMap() 函数 ，从这里通过条件变量 map_update_ 来激活后端优化。

backend.h：

//  * 有单独优化线程，在Map更新时启动优化
//  * Map更新由前端触发

#ifndef MYSLAM_BACKEND_H
#define MYSLAM_BACKEND_H

#include "MYSLAM/common_include.h"
#include "MYSLAM/frame.h"
#include "MYSLAM/map.h"


namespace MYSLAM{

class Map;

//  后端
class Backend {

public:
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW;
    typedef std::shared_ptr<Backend> Ptr;//智能指针

    /// 构造函数中启动优化线程并挂起
    Backend();

    // 设置左右目的相机，用于获得内外参
    void SetCameras(Camera::Ptr left , Camera::Ptr right){
        cam_left_=left;
        cam_right_=right;
    }

    // 设置地图，让backend自己的地图指针指向当前的地图，而不是对当前地图进行修改，不需要锁
    void  SetMap(std::shared_ptr<Map>map){
        map_=map;
    }

    // 关闭后端线程
    void Stop();

    // 触发地图更新，启动优化 （notify），
    // 主要应该由前端触发，当追踪点少时，添加关键帧并触发更新地图
    void UpdateMap();

private:

    // 后端线程
    void BackendLoop();

    // 对给定关键帧和路标点进行优化
    void Optimize(Map::KeyframesType &keyframes,Map::LandmarksType &landmarks);
    
    std::shared_ptr<Map>map_; //地图
    Camera::Ptr cam_left_ =nullptr , cam_right_=nullptr; // 左右目相机
    std::thread backend_thread_;//后端线程
    std::mutex data_mutex_;//线程锁，与std::unique_lock <std::mutex> lck(mtx)来对变量上锁

    // 线程同步的工具，用于实现线程间的条件变量等待和通知机制。   在多线程编程中，条件变量通常和互斥锁（std::mutex）一起使用，以避免死锁等问题
    //用于对运行中的线程进行管理，wait和notify
    std::condition_variable map_update_;

    // std::atomic 是模板类，一个模板类型为 T 的原子对象中封装了一个类型为 T 的值。
    // 原子类型对象不同线程同时访问不会产生数据竞争。
    std::atomic<bool> backend_running_;//后端是否没有上锁
};

}//namespace MYSLAM
#endif  // MYSLAM_BACKEND_H

后端在构造时，就构建了一个启动优化线程Backend::BackendLoop，并上锁，等待前端唤醒

// 构造函数 启动优化线程并挂起
Backend::Backend(){
    // 创建一个线程，线程执行的函数是BackendLoop，并将this绑定到函数，
    // 即这是this指向的类的成员函数
    backend_running_.store(true);// 设置原子类型值
    backend_thread_ = std::thread(std::bind(&Backend::BackendLoop, this));//上锁,唤醒一个wait的线程
}

然后在前端的InsertKeyframe()插入关键帧的函数里，通过 Backend::UpdateMap() 函数 ，触发地图更新，启动优化：

// 触发地图更新，启动优化
void Backend::UpdateMap(){
    std::unique_lock<std::mutex> lock(data_mutex_);   
    map_update_.notify_one(); // 唤醒一个正在等待的线程
}

 其中的条件变量 map_update_ 被激活，使得Backend::BackendLoop()函数解锁开始运行，分别获取激活关键帧和激活地图点，之后调用执行Optimize()函数执行优化：

// 后端线程
void Backend::BackendLoop(){
    // load读取backend_running的值
    // 实际上当后端在运行时，这是一个死循环函数，但是会等待前端的激活,即前端激活一次，就运行此函数，进行一次后端优化
    while (backend_running_.load())// 读取原子类型值
    {
        std::unique_lock<std::mutex>lock(data_mutex_);
        map_update_.wait(lock);//锁住当前线程
    }

    // 后端仅优化激活的Frames和mappoints
    Map::KeyframesType active_kfs = map_->GetActiveKeyFrames();    // 获取激活关键帧
    Map::LandmarksType active_landmarks =map_->GetActiveMapPoints();    // 获取激活地图点

    Optimize(active_kfs,active_landmarks); //执行优化
}

优化函数：Backend::Optimize():

这里的优化流程 和前端的 EstimateCurrentPose() 函数有点类似，不同的地方是，在前端做这个优化的时候，只有一个顶点，也就是仅有化当前帧位姿这一个变量，因此边也都是一元边。

而在后端优化里面，局部地图中的所有关键帧位姿和地图点都是顶点，边也是二元边，在 g2o_types.h 文件中 class EdgeProjection 的 linearizeOplus()函数中，新增了一项 重投影误差对地图点的雅克比矩阵，见《视觉slam14讲》第二版 187页，公式(7.48)

优化流程依然：

• 步骤一： 创建线性方程求解器，确定分解方法
• 步骤二： 构造线性方程的矩阵块，并用上面定义的线性求解器初始化
• 步骤三： 创建总求解器 solver，并从 GN, LM, DogLeg 中选一个，再用上述块求解器 BlockSolver 初始化
• 步骤四： 创建稀疏优化器（SparseOptimizer）
• 步骤五： 自定义图的顶点和边，并添加到 SparseOptimizer 优化器中
• 步骤六： 设置优化参数，开始执行优化
• 步骤七： 使用卡方检查来剔除外点，同时调整阈值
• 步骤八：迭代优化完成之后，我们把优化估计的pose和地图点给关键帧，并把关键帧对应的异常特征去除，最后返回内点个数。

//后端优化函数
void Backend::Optimize(Map::KeyframesType &keyframes, Map::LandmarksType &landmarks){
    // 设定g2o
    typedef::g2o::BlockSolver_6_3 BlockSolverType;
    typedef::g2o::LinearSolverCSparse<BlockSolverType::PoseMatrixType>LinearSolverType; //线性求解器类型

     // 块求解器BlockSolver
    auto solver = new g2o::OptimizationAlgorithmLevenberg (
        g2o::make_unique<BlockSolverType>( g2o::make_unique<LinearSolverType>()));      // 选择梯度下降法
    g2o::SparseOptimizer optimizer;  //稀疏求解
    optimizer.setAlgorithm(solver);  //设置求解器

    // vertex（优化量 顶点）
    // pose 顶点 使用Keyframe id
    std::map<unsigned long ,VertexPose *>vertices;    // 定义了一个名为vertices的std::map，它的键是unsigned long类型，值是指向位姿VertexPose对象的指针。
    unsigned long max_kf_id = 0;
    //  遍历关键帧,确定第一个顶点
    for(auto &keyframe : keyframes){
        auto kf=keyframe.second;

        VertexPose *vertex_pose=new VertexPose();
        vertex_pose->setId(kf->keyframe_id_);// 定义节点编号
        vertex_pose->setEstimate(kf->Pose());//设置初值
        optimizer.addVertex(vertex_pose);//把节点添加到图中

        if (kf->keyframe_id_>max_kf_id)
        {
            max_kf_id=kf->keyframe_id_;
        }   
        vertices.insert({kf->keyframe_id_,vertex_pose});
    }

    // 路标顶点，使用路标id索引
    std::map<unsigned long, VertexXYZ *> vertices_landmarks;

    // 内参和左右外参
    Mat33 K=cam_left_->K();
    SE3 left_ext =cam_left_->pose();
    SE3 right_ext =cam_right_->pose();

    // edge边
    int index =1 ;
    double chi2_th = 5.991;  // robust kernel 阈值
    std::map<EdgeProjection*,Feature::Ptr>edges_and_features;
    // 每一个landmark均需要建立一条边，所以landmark vertex的定义与edge的定义同步进行
    // 遍历地图点，取出观测到该路标点的特征
    for(auto &landmark : landmarks){
        if (landmark.second->is_outlier_)         //外点不优化
        {
            continue;
        }
        unsigned long landmark_id = landmark.second->id_;        //路标点id
        auto observations=landmark.second->GetObs();// 取出观测到该路标点的特征
        // 再对特征进行遍历，得到该特征所处的帧
        for(auto obs: observations){
            if (obs.lock()=nullptr)
            {
                continue;
            }
            auto feat=obs.lock();
            if (feat->is_outlier_ || feat->frame_.lock() ==nullptr)
            {
                continue;
            }
            auto frame=feat->frame_.lock();
            EdgeProjection *edge=nullptr;

            // 提供内参矩阵K，和初始化的初值
            if (feat->is_on_left_image_)
            {
                edge=new EdgeProjection(K,left_ext);
            }else
            {
                edge=new EdgeProjection(K,right_ext);
            }
            
            // 如果landmark还没有被加入优化，则新加一个顶点
            if (vertices_landmarks.find(landmark_id) == vertices_landmarks.end())
            {
                VertexXYZ *v = new VertexXYZ;
                v->setId(landmark_id + max_kf_id + 1);// 定义节点编号
                v->setEstimate(landmark.second->Pos());//设置初值
                v->setMarginalized(true); //边缘化
                vertices_landmarks.insert({landmark_id, v});
                optimizer.addVertex(v);//把节点添加到图中
            }
            
            // 设置edge的参数
            edge->setId(index);
            edge->setVertex(0,vertices.at(frame->keyframe_id_));// 设置连接的顶点:pose
            edge->setVertex(1, vertices_landmarks.at(landmark_id));  // 设置连接的顶点:landmark
            edge->setMeasurement(toVec2(feat->position_.pt));//传入观测值
            edge->setInformation(Mat22::Identity());// 信息矩阵
            //鲁棒核函数
            auto rk =new g2o::RobustKernelHuber(); 
            rk->setDelta(chi2_th);
            edge->setRobustKernel(rk);

            edges_and_features.insert({edge, feat});

            optimizer.addEdge(edge);//把边添加到图中
            index++;
        }
    }

    // do optimization and eliminate the outliers
    // 执行优化并去除外点
    optimizer.initializeOptimization();// 设置优化初始值
    optimizer.optimize(10);// 设置优化次数
    
    //设置内点和外点数量 
    int cnt_outlier = 0, cnt_inlier = 0;
    int iteration = 0;

    while (iteration<5)
    {
        cnt_outlier = 0;
        cnt_inlier = 0;
        // 统计内点和外点
        for(auto &ef : edges_and_features){
            if (ef.first->chi2()>chi2_th)
            {
                cnt_outlier++;
            }else{
                cnt_inlier++;
            }
        }
        //确保内点占1/2以上，否则调整阈值*2，直到迭代结束
        double inlier_ratio = cnt_inlier/ double(cnt_inlier + cnt_outlier);
        if (inlier_ratio>0.5)
        {
            break;
        }else{
            chi2_th *= 2;
             iteration++;
        }
    }

    // 记录是否为异常特征
    for(auto &ef : edges_and_features){
        if (ef.first->chi2()>chi2_th){
            ef.second->is_outlier_=true;  //记为为异常特征
            // remove the observation
            ef.second->map_point_.lock()->RemoveObservation(ef.second);
        }else{
            ef.second->is_outlier_=false;//记为为正常特征
        }
    }

    LOG(INFO) << "Outlier/Inlier in optimization: " << cnt_outlier << "/"<< cnt_inlier;

    // Set pose and lanrmark position
    for(auto &v: vertices){
        keyframes.at(v.first)->SetPose(v.second->estimate());
    }
    for (auto &v : vertices_landmarks) {
        landmarks.at(v.first)->SetPos(v.second->estimate());
    }
}

 其中我们依然重点关注 步骤五 自定义的顶点和边

顶点（Vertex）

位姿顶点pose 和之前VertexPose的定义一样

// 位姿顶点
class VertexPose : public g2o::BaseVertex<6,SE3>{//优化量的参数模板
    public:
        EIGEN_MAKE_ALIGNED_OPERATOR_NEW;

// 重置，设定被优化变量的原始值
        virtual  void setToOriginImpl() override 
        {
            _estimate =SE3();
        }  

// 更新
        virtual void oplusImpl(const double * update) override
        {
            Vec6 update_eigen;
            update_eigen <<  update[0], update[1], update[2], update[3], update[4], update[5];
            _estimate= SE3::exp(update_eigen) * _estimate; // 左乘更新 SE3 - 旋转矩阵R
        }
// 存盘、读盘
    virtual bool read(std::istream &in) override { return true; }   //存盘
    virtual bool write(std::ostream &out) const override { return true; } //读盘
};

地图点顶点：

class VertexXYZ : public g2o::BaseVertex<3,Vec3>{//优化量的参数模板
    public:
        EIGEN_MAKE_ALIGNED_OPERATOR_NEW;

// 重置，设定被优化变量的原始值
        virtual  void setToOriginImpl() override 
        {
            _estimate =Vec3::Zero();
        }  

// 更新
        virtual void oplusImpl(const double *update) override
        {
            _estimate[0] += update[0];
            _estimate[1] += update[1];
            _estimate[2] += update[2];
        }
// 存盘、读盘
    virtual bool read(std::istream &in) override { return true; }   //存盘
    virtual bool write(std::ostream &out) const override { return true; } //读盘
};

边（edge）

此时为包含地图的二元边，和一元边相比，新增了一项 重投影误差对地图点的雅克比矩阵_jacobianOplusXj，见《视觉slam14讲》第二版 187页，公式(7.48)

//包含地图的二元边
class EdgeProjection : public g2o::BaseBinaryEdge<2,Vec2,VertexPose,VertexXYZ>{
    public:
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW;

// 构造函数,构造时传入相机内外参
    EdgeProjection(const SE3 &cam_ext, const Mat33 &K ): _cam_ext(cam_ext), _K(K) {}

    // 计算雅克比矩阵 
    virtual void computeError() override {
        const VertexPose *v0 = static_cast<VertexPose *>(_vertices[0]);
        const VertexXYZ *v1 = static_cast<VertexXYZ *>(_vertices[1]);
        SE3 T = v0->estimate();
        Vec3 pos_pixel = _K * (_cam_ext * (T * v1->estimate()));   //估计值:T*p,得到相机坐标系下坐标，然后在利用camera2pixel()函数得到像素坐标。
        pos_pixel /= pos_pixel[2];
        _error = _measurement - pos_pixel.head<2>();
    }

    // 计算雅克比矩阵 
    virtual void linearizeOplus() override{
        const VertexPose *v0=static_cast<VertexPose*>(_vertices[0]);
        const VertexXYZ *v1 = static_cast<VertexXYZ *>(_vertices[1]);
        SE3 T = v0->estimate();
        Vec3 pw=v1->estimate();
        Vec3 pos_cam=_cam_ext*T*pw;

        double fx = _K(0, 0);
        double fy = _K(1, 1);
        double X = pos_cam[0];
        double Y = pos_cam[1];
        double Z = pos_cam[2];
        double Zinv = 1.0 / (Z + 1e-18);
        double Zinv2 = Zinv * Zinv;
        //2*6的雅克比矩阵
        _jacobianOplusXi << -fx * Zinv, 0, fx * X * Zinv2, fx * X * Y * Zinv2,
            -fx - fx * X * X * Zinv2, fx * Y * Zinv, 0, -fy * Zinv,
            fy * Y * Zinv2, fy + fy * Y * Y * Zinv2, -fy * X * Y * Zinv2,
            -fy * X * Zinv;
        //P187 (7.48) 的雅克比矩阵
        _jacobianOplusXj = _jacobianOplusXi.block<2, 3>(0, 0) *
                           _cam_ext.rotationMatrix() * T.rotationMatrix();
    }
        // 读操作
    virtual bool read(std::istream &in) override { return true; }
    // 写操作
    virtual bool write(std::ostream &out) const override { return true; }

    private:
        SE3 _cam_ext;
        Mat33 _K;
};

优化函数通过最后重新设置这些关键帧的pose和地图点的pose，将后端优化的结果反馈给了前端，至此，后端优化过程结束！