标签：let 输出 比较 需要 增量 def measure ott 地方
(一)简介:
g2o简称General Graphic Optimization,是一个用来优化非线性误差函数的c++框架
(二)g2o基本框架
1: SparseOptimizer
SparseOptimizer是整个图的核心，我们注意右上角的 is-a 实心箭头，这个SparseOptimizer它是一个Optimizable Graph，从而也是一个超图（HyperGraph)
其中超图(HyperGraph)包括多个边与顶点;SparseOptimizer包括一个优化算法
2: 定点与边
这个超图包含了许多顶点（HyperGraph::Vertex）和边（HyperGraph::Edge）。而这些顶点顶点继承自 Base Vertex，也就是OptimizableGraph::Vertex，而边可以继承自 BaseUnaryEdge（单边）, BaseBinaryEdge（双边）或BaseMultiEdge（多边），它们都叫做OptimizableGraph::Edge
3: 设置非线性优化的下降策略
OptimizationAlgorithm是通过OptimizationWithHessian 来实现的。其中迭代策略可以从Gauss-Newton（高斯牛顿法，简称GN）, Levernberg-Marquardt（简称LM法）, Powell‘s dogleg 三者中间选择一个（我们常用的是GN和LM）
4: 增量方程求解器
OptimizationWithHessian 内部包含一个求解器（Solver），这个Solver实际是由一个BlockSolver组成的。这个BlockSolver有两个部分，一个是SparseBlockMatrix ,利用增量方程系数的稀疏性进行求解；一个是线性方程的求解器（LinearSolver），它用于计算迭代过程中最关键的一步HΔx=−b，LinearSolver有几种方法可以选择：PCG, CSparse, Choldmod
(三)g2o的编程顺序
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 // 第1步：创建一个线性求解器LinearSolver Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>(); // 第2步：创建BlockSolver。并用上面定义的线性求解器初始化 Block* solver_ptr = new Block( linearSolver ); // 第3步：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 g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr ); // 第4步：创建终极大boss 稀疏优化器（SparseOptimizer） g2o::SparseOptimizer optimizer; // 图模型 optimizer.setAlgorithm( solver ); // 设置求解器 optimizer.setVerbose( true ); // 打开调试输出 // 第5步：定义图的顶点和边。并添加到SparseOptimizer中 CurveFittingVertex* v = new CurveFittingVertex(); //往图中增加顶点 v->setEstimate( Eigen::Vector3d(0,0,0) ); v->setId(0); optimizer.addVertex( v ); for ( int i=0; i<N; i++ ) // 往图中增加边 { 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 ); } // 第6步：设置优化参数，开始执行优化 optimizer.initializeOptimization(); optimizer.optimize(100);
结合上面的流程图和代码。下面一步步解释具体步骤。
3.1: 创建一个线性求解器LinearSolver
我们要求的增量方程的形式是：H△X=-b，通常情况下想到的方法就是直接求逆，也就是△X=-H.inv*b。看起来好像很简单，但这有个前提，就是H的维度较小，此时只需要矩阵的求逆就能解决问题。但是当H的维度较大时，矩阵求逆变得很困难，求解问题也变得很复杂。
此时我们就需要一些特殊的方法对矩阵进行求逆，下图是GitHub上g2o相关部分的代码:
如果你点进去看，可以分别查看每个方法的解释，如果不想挨个点进去看，看看下面的总结就行了:
LinearSolverCholmod ：使用sparse cholesky分解法。继承自LinearSolverCCS
LinearSolverCSparse：使用CSparse法。继承自LinearSolverCCS
LinearSolverPCG ：使用preconditioned conjugate gradient 法，继承自LinearSolver
LinearSolverDense ：使用dense cholesky分解法。继承自LinearSolver
LinearSolverEigen： 依赖项只有eigen，使用eigen中sparse Cholesky 求解，因此编译好后可以方便的在其他地方使用，性能和CSparse差不多。继承自LinearSolve
3.2: 利用上面的线性求解器来初始化BlockSolver
BlockSolver 内部包含 LinearSolver，用上面我们定义的线性求解器LinearSolver来初始化。它的定义在如下文件夹内：
g2o/g2o/core/block_solver.h
3.3: 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
我们来看g2o/g2o/core/ 目录下，发现Solver的优化方法有三种：分别是高斯牛顿（GaussNewton）法，LM（Levenberg–Marquardt）法、Dogleg法，也和前面的图相匹配;
点进去 GN、 LM、 Doglet算法内部，会发现他们都继承自同一个类：OptimizationWithHessian;点进去看 OptimizationAlgorithmWithHessian，发现它又继承自OptimizationAlgorithm
总之,我们可以使用这个阶段可以使用下面三种方法:
g2o::OptimizationAlgorithmGaussNewton
g2o::OptimizationAlgorithmLevenberg
g2o::OptimizationAlgorithmDogleg
3.4: 创建终极大boss 稀疏优化器（SparseOptimizer），并用已定义求解器作为求解方法
SparseOptimizer::setAlgorithm(OptimizationAlgorithm* algorithm)
其中setVerbose是设置优化过程输出信息用的:
SparseOptimizer::setVerbose(bool verbose)
不信我们来看一下它的定义:
3.5: 设置定点与边
这部分比较复杂，下一篇介绍。
3.6: 设置优化参数,执行优化
SparseOptimizer::initializeOptimization(HyperGraph::EdgeSet& eset)
SparseOptimizer::optimize(int iterations, bool online)
摘抄: https://mp.weixin.qq.com/s/j9h9lT14jCu-VvEPHQhtBw
标签：let 输出 比较 需要 增量 def measure ott 地方
原文地址：https://www.cnblogs.com/npulzb/p/11638540.html
