Ceres-Solver学习笔记(1)

Ceres-Solver是google出的解决非线性最小二乘问题的库，非线性最小二乘问题具有如下形式： 
 
ρi(∥fi(xi1,…,xik)∥2)是我们所说的残差，fi(⋅)在Ceres中叫做CostFunction，ρi(⋅)叫做LossFunction，用来剔除异常值影响。

Ceres最简单的应用，其他博主的博客中已经有很好的说明， Ceres-Solver库入门

这里做一个小的总结：

1. 对于AutoDiffCostFunction类型的CostFunction，我们构造一个结构体，重写template operator()，注意类型为模板类型，重新定义了（）函数，将结构体作为AutoDiffCostFunction的参数。

   // structstruct CostFunctor {   template <typename T>   bool operator()(const T* const x, T* residual) const {     residual[0] = T(10.0) - x[0];     return true;   }};// make CostFunctionCostFunction* cost_function = new AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);problem.AddResidualBlock(cost_function, NULL, &x);
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12

2. 对于NumericDiffCostFunction类型的CostFunction，与AutoDiffCostFunction类似，只不过将结构体的接收类型不再是模板类型，用double类型代替了模板类型。

   // structstruct NumericDiffCostFunctor {  bool operator()(const double* const x, double* residual) const {    residual[0] = 10.0 - x[0];    return true;  }};// make CostFunctionCostFunction* cost_function =new NumericDiffCostFunction<NumericDiffCostFunctor, ceres::CENTRAL, 1, 1>(  new NumericDiffCostFunctor);problem.AddResidualBlock(cost_function, NULL, &x);
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12

   谷歌推荐类型为AutoDiffCostFunction，C++模板的使用使得AutoDiff效率更高，而数值的差花费更多，容易出现数字错误，导致收敛速度变慢。

3. 在有些情况下，不使用AutoDiffCostFunction，例如我们用近似的方式计算导数，而不是用AutoDiff的链式法则，我们需要自己的残差和Jacobin计算。这时我们定义一个CostFunction或者SizedCostFunction的子类。

   class QuadraticCostFunction : public ceres::SizedCostFunction<1, 1> { public:  virtual ~QuadraticCostFunction() {}  virtual bool Evaluate(double const* const* parameters,                        double* residuals,                        double** jacobians) const {    const double x = parameters[0][0];    residuals[0] = 10 - x;    // Compute the Jacobian if asked for.    if (jacobians != NULL && jacobians[0] != NULL) {      jacobians[0][0] = -1;    }    return true;  }};
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16

   SimpleCostFunction::Evaluate 提供一个 parameters 数组作为输入, 输出 residuals 数组作为残差 ，输出数组 jacobians来显示Jacobians. jacobians是一个可选项，Evaluate检查他是否为 non-null，如果非空，就用残差方程的导数来填充他，因为残差方程是线性的，所以jacobians是常数。（输出惨差和jacobians怎么用？ 如何构建CostFunction？）

4. 对于有多个残差的情况，我们可以构建多个AutoDiffCostFunction，例如 
   

   f1(x)f2(x)f3(x)f4(x)F(x)=x1+10x2=5√(x3−x4)=(x2−2x3)2=10−−√(x1−x4)2=[f1(x), f2(x), f3(x), f4(x)]

       // struct     /* struct F1 F2 F3 is omited */    struct F4 {      template <typename T>      bool operator()(const T* const x1, const T* const x4, T* residual) const {        residual[0] = T(sqrt(10.0)) * (x1[0] - x4[0]) * (x1[0] - x4[0]);        return true;      }    };    // make CostFunction    problem.AddResidualBlock(      new AutoDiffCostFunction<F1, 1, 1, 1>(new F1), NULL, &x1, &x2);    problem.AddResidualBlock(      new AutoDiffCostFunction<F2, 1, 1, 1>(new F2), NULL, &x3, &x4);    problem.AddResidualBlock(      new AutoDiffCostFunction<F3, 1, 1, 1>(new F3), NULL, &x2, &x3)    problem.AddResidualBlock(      new AutoDiffCostFunction<F4, 1, 1, 1>(new F4), NULL, &x1, &x4);
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18

5. AddResidualBlock函数是一个模板函数，模板参数为”CostFunction,LossFunction,param1,param2,…”,LossFunction可以为NULL，表示不使用LossFunction，param最多有10个。

接下来会对Ceres例程做一下学习。