SLAM从0到1——图优化g2o：从看懂代码到动手编写（长文）

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(); 

/*************** 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：创建图优化的核心：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{  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::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);    //设置迭代次数

// 固定变量的solver。p代表pose的维度（是流形manifold下的最小表示），l表示landmark的维度using BlockSolverPL = BlockSolver< BlockSolverTraits >;
// 可变尺寸的solver。Pose和Landmark在程序开始时并不能确定，所有参数都在中间过程中被确定。using BlockSolverX = BlockSolverPL;

g2o::SparseOptimizer  optimizer;

SparseOptimizer::setAlgorithm(OptimizationAlgorithm* algorithm)；

SparseOptimizer::setVerbose(bool verbose)；

SparseOptimizer::initializeOptimization(HyperGraph::EdgeSet& eset)；

SparseOptimizer::optimize(int iterations,bool online)；

static const int Dimension = D; ///< dimension of the estimate (minimal) in the manifold spacetypedef T EstimateType;EstimateType _estimate;

ertexSE2 : public BaseVertex<3, SE2>  //2D pose Vertex, (x,y,theta)
VertexSE3 : public BaseVertex<6, Isometry3> //Isometry3使欧式变换矩阵T，实质是4*4矩阵//6d vector (x,y,z,qx,qy,qz) (note that we leave out the w part of the quaternion)
VertexPointXY : public BaseVertex<2, Vector2>VertexPointXYZ : public BaseVertex<3, Vector3>VertexSBAPointXYZ : public BaseVertex<3, Vector3>
// SE3 Vertex parameterized internally with a transformation matrix and externally with its exponential mapVertexSE3Expmap : public BaseVertex<6, SE3Quat>
// SBACam Vertex, (x,y,z,qw,qx,qy,qz),(x,y,z,qx,qy,qz) (note that we leave out the w part of the quaternion.// qw is assumed to be positive, otherwise there is an ambiguity in qx,qy,qz as a rotationVertexCam : public BaseVertex<6, SBACam>
// Sim3 Vertex, (x,y,z,qw,qx,qy,qz),7d vector,(x,y,z,qx,qy,qz) (note that we leave out the w part of the quaternion.VertexSim3Expmap : public BaseVertex<7, Sim3>

virtual bool read(std::istream& is);virtual bool write(std::ostream& os) const;// 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
virtual void oplusImpl(const number_t* update);//顶点更新函数
virtual void setToOriginImpl();//顶点重置函数，设定被优化变量的原始值。

class myVertex: public g2o::BaseVertex  {      public:      EIGEN_MAKE_ALIGNED_OPERATOR_NEW
      myVertex(){}
      virtual void read(std::istream& is) {}      virtual void write(std::ostream& os) const {}
      virtual void setOriginImpl(){          _estimate = Type();      }      virtual void oplusImpl(const double* update) override{          _estimate += update;      }  }

class CurveFittingVertex: public g2o::BaseVertex<3, Eigen::Vector3d>{    public:    EIGEN_MAKE_ALIGNED_OPERATOR_NEW  // 字节对齐
    virtual void setToOriginImpl() // 重置，设定被优化变量的原始值{        _estimate << 0,0,0;    }
    virtual void oplusImpl( const double* update ) // 更新{        _estimate += Eigen::Vector3d(update);   //update强制类型转换为Vector3d    }    // 存盘和读盘：留空    virtual bool read( istream& in ) {}    virtual bool write( ostream& out ) const {}};

CurveFittingVertex* v = new CurveFittingVertex();v->setEstimate( Eigen::Vector3d(0,0,0) )；// 设定初始值v->setId(0);                               // 定义节点编号optimizer.addVertex( v );                  // 把节点添加到图中

BaseBinaryEdge<2, Vector2D, VertexSBAPointXYZ, VertexSE3Expmap>

virtual bool read(std::istream& is);virtual bool write(std::ostream& os) const;// 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
virtual void computeError();// 非常重要，是使用当前顶点值计算的测量值与真实测量值之间的误差
virtual void linearizeOplus();// 非常重要，是在当前顶点的值下，该误差对优化变量的偏导数，也就是Jacobian矩阵

_measurement；// 存储观测值_error;  // 存储computeError() 函数计算的误差_vertices[]; // 存储顶点信息，比如二元边，_vertices[]大小为2//存储顺序和调用setVertex(int, vertex) 和设定的int有关（0或1）
setId(int);  // 定义边的编号（决定了在H矩阵中的位置）setMeasurement(type);  // 定义观测值setVertex(int, vertex);  // 定义顶点setInformation();  // 定义协方差矩阵的逆

class myEdge: public g2o::BaseBinaryEdge  {      public:      EIGEN_MAKE_ALIGNED_OPERATOR_NEW      
      myEdge(){}           virtual bool read(istream& in) {}      virtual bool write(ostream& out) const {}            virtual void computeError() override{          // ...          _error = _measurement - Something;      }    
      virtual void linearizeOplus() override  // 求误差对优化变量的偏导数，雅克比矩阵{          _jacobianOplusXi(pos, pos) = something;          // ...                   /*          _jocobianOplusXj(pos, pos) = something;          ...          */      }            private:      data  }

// （误差）边的模型    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 (_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) ) ;    }    virtual bool read( istream& in ) {}    virtual bool write( ostream& out ) const {}public:    double _x;  // x 值， y 值为 _measurement};

//继承自BaseBinaryEdge类，观测值2维，类型Vector2D,顶点分别是三维点、李群位姿class G2O_TYPES_SBA_API EdgeProjectXYZ2UV : public               BaseBinaryEdge<2, Vector2D, VertexSBAPointXYZ, VertexSE3Expmap>{public:    EIGEN_MAKE_ALIGNED_OPERATOR_NEW;
//1. 默认初始化    EdgeProjectXYZ2UV();
//2. 计算误差void computeError()  {//李群相机位姿v1const VertexSE3Expmap* v1 = static_cast(_vertices[1]);// 顶点v2const VertexSBAPointXYZ* v2 = static_cast(_vertices[0]);//相机参数const CameraParameters * cam        = static_cast(parameter(0));//误差计算，测量值减去估计值，也就是重投影误差obs-cam//估计值计算方法是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。Vector2D obs(_measurement);      _error = obs - cam->cam_map(v1->estimate().map(v2->estimate()));    }
//3. 线性增量函数，也就是雅克比矩阵J的计算方法virtual void linearizeOplus();
//4. 相机参数    CameraParameters * _cam; bool read(std::istream& is);bool write(std::ostream& os) const;};

_error = obs - cam->cam_map(v1->estimate().map(v2->estimate()));//误差=观测-投影

// 往图中增加边    for ( int i=0; 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::Matrix1,1>::Identity()*1/(w_sigma*w_sigma) ); // 信息矩阵：协方差矩阵之逆        optimizer.addEdge( edge );    }

index = 1;for ( const Point2f p:points_2d ){    g2o::EdgeProjectXYZ2UV* edge = new g2o::EdgeProjectXYZ2UV();    edge->setId ( index );  // 边的b编号    edge->setVertex ( 0, dynamic_cast ( optimizer.vertex ( index ) ) );    edge->setVertex ( 1, pose );    edge->setMeasurement ( Eigen::Vector2d ( p.x, p.y ) );  // 设置观测的特征点图像坐标    edge->setParameterId ( 0,0 );    edge->setInformation ( Eigen::Matrix2d::Identity() );    optimizer.addEdge ( edge );    index++;}