SLAM图优化g2o

SLAM图优化g2o

图优化g2o框架

图优化的英文是 graph optimization 或者 graph-based optimization， “图”其实是数据结构中的graph。凸优化的英文是 convex optimization，这里的“凸”其实是凸函数的意思，所以单从英文就能区分开。

图优化有什么优势？

SLAM的后端一般分为两种处理方法，一种是以扩展卡尔曼滤波（EKF）为代表的滤波方法，一种是以图优化为代表的非线性优化方法。SLAM研究的主流热点几乎都是基于图优化。

滤波方法尤其是EKF方法，在SLAM发展很长的一段历史中一直占据主导地位，早期的大神们研究了各种各样的滤波器来改善滤波效果，SLAM，EKF是必须要掌握的。滤波方法的优缺点：

优点：在计算资源受限、待估计量比较简单的情况下，EKF为代表的滤波方法比较有效，经常用在激光SLAM中。

缺点：存储量和状态量是平方增长关系，存储的是协方差矩阵，不适合大型场景。基于视觉的SLAM方案，路标点（特征点）数据很大，滤波方法根本吃不消，所以此时滤波的方法效率非常低。

图优化在视觉SLAM中效率很高吗？

以前都是用滤波方法，因为在图优化里，Bundle Adjustment（后面简称BA）起到了核心作用。大量特征点和相机位姿的BA计算量其实很大，根本没办法实时。

在视觉SLAM中，虽然包含大量特征点和相机位姿，其实BA是稀疏的，稀疏的就好办了，就可以加速了啊！比较代表性的就是2009年，几个大神发表了自己的研究成果《SBA：A software package for generic sparse bundle adjustment》，而且计算机硬件发展也很快，因此基于图优化的视觉SLAM也可以实时了！

图优化是什么？

图优化里的图就是数据结构里的图，一个图由若干个顶点（vertex），以及连接这些顶点的边（edge）组成。

比如一个机器人在房屋里移动，在某个时刻 t 的位姿（pose）就是一个顶点，这个也是待优化的变量。而位姿之间的关系就构成了一个边，比如时刻 t 和时刻 t+1 之间的相对位姿变换矩阵就是边，边通常表示误差项。

在SLAM里，图优化一般分解为两个任务：

1、构建图。机器人位姿作为顶点，位姿间关系作为边。

2、优化图。调整机器人的位姿（顶点）来尽量满足边的约束，使得误差最小。

根据机器人位姿来作为图的顶点，这个位姿可以来自机器人的编码器，也可以是ICP匹配得到的，图的边就是位姿之间的关系。由于误差的存在，实际上机器人建立的地图是不准的，如下图左。通过设置边的约束，使得图优化向着满足边约束的方向优化，最后得到了一个优化后的地图（如下图中所示），与真正的地图（下图右）非常接近。

g2o 框架

图优化如何编程实现呢？

在SLAM领域，基于图优化的一个用的非常广泛的库就是g2o，是General Graphic Optimization 的简称，是一个用来优化非线性误差函数的c++框架。

这个g2o怎么用呢？

先安装，其实g2o安装很简单，参考GitHub上官网：

https://github.com/RainerKuemmerle/g2o

按照步骤来安装就行了。需要注意的是安装之前确保电脑上已经安装好了第三方依赖。

第一次接触g2o，确实有这种感觉，而且官网文档写的也比较“不通俗不易懂”，不过如果理顺了框架，再去看代码，应该很快能够入手了。

g2o实现了很多内部的算法，在进行构造的时候，需要遵循一些规则，毕竟一个程序不可能满足所有的要求，g2o的使用中还是应该多看多记，这样才能更好的使用这个库。

首先看一下下面这个图，是g2o的基本框架结构。看图的时候要注意箭头类型。

1、图的核心

要知道这个图中哪个最重要，就去看看箭头源头在哪里

最左侧的SparseOptimizer？SparseOptimizer是整个图的核心，右上角的 is-a 实心箭头，这个SparseOptimizer是一个Optimizable Graph，从而也是一个超图（HyperGraph）。

2、顶点和边

先来看上面的结构。has-many 箭头，这个超图包含了许多顶点（HyperGraph::Vertex）和边（HyperGraph::Edge）。而这些顶点继承自 Base Vertex，也就是OptimizableGraph::Vertex，而边可以继承自 BaseUnaryEdge（单边）, BaseBinaryEdge（双边）或BaseMultiEdge（多边），都称为OptimizableGraph::Edge

顶点和边在编程中很重要的，看底部的结构。

3、配置SparseOptimizer的优化算法和求解器

整个图的核心SparseOptimizer 包含一个优化算法（OptimizationAlgorithm）的对象。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（常用的是GN和LM）

GN和LM就是非线性优化方法中常用的两种。

4、如何求解

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 ，用于计算稀疏的雅可比和Hessian矩阵；一个是线性方程的求解器（LinearSolver），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，上面图的一个简单理解。

g2o编程流程

从底层开始搭建框架一直到顶层。g2o的整个框架就是按照下图中标的这个顺序来写的。

SLAM十四讲中g2o求解曲线参数的例子来说明，源代码地址

https://github.com/gaoxiang12/slambook/edit/master/ch6/g2o_curve_fitting/main.cpp

为了方便理解，重新加了注释。如下所示，

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。

1、创建一个线性求解器LinearSolver

增量方程的形式是：H△X=-b，通常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。

需要一些特殊的方法对矩阵进行求逆，看下图是GitHub上g2o相关部分的代码

可以分别查看每个方法的解释。

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LinearSolver

2、创建BlockSolver。并用上面定义的线性求解器初始化。

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

BlockSolver有两种定义方式

一种是指定的固定变量的solver，定义

 using BlockSolverPL = BlockSolver< BlockSolverTraits<p, l> >;

其中p代表pose的维度（注意一定是流形manifold下的最小表示），l表示landmark的维度

另一种是可变尺寸的solver，定义如下

using BlockSolverX = BlockSolverPL<Eigen::Dynamic, Eigen::Dynamic>;

为何会有可变尺寸的solver呢？

这是因为在某些应用场景， Pose和Landmark在程序开始时并不能确定，此时这个块状求解器就没办法固定变量，此时使用这个可变尺寸的solver，所有的参数都在中间过程中被确定

看block_solver.h的最后，预定义了比较常用的几种类型，如下所示：

BlockSolver_6_3 ：表示pose 是6维，观测点是3维。用于3D SLAM中的BA

BlockSolver_7_3：在BlockSolver_6_3 的基础上多了一个scale

BlockSolver_3_2：表示pose 是3维，观测点是2维

以后遇到了知道这些数字是什么意思就行了

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

g2o/g2o/core/ 目录下， Solver的优化方法有三种：分别是高斯牛顿（GaussNewton）法，LM（Levenberg–Marquardt）法、Dogleg法，如下图所示，也和前面的图相匹配

上图最后那个OptimizationAlgorithmWithHessian 是干嘛的？

GN、 LM、 Doglet算法内部，都继承自同一个类：OptimizationWithHessian，如下图所示，这也和最前面那个图是相符。

看 OptimizationAlgorithmWithHessian，继承自OptimizationAlgorithm，这也和前面的相符。

总之，在该阶段，可以选三种方法：

g2o::OptimizationAlgorithmGaussNewton

g2o::OptimizationAlgorithmLevenberg 

g2o::OptimizationAlgorithmDogleg 

4、创建终极大boss 稀疏优化器（SparseOptimizer），用已定义求解器作为求解方法。

创建稀疏优化器

g2o::SparseOptimizer    optimizer;

用前面定义好的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)

看一下定义

5、定义图的顶点和边。并添加到SparseOptimizer中。

这部分比较复杂，不展开介绍。

6、设置优化参数，开始执行优化。

设置SparseOptimizer的初始化、迭代次数、保存结果等。

初始化

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

设置迭代次数，然后就开始执行图优化了。

SparseOptimizer::optimize(int iterations, bool online)