对g2o的理解和学习（基于slamEng.cpp）

最新推荐文章于 2024-03-15 13:53:25 发布

原创

最新推荐文章于 2024-03-15 13:53:25 发布 · 2k 阅读

20 ·

CC 4.0 BY-SA版权

文章标签：

#g2o #slam

本文详细介绍了g2o库在SLAM中的应用，包括图优化理论、g2o代码解析，以及如何使用g2o进行图优化。通过实例展示了如何选择优化方法，初始化求解器，构建图模型，并进行优化。g2o默认使用四元数和平移向量表示位姿，通过设置信息矩阵来衡量不确定性。

图优化理论

图优化，就是把优化问题表现成图(Graph)的一种方式，一个图由若干顶点(Vertex)以及连接这些顶点的边(Edge)构成。
用顶点表示优化变量，用边表示误差项。
对任意一个上述形式的非线性最小二乘问题，我们可以构建与之对应的一个图。
g2o默认使用四元数和平移向量表达位姿。

g2o代码解析（来自slamEnd.cpp）

// 选择优化方法
typedef g2o::BlockSolver<g2o::BlockSolverTraits<6,3> > SlamBlockSolver;
// 选择一个线性方程求解器LinearSolver：这里选择的是CSparse，每个误差项优化变量维度为6，误差值维度为3；即６为pose的维度，３表示landmark的维度
typedef g2o::LinearSolverCSparse< SlamBlockSolver::PoseMatrixType > SlamLinearSolver;
// 初始化求解器
std::unique_ptr linearSolver ( new SlamLinearSolver());
linearSolver->setBlockOrdering( false );
//选择一个块求解器blockSolver：块求解器是包含线性求解器的存在，之所以是包含，是因为块求解器会构建好线性求解器所需要的矩阵块（也就是H和b）
std::unique_ptr blockSolver ( new SlamBlockSolver ( std::move(linearSolver)));
//选择一个迭代策略OptimizationAlgorithmL：这