前言

上一篇博客构建了线约束和面约束，添加到了残差模块。
ALOAM：后端 lasermapping构建角点约束与面点约束

本片主要介绍通过ceres构建的约束的CostFuction，及后续的通过Ceres进行位姿优化

角点的约束添加在这个地方
在这里插入图片描述
这里的CostFunction是通过LidarEdgeFactor自定义的结构体建立的
和前端里程计用的角点约束是一样的在这篇博客中做了分析
原理就是求当前点到a、b点构成的直线的距离作为残差

面点的约束添加在这个地方
在这里插入图片描述
输入参数有：

  • curr_point 当前点
  • norm 归一化得平面法向量
  • negative_OA_dot_norm 法向量模的倒数

代码分析

然后可以分析 这个 LidarPlaneNormFactor 自定义的结构体了

struct LidarPlaneNormFactor
{

    LidarPlaneNormFactor(Eigen::Vector3d curr_point_, Eigen::Vector3d plane_unit_norm_,
                         double negative_OA_dot_norm_) : curr_point(curr_point_), plane_unit_norm(plane_unit_norm_),
                                                         negative_OA_dot_norm(negative_OA_dot_norm_) {}

构造函数，通过生成结构体时的参数，初始化三个变量，和上面的三个是一样的

  • curr_point 当前点
  • plane_unit_norm 归一化得平面法向量
  • negative_OA_dot_norm 法向量模的倒数
    template <typename T>
    bool operator()(const T *q, const T *t, T *residual) const
    {

在前面说了分析Ceres的costfunction重点就是看这个重载（）函数
参数模块在前，残差在后

Eigen::Quaternion<T> q_w_curr{q[3], q[0], q[1], q[2]};

把q转成 eigen的形式

Eigen::Matrix<T, 3, 1> t_w_curr{t[0], t[1], t[2]};

把t转成 eigen的形式

Eigen::Matrix<T, 3, 1> cp{T(curr_point.x()), T(curr_point.y()), T(curr_point.z())};

当前点 转成 eigen 的形式

        Eigen::Matrix<T, 3, 1> point_w;//当前点投影到局部地图坐标系下的点
        point_w = q_w_curr * cp + t_w_curr;//将当前点投影到局部地图坐标系下

q_w_curr和t_w_curr是当前帧到局部地图的位姿变换
上面的操作将当前点投影到局部地图上

        Eigen::Matrix<T, 3, 1> norm(T(plane_unit_norm.x()), T(plane_unit_norm.y()), T(plane_unit_norm.z()));
        residual[0] = norm.dot(point_w) + T(negative_OA_dot_norm);//求点到平面的距离

第一行就是把法向量转成eigen的形式
第二行就是求点到平面的距离
dot就是点乘，求解和前面说的一样
在这里插入图片描述
残差可以不取模，因为在ceres里面会平方的。

        return true;
    }

最后重载函数返回true即可

    static ceres::CostFunction *Create(const Eigen::Vector3d curr_point_, const Eigen::Vector3d plane_unit_norm_,
                                       const double negative_OA_dot_norm_)
    {
        return (new ceres::AutoDiffCostFunction<
                LidarPlaneNormFactor, 1, 4, 3>(
            new LidarPlaneNormFactor(curr_point_, plane_unit_norm_, negative_OA_dot_norm_)));
    }

定义一个Creat函数，在里面实现AutoDiffCostFunction的定义，最后返回一个CostFunction

之后可以回到后端处理cpp—-lasermapping.cpp中，在前面的博客添加了角点和面点约束，在上面分析了CostFunction，下面就是调用Ceres求解了

                    // 调用Ceres求解
                    TicToc t_solver;
                    ceres::Solver::Options options;
                    options.linear_solver_type = ceres::DENSE_QR;//稠密的问题 用DENSE_QR的求解方式
                    options.max_num_iterations = 4;//最大迭代次数
                    options.minimizer_progress_to_stdout = false;
                    options.check_gradients = false;
                    options.gradient_check_relative_precision = 1e-4;
                    ceres::Solver::Summary summary;
                    ceres::Solve(options, &problem, &summary);//求解
                    printf("mapping solver time %f ms \n", t_solver.toc());//一次ceres求解的时间

就是Ceres的常规操作了， 由于涉及局部地图了，属于稠密问题，所以求解方式使用的DENSE_QR求解。最大迭代次数为4次。在终端打印一次ceres求解的时间。

Ceres优化时间测试

这优化过程中，在终端设置了这些的打印信息
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
分别是：

  • 构建角点和面点约束的时间
  • 一次ceres求解的时间
  • 两次迭代优化用的时间

在这篇ALOAM:gazebo仿真测试场景搭建中搭建了测试场景，下面来测试下Ceres的优化时间是多少

场景是这样的，角点和面点很丰富
在这里插入图片描述

这个是ALOAM出的地图（AGV没动）
在这里插入图片描述
终端打印的数据（一帧）
在这里插入图片描述
局部地图提取的时间是0.12ms
局部地图中的角点数为1061 面点数是682
建立kd-tree的时间为0.20ms
构建角点和面点约束的时间为 1.59ms
一次ceres求解的时间为 1.75ms
两次迭代优化用的时间 为 7.04ms