自动驾驶SLAM技术第四章习题2

这篇具有很好参考价值的文章主要介绍了自动驾驶SLAM技术第四章习题2。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

在g2o的基础上改成ceres优化,高博都写好了其他的部分, 后面改ceres就很简单了. 这块我用的是ceres的自动求导,很方便,就是转化为模板仿函数的时候有点麻烦, 代码部分如下

ceres_type.h : ceres优化核心库的头文件

这个文件写的内容ceres优化的残差块. 把i, j时刻的状态都写成15维的数组, 顺序是r,p,v,bg,ba. 每个元素都是3维的, 所以r 部分涉及到R->r转换, sophus都实现好了.

/**
 * @file ceres_types.cc
 * @author Frank Zhang (tanhaozhang@connect.polyu.hk)
 * @brief 
 * @version 0.1
 * @date 2023-08-15
 * 
 * @copyright Copyright (c) 2023
 * 
 */

#ifndef SLAM_IN_AUTO_DRIVING_CH4_CERES_TYPE_H_
#define SLAM_IN_AUTO_DRIVING_CH4_CERES_TYPE_H_

#include <glog/logging.h>

#include "common/eigen_types.h"
#include "ceres/ceres.h"
#include "thirdparty/sophus/sophus/so3.hpp"
#include "ch4/imu_preintegration.h"

namespace sad
{

namespace ceres_optimization
{
  class PreintegrationCostFunctionCore {
    public:
     PreintegrationCostFunctionCore(std::shared_ptr<sad::IMUPreintegration> imu_preinit, const Eigen::Vector3d gravaty)
         : preinit_(imu_preinit), dt_(imu_preinit->dt_), grav_(gravaty) {}
     template <typename T>
     bool operator()(const T* const i, const T* const j, T* residual) const {
        Eigen::Matrix<T, 3, 1> r_i(i[0], i[1], i[2]);
        Eigen::Matrix<T, 3, 1> r_j(j[0], j[1], j[2]);
        Eigen::Matrix<T, 3, 1> p_i(i[3], i[4], i[5]);
        Eigen::Matrix<T, 3, 1> p_j(j[3], j[4], j[5]);
        Eigen::Matrix<T, 3, 1> v_i(i[6], i[7], i[8]);
        Eigen::Matrix<T, 3, 1> v_j(j[6], j[7], j[8]);
        Eigen::Matrix<T, 3, 1> bg(i[9], i[10], i[11]);
        Eigen::Matrix<T, 3, 1> ba(i[12], i[13], i[14]);

        Sophus::SO3<double> dR = preinit_->GetDeltaRotation(preinit_->bg_);

        Eigen::Matrix<double, 3, 1> dvd = preinit_->GetDeltaVelocity(preinit_->bg_, preinit_->ba_);
        Eigen::Matrix<T, 3, 1> dv(T(dvd.x()), T(dvd.y()), T(dvd.z()));
        Eigen::Matrix<double, 3, 1> dpd = preinit_->GetDeltaPosition(preinit_->bg_, preinit_->ba_);
        Eigen::Matrix<T, 3, 1> dp(T(dpd.x()), T(dpd.y()), T(dpd.z()));
      
        Sophus::SO3<T, 0> R_i = Sophus::SO3<T, 0>::exp(r_i);
        Sophus::SO3<T, 0> R_j = Sophus::SO3<T, 0>::exp(r_j);

        Eigen::Matrix<T, 3, 1> grav(T(grav_.x()), T(grav_.y()), T(grav_.z()));

        Eigen::Matrix<T, 3, 1> er = (dR.inverse() * R_i.inverse() * R_j).log();
        Eigen::Matrix<T, 3, 3> RiT = R_i.matrix();
        Eigen::Matrix<T, 3, 1> ev = RiT * (v_j - v_i - grav * T(dt_)) - dv;
        Eigen::Matrix<T, 3, 1> ep = RiT * (p_j - p_i - v_i * T(dt_) - grav * T(dt_) * T(dt_) * T(0.5)) - dp;
        residual[0] = T(er[0]);
        residual[1] = T(er[1]);
        residual[2] = T(er[2]);
        residual[3] = T(ev[0]);
        residual[4] = T(ev[1]);
        residual[5] = T(ev[2]);
        residual[6] = T(ep[0]);
        residual[7] = T(ep[1]);
        residual[8] = T(ep[2]);
        return true;
    }

    private:
    const double dt_;
    std::shared_ptr<sad::IMUPreintegration> preinit_ = nullptr;
    const Eigen::Vector3d grav_;
  };

  ceres::CostFunction* CreatePreintegrationCostFunction(std::shared_ptr<sad::IMUPreintegration> imu_preinit, const Eigen::Vector3d gravaty) {
    return new ceres::AutoDiffCostFunction<PreintegrationCostFunctionCore, 9, 15, 15>(new PreintegrationCostFunctionCore(imu_preinit, gravaty));
  }

  class BiasCostFunctionCore {
   public:
    BiasCostFunctionCore(){}
    template <typename T>
    bool operator() (const T* const i, const T* const j, T* residual) const
    {
      Eigen::Matrix<T, 3, 1> bg_i(i[9], i[10], i[11]);
      Eigen::Matrix<T, 3, 1> bg_j(j[9], j[10], j[11]);
      Eigen::Matrix<T, 3, 1> ba_i(i[12], i[13], i[14]);
      Eigen::Matrix<T, 3, 1> ba_j(j[12], j[13], j[14]);
      Eigen::Matrix<T, 3, 1> d_ba = ba_j - ba_i;
      Eigen::Matrix<T, 3, 1> d_bg = bg_j - bg_i;
      residual[0] = T(d_ba[0]);
      residual[1] = T(d_ba[1]);
      residual[2] = T(d_ba[2]);
      residual[3] = T(d_bg[0]);
      residual[4] = T(d_bg[1]);
      residual[5] = T(d_bg[2]);

      return true;
    }
  };
  ceres::CostFunction* CreateBiasCostFunction() {
    return new ceres::AutoDiffCostFunction<BiasCostFunctionCore, 6, 15, 15>(
      new BiasCostFunctionCore()
    );
  }

  class PriorCostFunctionCore {
    public:
     PriorCostFunctionCore(const std::shared_ptr<sad::NavStated> prior) : prior_(prior) {}
     template <typename T>
     bool operator()(const T* const i, T* residual) const {
      Eigen::Vector3d prior_r_d = prior_->R_.log();
      Eigen::Vector3d prior_p_d = prior_->p_;
      Eigen::Vector3d prior_v_d = prior_->v_;
      Eigen::Vector3d prior_bg_d = prior_->bg_;
      Eigen::Vector3d prior_ba_d = prior_->ba_;
      Eigen::Matrix<double, 15, 1> prior_M;
      prior_M << prior_r_d, prior_p_d, prior_v_d, prior_bg_d, prior_ba_d;
      for (int temp = 0; temp < prior_M.size(); temp++)
      {
        residual[temp] = T(prior_M[temp]) - i[temp];
      }
      return true;
    }
    private:
     const std::shared_ptr<sad::NavStated> prior_;
  };
  ceres::CostFunction* CreatePriorCostFunction(const std::shared_ptr<sad::NavStated> prior) {
     return new ceres::AutoDiffCostFunction<PriorCostFunctionCore, 15, 15>(new PriorCostFunctionCore(prior));
  }

  class GnssCostFunctionCore {
    public:
    GnssCostFunctionCore(const Sophus::SE3d gnss_states) : gnss_states_(gnss_states){}
    template <typename T>
    bool operator() (const T* const i, T* residual) const
    {
      Eigen::Matrix<T, 3, 1> r_i(i[0], i[1], i[2]);
      Sophus::SO3<T, 0> R_i = Sophus::SO3<T, 0>::exp(r_i);
      Eigen::Matrix<T, 3, 1> t_i(i[3], i[4], i[5]);
      Eigen::Matrix<T, 3, 1> e_r = (gnss_states_.so3().inverse() * R_i).log();
      Eigen::Matrix<T, 3, 1> e_t = t_i - gnss_states_.translation();
      residual[0] = T(e_r[0]);
      residual[1] = T(e_r[1]);
      residual[2] = T(e_r[2]);
      residual[3] = T(e_t[0]);
      residual[4] = T(e_t[1]);
      residual[5] = T(e_t[2]);
      return true;
    }
    private:
    const Sophus::SE3d gnss_states_;
  };
  static ceres::CostFunction* CreateGnssCostFunction(const Sophus::SE3d gnss_states){
    return new ceres::AutoDiffCostFunction<GnssCostFunctionCore, 6, 15> (
      new GnssCostFunctionCore(gnss_states)
    );
  }

  class OdomCostFunctionCore {
    public:
    OdomCostFunctionCore(const Eigen::Vector3d odom_speed_states) : odom_speed_states_(odom_speed_states) {}
    template <typename T>
    bool operator() (const T* const j, T* residual ) const {
      Eigen::Matrix<T, 3, 1> vj(j[6], j[7], j[8]);
      residual[0] = T(vj[0] - odom_speed_states_[0]);
      residual[1] = T(vj[1] - odom_speed_states_[1]);
      residual[2] = T(vj[2] - odom_speed_states_[2]);
      return true;
    }
    private:
    const Eigen::Vector3d odom_speed_states_;
  };
  static ceres::CostFunction* CreatOdomCostFunction(const Eigen::Vector3d odom_speed_states) {
    return new ceres::AutoDiffCostFunction<OdomCostFunctionCore, 3, 15> (
      new OdomCostFunctionCore(odom_speed_states)
    );
  }

} // namespace ceres_optimization


} //namespace sad

#endif

上面代码分别实现了预积分, bias, 先验, GNSS, odom的残差以及其工厂函数. 不得不说啊, ceres自动求导用起来真简单.

gins_pre_integ.cc: 实现ceres预积分优化

这一部分调用上面头文件构造的工厂函数实现残差计算, ceres优化与更新. 这里只粘贴一下不同的地方

    else {
        LOG_FIRST_N(INFO, 1) << "Using Ceres to Solve!";
        ceres::Problem problem;
        Eigen::Vector3d last_r_vec = last_frame_->R_.log();
        Eigen::Vector3d current_r_vec = this_frame_->R_.log();
        double last_state[15] = {last_r_vec.x(), last_r_vec.y(), last_r_vec.z(),       
                                last_frame_->p_.x(),last_frame_->p_.y(),  last_frame_->p_.z(), 
                                last_frame_->v_.x(),  last_frame_->v_.y(), last_frame_->v_.z(),  
                                last_frame_->bg_.x(), last_frame_->bg_.y(), last_frame_->bg_.z(), 
                                last_frame_->ba_.x(), last_frame_->ba_.y(), last_frame_->ba_.z()};
        double current_state[15] = {current_r_vec.x(),    current_r_vec.y(),    current_r_vec.z(),
                                    this_frame_->p_.x(),  this_frame_->p_.y(),  this_frame_->p_.z(),
                                    this_frame_->v_.x(),  this_frame_->v_.y(),  this_frame_->v_.z(),
                                    this_frame_->bg_.x(), this_frame_->bg_.y(), this_frame_->bg_.z(),
                                    this_frame_->ba_.x(), this_frame_->ba_.y(), this_frame_->ba_.z()};
        //预积分
        problem
            .AddResidualBlock(ceres_optimization::CreatePreintegrationCostFunction(pre_integ_, options_.gravity_), nullptr, last_state, current_state);
        // 两个零偏
        problem.AddResidualBlock(ceres_optimization::CreateBiasCostFunction(), nullptr, last_state, current_state);

        //GNSS
        problem.AddResidualBlock(ceres_optimization::CreateGnssCostFunction(last_gnss_.utm_pose_), nullptr, last_state);
        problem.AddResidualBlock(ceres_optimization::CreateGnssCostFunction(this_gnss_.utm_pose_), nullptr,
                                 current_state);
        //先验
        problem.AddResidualBlock(ceres_optimization::CreatePriorCostFunction(last_frame_), nullptr, last_state);
        //ODOM
        Vec3d vel_world = Vec3d::Zero();
        Vec3d vel_odom = Vec3d::Zero();
        if (last_odom_set_) {
            // velocity obs
            double velo_l = options_.wheel_radius_ * last_odom_.left_pulse_ /
                            options_.circle_pulse_ * 2 * M_PI /
                            options_.odom_span_;
            double velo_r = options_.wheel_radius_ * last_odom_.right_pulse_ /
                            options_.circle_pulse_ * 2 * M_PI /
                            options_.odom_span_;
            double average_vel = 0.5 * (velo_l + velo_r);
            vel_odom = Vec3d(average_vel, 0.0, 0.0);
            vel_world = this_frame_->R_ * vel_odom;

            problem.AddResidualBlock(ceres_optimization::CreatOdomCostFunction(vel_world), nullptr, current_state);

            // 重置odom数据到达标志位,等待最新的odom数据
            last_odom_set_ = false;
        }


        ceres::Solver::Options options;
        options.linear_solver_type = ceres::SPARSE_NORMAL_CHOLESKY;
        options.max_num_iterations = 20;
        options.num_threads = 4;
        options.minimizer_progress_to_stdout = false;

        ceres::Solver::Summary summary;
        ceres::Solve(options, &problem, &summary);

        Eigen::Vector3d last_r(last_state[0], last_state[1], last_state[2]);
        last_frame_->R_ = Sophus::SO3d::exp(last_r);
        Eigen::Vector3d last_t(last_state[3], last_state[4], last_state[5]);
        last_frame_->p_ = last_t;
        Eigen::Vector3d last_v(last_state[6], last_state[7], last_state[8]);
        last_frame_->v_ = last_v;
        Eigen::Vector3d last_bg(last_state[9], last_state[10], last_state[11]);
        last_frame_->bg_ = last_bg;
        Eigen::Vector3d last_ba(last_state[12], last_state[13], last_state[14]);
        last_frame_->ba_ = last_ba;

        Eigen::Vector3d current_r(current_state[0], current_state[1], current_state[2]);
        this_frame_->R_ = Sophus::SO3d::exp(current_r);
        Eigen::Vector3d current_t(current_state[3], current_state[4], current_state[5]);
        this_frame_->p_ = current_t;
        Eigen::Vector3d current_v(current_state[6], current_state[7], current_state[8]);
        this_frame_->v_ = current_v;
        Eigen::Vector3d current_bg(current_state[9], current_state[10], current_state[11]);
        this_frame_->bg_ = current_bg;
        Eigen::Vector3d current_ba(current_state[12], current_state[13], current_state[14]);
        this_frame_->ba_ = current_ba;
    }
    // 重置integ
    options_.preinteg_options_.init_bg_ = this_frame_->bg_;
    options_.preinteg_options_.init_ba_ = this_frame_->ba_;
    pre_integ_ = std::make_shared<IMUPreintegration>(options_.preinteg_options_);
}

上面部分代码为了使用autodiff做了好多不必要的数据处理, 如果有更好的解题思路欢迎留言.
上面代码分为以下几步: 1. 初始处理 2. 添加残差 3. ceres优化 4. 更新
效果如下
自动驾驶SLAM技术第四章习题2,自动驾驶,人工智能,机器学习

感觉还行, 没有评价精度

问题

没有评价精度是不是比g2o好一些
没有评价算力是不是比g2o小一些
没有实现解析求导, 正在搞文章来源地址https://www.toymoban.com/news/detail-678369.html

到了这里,关于自动驾驶SLAM技术第四章习题2的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 操作系统第四章练习题

    第三部分 填空题 将作业地址空间中的逻辑地址转换为主存中的物理地址的过程称为(      )。地址变换   分区分配中的存储保护通常采用(      )方法。界限寄存器和存储保护键 把(      )地址转换为(      )地址的工作称为地址映射。逻辑、物理 重定位的

    2024年02月11日
    浏览(39)
  • 数据库第四章习题_完整版

    1.1 请考虑以下 SQL 查询,该查询旨在查找 2017 年春季讲授的所有课程的标题以及教师的姓名的列表。 请问这个查询有什么问题? 首先 section 中并没有我们需要使用到的属性,所以这里 “natural join setion” 是多余的。 其次,更重要的一点是:在 instructor 关系和 course 关系中都有

    2024年02月07日
    浏览(38)
  • 计算机网络——第四章网络层习题(部分)

     思路:将前缀匹配全部转换为二进制,每八位之间用“ . ”隔开。然后用目的地址对应的二进制,找到与前缀匹配的,即为下一跳地址              为了方便计算,记一下:                 2的1次方:2                 2的2次方:4               

    2024年02月09日
    浏览(45)
  • 计量经济学及Stata应用 第四章习题

    考虑以下消费函数:Ci = α+βYi+si 共中,Ci为个体i的消费开支,而只Yi为个体三的可支配收入。假设OLS因归所得的样木回归线为:  (1)斜率β尖的经济含义是什么? (2)截距项α尖的经济含义是什么?. (3)对于个体i,计算其平均消费倾向(average propensity to consume)Ci/Yi。假设α尖0,

    2024年02月02日
    浏览(54)
  • 【机器学习】第四章决策树练习题及答案

    一. 单选题(共10题,66分) 1. 【单选题】以下关于决策树特点分析的说法错误的有 ( )。 A. 推理过程容易理解,计算简单 B. 算法容易造成过拟合 C. 算法自动忽略了对模型没有贡献的属性变量 D. 算法考虑了数据属性之间的相关性 正确答案: D 2. 【单选题】以下关于决策树原理

    2024年02月01日
    浏览(60)
  • 计算机网络/谢希仁(第八版)第四章习题

    【4-01】网络层向上提供的服务有哪两种?试比较其优缺点。 答: (1)面向连接服务(或虚电路服务)和无连接服务(或数据报服务) (2)比较二者的优缺点: ①、虚电路服务是面向连接的,提供的服务可以保证数据传输的可靠性和投递顺序的正确性;数据报服务是无连接

    2024年02月04日
    浏览(42)
  • 数据挖掘(Data Mining)第四章课后习题

    1、数据仓库是随着时间变化的,下面的描述不正确的是(  数据仓库随着事件变化不断删去旧的数据内容  ) 2、下面关于数据粒度的描述不正确的是(  数据综合度越高,粒度也就越大,级别也就越高  ) 3、在有关数据仓库测试,下列说法不正确的是(  在数据仓库进

    2024年02月07日
    浏览(35)
  • Java Web程序设计课后习题答案 第四章

    第4章 一、填空 1.如果当前Web资源不想处理请求, RequestDispatcher接口提供了一个 forward()方法,该方法可以将当前请求传递给其他Web资源对这些信息进行处理并响应给客户端,这种方式称为请求转发。 2.Servlet API中,专门用来封装HTTP响应消息的接口是HttpServletResponse。 3. 重定向指

    2024年04月23日
    浏览(37)
  • 计算机网络(谢希仁-第八版)第四章习题全解

    4-01 网络层向上提供的服务有哪两种?试比较其优缺点? 虚电路服务和数据报服务。 虚电路    优点:      1.可以提供可靠的通信服务       2.因为数据是沿着建立的虚电路进行传输的,因此分组的首部不需要携带完整的目的主机          的地址,只需要填写这条虚电路

    2024年02月05日
    浏览(45)
  • 微信小程序开发实战课后习题解答————第四章(作业版)

    一、填空题 1、  组件  是视图层的基本组成单元。 2、 swiper内部只可以放置   swiper-item    组件。 3、 设置text文本内容长按可选的属性是   selectable   。    4、navigator组件通过设置   open-type    属性,来区分不同的跳转功能。 5、通过image的  mode    属性来设定不同的图

    2024年02月06日
    浏览(58)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包