一起做RGB-D SLAM (6)

阅读量：2383 次

发布时间：2019-05-10

本文共 7302 字，大约阅读时间需要 24 分钟。

第六讲图优化工具g2o的入门

2016.11 更新

把原文的SIFT替换成了ORB，这样你可以在没有nonfree模块下使用本程序了。

OpenCV可以使用 apt-get install libopencv-dev ，一样能成功。

因为换成了ORB，所以调整了good match的阈值，并且匹配时需要使用 Brute Force match。

请以现在的github上源码为准。

　　在上一讲中，我们介绍了如何使用两两匹配，搭建一个视觉里程计。那么，这个里程计有什么不足呢？

一旦出现了错误匹配，整个程序就会跑飞。

误差会累积。常见的现象是：相机转过去的过程能够做对，但转回来之后则出现明显的偏差。

效率方面不尽如人意。在线的点云显示比较费时。

　　累积误差是里程计中不可避免的，后续的相机姿态依赖着前面的姿态。想要保证地图的准确，必须要保证每次匹配都精确无误，而这是难以实现的。所以，我们希望用更好的方法来做slam。不仅仅考虑两帧的信息，而要把所有整的信息都考虑进来，成为一个全slam问题（full slam）。下图为累积误差的一个例子。右侧是原有扫过的地图，左侧是新扫的，可以看到出现了明显的不重合。

　　所以，我们这一讲要介绍姿态图（pose graph），它是目前视觉slam里最常用的方法之一。

姿态图（原理部分）

　　姿态图，顾名思义，就是由相机姿态构成的一个图（graph）。这里的图，是从图论的意义上来说的。一个图由节点与边构成：

G={V,E}.

在最简单的情况下，节点代表相机的各个姿态(四元数形式或矩阵形式）：

vi=[x,y,z,qx,qy,qz,qw]=Ti=[R3×3O1×3t3×11]i

　　而边指的是两个节点间的变换：

Ei,j=Ti,j=[R3×3O1×3t3×11]i,j.

　　于是乎，我们可以把前面计算的东西都放到了一个图里（请勿吐槽画风）。

　　对于vo，这个图应该像这样（同样请勿吐槽画风）：

　　像vo这样的图呢，我们并没有什么可以做的。然而，当这个图不是vo那样的链状结构时，由于边Ti,j

中存在误差，使得所有的边给出的数据并不一致。这时节，我们就可以优化一个不一致性误差：

minE=∑i,j‖x∗i−Ti,jx∗j‖22.

这里x∗i表示xi

的估计值。

　　小萝卜：师兄，什么叫估计值啊？

　　师兄：嗯，每个xi

实质上都是优化变量啦。在优化过程中，它们有一个初始值。然后呢，根据目标函数对x的梯度:

x∗(t+1)=x∗(t)−η∗∇xE

调整x的值使得E缩小。最后，如果这个问题收敛的话，x的变化就会越来越小，E也收敛到一个极小值。在这个迭代的过程中，x那不断变化的值就是x∗

啦。

　　小萝卜：哦我明白了！是不是运筹学书里讲的非线性优化就是这个啊？

　　师兄：对！根据迭代策略的不同，又可分为Gauss-Netwon(GN)下山法，Levenberg-Marquardt(LM)方法等等。这个问题也称为Bundle Adjustment(BA)，我们通常使用LM方法优化这个非线性平方误差函数。

　　BA方法是近年来视觉slam里用的很多的方法（所以很多研究者吐槽slam和sfm(structure from motion)越来越像了）。早些年间（2005以前），人们还认为用BA求解slam非常困难，因为计算量太大。不过06年之后，人们注意到slam构建的ba问题的稀疏性质，所以用稀疏的BA算法（sparse BA）求解这个图，才使BA在slam里广泛地应用起来。

　　为什么说slam里的BA问题稀疏呢？因为同样的场景很少出现在许多位置中。这导致上面的pose graph中，图G

离全图很远，只有少部分的节点存在直接边的联系。这就是姿态图的稀疏性。

　　求解BA的软件包有很多，感兴趣的读者可以去看wiki: https://en.wikipedia.org/wiki/Bundle_adjustment。我们这里介绍的g2o（Generalized Graph Optimizer），就是近年很流行的一个图优化求解软件包。下面我们通过实例代码，帮助大家入门g2o。

姿态图（实现部分）

安装g2o：

　　要使用g2o，首先你需要下载并安装它：https://github.com/RainerKuemmerle/g2o。在ubuntu 12.04下，安装g2o步骤如下：

安装依赖项：

1 sudo apt-get install libeigen3-dev libsuitesparse-dev libqt4-dev qt4-qmake libqglviewer-qt4-dev

1404或1604的最后一项改为 libqglviewer-dev 即可。

解压g2o并编译安装：
进入g2o的代码目录，并：
```
mkdir buildcd build cmake ..makesudo make install
```
多说两句，你可以安装cmake-curses-gui这个包，通过gui来选择你想编译的g2o模块并设定cmake编译过程中的flags。例如，当你实在装不好上面的libqglviewer时，你可以选择不编译g2o可视化模块（把G2O_BUILD_APPS关掉)，这样即使没有libqglviewer，你也能编译过g2o。
```
1 cd build2 ccmake ..3 make4 sudo make install
```

　　安装成功后，你可以在/usr/local/include/g2o中找到它的头文件，而在/usr/local/lib中找到它的库文件。

使用g2o

　　安装完成后，我们把g2o引入自己的cmake工程：

复制代码

# 添加g2o的依赖# 因为g2o不是常用库，要添加它的findg2o.cmake文件LIST( APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake_modules )SET( G2O_ROOT /usr/local/include/g2o )FIND_PACKAGE( G2O )# CSparseFIND_PACKAGE( CSparse )INCLUDE_DIRECTORIES( ${G2O_INCLUDE_DIR} ${CSPARSE_INCLUDE_DIR} )

复制代码

　　同时，在代码根目录下新建cmake_modules文件夹，把g2o代码目录下的cmake_modules里的东西都拷进来，保证cmake能够顺利找到g2o。

　　现在，复制一个上一讲的visualOdometry.cpp，我们把它改成slamEnd.cpp：

　　src/slamEnd.cpp

复制代码

1 /*************************************************************************  2     > File Name: rgbd-slam-tutorial-gx/part V/src/visualOdometry.cpp  3     > Author: xiang gao  4     > Mail: gaoxiang12@mails.tsinghua.edu.cn  5     > Created Time: 2015年08月15日 星期六 15时35分42秒  6     * add g2o slam end to visual odometry  7  ************************************************************************/  8   9 #include 
   
     10 #include 
    
      11 #include 
     
       12 using namespace std; 13  14 #include "slamBase.h" 15  16 //g2o的头文件 17 #include 
      
        //顶点类型 18 #include 
       
         19 #include 
        
          20 #include 
         
           21 #include 
          
            22 #include 
           
             23 #include 
            
              24 #include 
             
               25 #include 
              
                26 #include 
               
                 27 28 29 // 给定index，读取一帧数据 30 FRAME readFrame( int index, ParameterReader& pd ); 31 // 估计一个运动的大小 32 double normofTransform( cv::Mat rvec, cv::Mat tvec ); 33 34 int main( int argc, char** argv ) 35 { 36 // 前面部分和vo是一样的 37 ParameterReader pd; 38 int startIndex = atoi( pd.getData( "start_index" ).c_str() ); 39 int endIndex = atoi( pd.getData( "end_index" ).c_str() ); 40 41 // initialize 42 cout<<"Initializing ..."<
                
                  SlamLinearSolver; 66 67 // 初始化求解器 68 SlamLinearSolver* linearSolver = new SlamLinearSolver(); 69 linearSolver->setBlockOrdering( false ); 70 SlamBlockSolver* blockSolver = new SlamBlockSolver( linearSolver ); 71 g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( blockSolver ); 72 73 g2o::SparseOptimizer globalOptimizer; // 最后用的就是这个东东 74 globalOptimizer.setAlgorithm( solver ); 75 // 不要输出调试信息 76 globalOptimizer.setVerbose( false ); 77 78 // 向globalOptimizer增加第一个顶点 79 g2o::VertexSE3* v = new g2o::VertexSE3(); 80 v->setId( currIndex ); 81 v->setEstimate( Eigen::Isometry3d::Identity() ); //估计为单位矩阵 82 v->setFixed( true ); //第一个顶点固定，不用优化 83 globalOptimizer.addVertex( v ); 84 85 int lastIndex = currIndex; // 上一帧的id 86 87 for ( currIndex=startIndex+1; currIndex
                 
                  >filename;165 f.rgb = cv::imread( filename );166 167 ss.clear();168 filename.clear();169 ss<
                  
                   <
                   
                    <
                    
                     >filename;171 172 f.depth = cv::imread( filename, -1 );173 f.frameID = index;174 return f;175 }176 177 double normofTransform( cv::Mat rvec, cv::Mat tvec )178 {179 return fabs(min(cv::norm(rvec), 2*M_PI-cv::norm(rvec)))+ fabs(cv::norm(tvec));180 }

复制代码

　　其中，大部分代码和上一讲是一样的，此外新增了几段g2o的初始化与简单使用。

　　使用g2o图优化的简要步骤：第一步，构建一个求解器：globalOptimizer

复制代码

1     // 选择优化方法 2     typedef g2o::BlockSolver_6_3 SlamBlockSolver;  3     typedef g2o::LinearSolverCSparse< SlamBlockSolver::PoseMatrixType > SlamLinearSolver;  4  5     // 初始化求解器 6     SlamLinearSolver* linearSolver = new SlamLinearSolver(); 7     linearSolver->setBlockOrdering( false ); 8     SlamBlockSolver* blockSolver = new SlamBlockSolver( linearSolver ); 9     g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( blockSolver );10 11     g2o::SparseOptimizer globalOptimizer;  // 最后用的就是这个东东12     globalOptimizer.setAlgorithm( solver ); 13     // 不要输出调试信息14     globalOptimizer.setVerbose( false );

复制代码

　　然后，在求解器内添加点和边：

复制代码

1 // 添加点2 g2o::VertexSE3* v = new g2o::VertexSE3();3 // 设置点v ...4 globalOptimizer.addVertex( v );5 6 // 添加边7 g2o::EdgeSE3* edge = new g2o::EdgeSE3();8 // 设置边 edge ...9 globalOptimizer.addEdge(edge);

复制代码

　　最后，完成优化并存储优化结果：

1 globalOptimizer.save("./data/result_before.g2o");2 globalOptimizer.initializeOptimization();3 globalOptimizer.optimize( 100 ); //可以指定优化步数4 globalOptimizer.save( "./data/result_after.g2o" );

　　大致就是这样啦。

关于代码的一些解释：

顶点和边的类型
顶点和边有不同的类型，这要看我们想求解什么问题。由于我们是3D的slam，所以顶点取成了相机姿态：g2o::VertexSE3，而边则是连接两个VertexSE3的边：g2o::EdgeSE3。如果你想用别的类型的顶点（如2Dslam，路标点），你可以看看/usr/local/include/g2o/types/下的文件，基本上涵盖了各种slam的应用，应该能满足你的需求。
小萝卜：师兄，什么是SE3呢？
师兄：简单地说，就是4×4

的变换矩阵啦，也就是我们这里用的相机姿态了。更深层的解释需要李代数里的知识。相应的，2D slam就要用SE2作为姿态节点了。在我们引用
<g2o/types/slam3d/types_slam3d.h>
时，就已经把相关的点和边都包含进来了哦。

优化方法
g2o允许你使用不同的优化求解器（然而实际效果似乎差别不大）。你可以选用csparse, pcg, cholmod等等。我们这里使用csparse为例啦。

g2o文件
g2o的优化结果是存储在一个.g2o的文本文件里的，你可以用gedit等编辑软件打开它，结构是这样的：
嗯，这个文件前面是顶点的定义，包含 ID, x,y,z,qx,qy,qz,qw。后边则是边的定义：ID1, ID2, dx, T 以及信息阵的上半角。实际上，你也可以自己写个程序去生成这样一个文件，交给g2o去优化，写文本文件不会有啥困难的啦。
这个文件也可以用g2o_viewer打开，你还能直观地看到里面的节点与边的位置。同时你可以选一个优化方法对该图进行优化，这样你可以直观地看到优化的过程哦。然而对于我们现在的VO例子来说，似乎没什么可以优化的……