2021年10月11日
摘要：
使用Ceres求解非线性优化问题，一共分为三个部分： 第一部分：构建cost fuction，即代价函数，也就是寻优的目标式。参见《Ceres学习-1.CostFunction》https://www.cnblogs.com/vivian187/p/15393995.html 第二部分：通过代价函数 阅读全文
摘要：
1.Problem类简述 // 来自于ceres-solver-1.14.0/include/ceres/problem.h class CERES_EXPORT Problem { public: // Problem默认掌握cost_function，loss_function和local_pa 阅读全文
摘要：
CostFunction的概念参考 https://www.cnblogs.com/vivian187/p/15398068.html Ceres求解器，像所有基于梯度的优化算法一样，依赖于能够评估目标函数及其在其域内任意点的导数。实际上，定义目标函数及其雅可比矩阵是用户在使用Ceres求解器求解优 阅读全文
摘要：
Problem保持了非线性最小二乘问题的强化的边界。要创建最小二乘问题，可以使用ProblemAddResidualBlock()和ProblemAddParameterBlock()。 例如，下面这个Problem包含了三个参数块，维度分别为3，4，5。同时有两个残差块，维度分别是2和6。 dou 阅读全文
摘要：
1.LocalParameterization 在许多优化问题中，特别是传感器融合问题中，我们必须对流形空间中的数量进行建模，例如由四元数表示的传感器的旋转/方向。 流形是空间，其局部看起来像欧几里得空间。更准确地说，在流形上的每一点上，都有一个与流形相切的线性空间。它的维数等于流形本身的内在维数， 阅读全文
摘要：
对于最小二乘问题，其中最小化可能遇到包含异常值的输入项，即完全虚假的测量值，重要的是使用损失函数来减少它们的影响。 考虑一个来自运动问题的结构。未知量是3D点和摄像机参数，测量值是描述摄像机中某个点预期重投影位置的图像坐标。例如，我们想要对带有消防栓和汽车的街景的几何形状建模，通过带有未知参数的移动 阅读全文