ceres库主要是用来优化问题，和深度学习思想差不多，迭代优化，逐渐逼近最优解。

回顾一下非线性最小二乘法

1.非线性最小二乘法

方程式AX=B,我们可根据其形式求解析解。如果该问题为线性，我们可对目标函数求导，零导数为零，可求得目标函数极值，并且其为全局最小值，则为目标函数的最优解。

但问题往往为非线性，由于函数复杂，无法写出其导数形式，我们不可能再通过导数找全局最优解，而是通过不断的迭代计算找到函数局部最小解，并且该局部最小解在误差允许的范围内，我们就可认为目标函数取得最优解，以上就是非线性最小二乘法的思想。

这可将求导问题转化为梯度下降问题：

1. 给定某个初值；
2. 对于第K次迭代，寻找一个增量，使得达到极小值（局部最小）
3. 若足够小则停止迭代
4. 否则 另，返回第二步

 基于以上思想，ceres库可通过优化迭代求解非线性最小二乘问题最优解。

2.ceres 优化过程

2.1 ceres优化使用流程

2.1.1构建优化问题

ceres::Problem problem;

2.1.2创建代价函数

 
cost_function = new ceres::AutoDiffCostFunction16,6>(new LOSS(pose,alpha,a,d));

参数介绍：CostFunctor 自己编写的代价函数，

                  第一个六  表示要优化的残差参数数组大小 （residual 大小）

                  第二个六 表示 待优化参数数组大小 （即下文中X大小）

2.1.3添加代价函数、损失函数

problem.AddResidualBlock(new ceres::AutoDiffCostFunction6,6>(new LOSS(pose,alpha,a,d)),nullptr,x.data());

（这里代价函数直接添加到添加代价函数中）

new LOSS(pose,alpha,a,d)   需要传入代价函数的参数值

2.1.4 配置求解器

ceres::Solver::Options options;
options.linear_solver_type = ceres::ITERATIVE_SCHUR;// 信赖域策略
options.max_num_iterations = 10000;  //迭代次数
options.gradient_tolerance = 1e-3; //梯度阈值
options.function_tolerance = 1e-4;  //相邻两次迭代之间目标函数之差
options.trust_region_strategy_type = ceres::LEVENBERG_MARQUARDT;  //优化策略
options.update_state_every_iteration = true; //是否向终端输出优化过程

• linear_solver_type：信赖域方法中求解线性方程组所使用的求解器类型，默认为DENSE_QR，其他可选项如下：

  • DENSE_QR：QR分解，用于小规模最小二乘问题求解；
  • DENSE_NORMAL_CHOLESKY&SPARSE_NORMAL_CHOLESKY：Cholesky分解，用于具有稀疏性的大规模非线性最小二乘问题求解；
  • CGNR：使用共轭梯度法求解稀疏方程；
  • DENSE_SCHUR&SPARSE_SCHUR：SCHUR分解，用于BA问题求解；
  •   ITERATIVE_SCHUR：使用共轭梯度SCHUR求解BA问题；

• min_linear_solver_iteration/max_linear_solver_iteration：线性求解器的最小/最大迭代次数

• max_num_iterations：求解器的最大迭代次数；

• minimizer_progress_to_stdout：是否向终端输出优化过程信息

 这里仅仅列了比较常用的求解器参数，博主还是小白，还需继续学习。

2.1.5 运行求解器

ceres::Solver::Summary summary;               // 优化信息
ceres::Solve(options, &problem, &summary);    // 开始优化
cout << summary.BriefReport() << endl;   //输出迭代信息

2.2 求导函数

求导函数有三种：解析求导、数值求导和自动求导

这里只介绍自动求导，其他两个还未接触

2.2.1 自动求导

这是ceres库一个神奇的功能，可以通过比较基础的表达式求解出导数形式，我的理解是通过Jets实现的，采用模板类形式

struct LOSS {
	LOSS(vector<double> pose,vector<double> alpha,vector<double> a,vector<double> d):_pose(pose),_alpha(alpha),_a(a),_d(d) {}
	template<typename T>
	bool operator()(const T *theta, T *residual) const {
 
		...
		for (int i = 0; i < 6; i++) residual[i] =...
		return true;
	}
	//const Mat TD;
	const vector<double> _alpha, _a, _d,_pose;
};

 在结构体构造的重载运算符中，如果要使用loss的参数，首先要将其转化为Jet的格式，例如pose，传入的数据类型为vector  那么要将其转化为vector 形式，转化的方法也非常简单。

vector Pose(6);
for(int i=0;i<6;i++) Pose[i]=T(_pose);

 2.3 为优化参数添加上下边界

使用SetParameterUpperBound 与SetParamterLowerBound函数定义边界

problem.SetParameterLowerBound(x.data(), index, lower_bound);
problem.SetParameterUpperBound(x.data(), index, upper_bound);

 lower表示下界，upper表示上界 

第一个参数x 表示优化参数数组，index表示数组中第index个元素，第三个参数表示边界

未完待续。。。。。

推荐 【官网】

参考 https://blog.csdn.net/hltt3838/article/details/109695164