1. 混淆产生的原因

在Eigen中，当变量同时出现在左值和右值，赋值操作可能会带来混淆问题。

例如

MatrixXi mat(3,3);
mat << 1, 2, 3,   4, 5, 6,   7, 8, 9;
cout << "Here is the matrix mat:\n" << mat << endl;// This assignment shows the aliasing problem
mat.bottomRightCorner(2,2) = mat.topLeftCorner(2,2);
cout << "After the assignment, mat = \n" << mat << endl;

输出

Here is the matrix mat:
1 2 3
4 5 6
7 8 9
After the assignment, mat =
1 2 3
4 1 2
7 4 1

出现混淆的代码是

mat.bottomRightCorner(2,2) = mat.topLeftCorner(2,2);

它等价于

mat(1,1) = mat(0,0);
mat(1,2) = mat(0,1);
mat(2,1) = mat(1,0);
mat(2,2) = mat(1,1);

混淆还会在缩小矩阵时出现，例如

 vec = vec.head(n)mat = mat.block(i,j,r,c)。

一般来说，混淆在编译阶段很难被检测到。

2. 解决混淆问题

2.1. 使用eval()函数函数

Eigen需要把右值赋值为一个临时matrix/array，然后再将临时值赋值给左值，便可以解决混淆。eval()函数实现了这个功能。

例如

MatrixXi mat(3,3);
mat << 1, 2, 3,   4, 5, 6,   7, 8, 9;
cout << "Here is the matrix mat:\n" << mat << endl;
// The eval() solves the aliasing problem
mat.bottomRightCorner(2,2) = mat.topLeftCorner(2,2).eval();
cout << "After the assignment, mat = \n" << mat << endl;

输出

Here is the matrix mat:
1 2 3
4 5 6
7 8 9
After the assignment, mat =
1 2 3
4 1 2
7 4 5

2.2. 尽量使用带InPlace的函数

在调用矩阵的某个函数操作赋值给对象本身时，如果存在xxxInPlace函数，推荐使用这类函数，它们更加清晰地标明了你在做什么。

Origin	In-place
MatrixBase::adjoint()	MatrixBase::adjointInPlace()
DenseBase::reverse()	DenseBase::reverseInPlace()
LDLT::solve()	LDLT::solveInPlace()
LLT::solve()	LLT::solveInPlace()
TriangularView::solve()	TriangularView::solveInPlace()
DenseBase::transpose()	DenseBase::transposeInPlace()

3. 混淆和component级的操作

组件级是指整体的操作，比如matrix加法、scalar乘、array乘等，这类操作是安全的，不会出现混淆。

MatrixXf mat(2,2);
mat << 1, 2,  4, 7;
cout << "Here is the matrix mat:\n" << mat << endl << endl;
mat = 2 * mat;
cout << "After 'mat = 2 * mat', mat = \n" << mat << endl << endl;
mat = mat - MatrixXf::Identity(2,2);
cout << "After the subtraction, it becomes\n" << mat << endl << endl;
ArrayXXf arr = mat;
arr = arr.square();
cout << "After squaring, it becomes\n" << arr << endl << endl;

输出

Here is the matrix mat:
1 2
4 7
After 'mat = 2 * mat', mat =2  48 14
After the subtraction, it becomes1  48 13
After squaring, it becomes1  1664 169

4. 混淆和矩阵的乘法

在Eigen中，矩阵的乘法一般都会出现混淆。除非是方阵（实质是元素级的乘）。

MatrixXf matA(2,2);
matA << 2, 0,  0, 2;
matA = matA * matA;
cout << matA;
4 0
0 4

其他的操作，Eigen默认都是存在混淆的。所以Eigen对矩阵乘法自动引入了临时变量，对的matA=matA*matA这是必须的，但是对matB=matA*matA这样便是不必要的了。我们可以使用noalias()函数来声明这里没有混淆，matA*matA的结果可以直接赋值为matB。

matB.noalias() = matA * matA;

从Eigen3.3开始，如果目标矩阵resize且结果不直接赋值给目标矩阵，默认不存在混淆。

MatrixXf A(2,2), B(3,2);
B << 2, 0,  0, 3, 1, 1;
A << 2, 0, 0, -2;
A = (B * A).cwiseAbs();//cwiseAbs（）不直接赋给目标
//A = (B * A).eval().cwiseAbs()
cout << A;

当然，对于任何混淆问题，都可以通过matA=(matB*matA).eval() 来解决。

参考文献

https://www.bbsmax.com/A/KE5Q9yG05L/

Eigen矩阵运算的混淆问题相关推荐

Eigen 矩阵运算库在实际项目中的使用
Eigen 矩阵运算库在实际项目中的使用情况如何? 心血来潮,试了试纯模板技术写的 Eigen 并作了简单的性能测试,三个 1000 阶的方阵连乘运算 Eigen 比 MATLAB 快了一倍,比 Op ...
Eigen矩阵运算库快速上手
目录 1. 配置 2. 初始化 2.1 Array类 2.2 Vector类 2.3 Matrix类 2.4 Vector赋值 2.5 高级初始化 3. 矩阵计算 3.1 矩阵基本计算 3.2 线性求 ...
eigen 编译_OpenCV+Eigen上位机程序移植（七十一）
1.给硬盘分区现在小伙伴们对于给电脑硬盘分区想必比较头疼,给电脑硬盘分区分为两种情况,一是在安装系统之前给系统硬盘分区,二是在安装系统之后给硬盘分区,我们现在购买的品牌机和笔记本的用户比较多,而且笔 ...
eigen库安装_OpenCV+Eigen上位机程序移植（七十一）
1.给硬盘分区现在小伙伴们对于给电脑硬盘分区想必比较头疼,给电脑硬盘分区分为两种情况,一是在安装系统之前给系统硬盘分区,二是在安装系统之后给硬盘分区,我们现在购买的品牌机和笔记本的用户比较多,而且笔 ...
[视觉Slam十四讲（2）踩坑记录]第3讲：Fatal error :Eigen/core没有那个文件或目录
[视觉Slam十四讲(2)踩坑记录]第3讲:Fatal error :Eigen/core没有那个文件或目录问题描述: 在学习SlamBook2-ch3中对Eigen矩阵运算包内容时,编写好相关代码 ...
Qt间接平差法进行直线拟合（Eigen运算、Qcustomplot绘图）
目录间接平差法进行直线拟合,使用Qt.Qcustomplot.Eigen 间接平差法直线拟合原理工具介绍 Qt Qcustomplot Eigen 准备工作 1.Qt读取文件存入矩阵 2.Eige ...
我所理解的卡尔曼滤波——公式推导与应用
我所理解的卡尔曼滤波--公式推导与应用 1.什么是卡尔曼滤波 2.卡尔曼滤波的数学推导 2.1 状态方程和测量方程 2.2 卡尔曼滤波过程 3 卡尔曼滤波应用 1.什么是卡尔曼滤波先举个例子说一下什 ...
opencv镜像_DX200操作要领—PAM与镜像平移变换（三十八）
6.4 PAM功能 6.4.1 PAM功能再现中的位置修改功能 (PAM 功能:Position Adjustment Manual) ,可在查看机器人动作状况的同时,在不停止机器人的情况下,通过简 ...
星之卡比镜之迷宫机器人_机器人工程师入门（0）
前言:多年前看到一片知乎文章 YY硕:机器人工程师学习计划zhuanlan.zhihu.com 当时看到这个,只觉醍醐灌顶,能看到有如此详尽的关于机器人工程师的个人技术发展规划,又不禁觉得有些遗憾, ...

Eigen矩阵运算的混淆问题