ROS-3DSLAM(16):视觉部分visual estimator第九节 factor4

2021@SDUSC
2021年12月24日星期五——2021年12月27日星期一

一、背景简介：

这一周继续分析factor文件夹。

这一周我分析的代码部分视觉的残差，特征点在相机的投影下产生的残差:projection_factor.cpp和projection_td_factor.cpp和pose_local_parameterization.cpp以及对应的头文件。

首先是原理分析：

回到我们之前分析过的边缘化的总框架图上去，可以看出，这部分的代码是同ceres息息相关的的，是利用ceres Solver来处理问题的。

经过阅读分析，我发现这部分的核心代码就是projection_factor
projetcion_td_factor是它的扩展，pose_local_parameterization是ceres里的一个小函数。

二、代码分析：

1`projection_factor.h`

对于projection_factor而言，它继承了Ceres库中的SizedCostFunction。

它表示的是第i帧中单位相机平面上的点pts_i重投影到第j帧单位相机平面上的点与匹配点pts_j的投影误差。需要实现构造函数以及重载Evaluate函数。

#pragma once#include <ros/assert.h>
#include <ceres/ceres.h>
#include <Eigen/Dense>
#include "../utility/utility.h"
#include "../utility/tic_toc.h"
#include "../parameters.h"class ProjectionFactor : public ceres::SizedCostFunction<2, 7, 7, 7, 1>
{public:ProjectionFactor(const Eigen::Vector3d &_pts_i, const Eigen::Vector3d &_pts_j);virtual bool Evaluate(double const *const *parameters, double *residuals, double **jacobians) const;void check(double **parameters);Eigen::Vector3d pts_i, pts_j;Eigen::Matrix<double, 2, 3> tangent_base;static Eigen::Matrix2d sqrt_info;static double sum_t;
};

2 `projection_factor.cpp`

构造函数传入的是常数，是一对匹配的特征点，这里传入的数据是匹配点在相机平面上的坐标。
但是重投影误差计算的是单位球面切平面上的误差。（为什么是球平面?）
因此需要利用施密特正交化求出切平面的正交基。

#include "projection_factor.h"Eigen::Matrix2d ProjectionFactor::sqrt_info;
double ProjectionFactor::sum_t;ProjectionFactor::ProjectionFactor(const Eigen::Vector3d &_pts_i, const Eigen::Vector3d &_pts_j) : pts_i(_pts_i), pts_j(_pts_j)
{#ifdef UNIT_SPHERE_ERROREigen::Vector3d b1, b2;Eigen::Vector3d a = pts_j.normalized();Eigen::Vector3d tmp(0, 0, 1);if(a == tmp)tmp << 1, 0, 0;b1 = (tmp - a * (a.transpose() * tmp)).normalized();b2 = a.cross(b1);tangent_base.block<1, 3>(0, 0) = b1.transpose();tangent_base.block<1, 3>(1, 0) = b2.transpose();
#endif
};

bool ProjectionFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{TicToc tic_toc;Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]);Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]);Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]);Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);//pts_i 是i时刻归一化相机坐标系下的3D坐标//第i帧相机坐标系下的的逆深度double inv_dep_i = parameters[3][0];//第i帧相机坐标系下的3D坐标Eigen::Vector3d pts_camera_i = pts_i / inv_dep_i;//第i帧IMU坐标系下的3D坐标Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;//世界坐标系下的3D坐标Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;//第j帧imu坐标系下的3D坐标Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);//第j帧相机坐标系下的3D坐标Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);Eigen::Map<Eigen::Vector2d> residual(residuals);#ifdef UNIT_SPHERE_ERROR residual =  tangent_base * (pts_camera_j.normalized() - pts_j.normalized());
#elsedouble dep_j = pts_camera_j.z();residual = (pts_camera_j / dep_j).head<2>() - pts_j.head<2>();
#endifresidual = sqrt_info * residual;//reduce 表示残差residual对fci（pts_camera_j）的导数，同样根据不同的相机模型if (jacobians){Eigen::Matrix3d Ri = Qi.toRotationMatrix();Eigen::Matrix3d Rj = Qj.toRotationMatrix();Eigen::Matrix3d ric = qic.toRotationMatrix();Eigen::Matrix<double, 2, 3> reduce(2, 3);//下方是对于雅克比矩阵的推导计算
#ifdef UNIT_SPHERE_ERRORdouble norm = pts_camera_j.norm();Eigen::Matrix3d norm_jaco;double x1, x2, x3;x1 = pts_camera_j(0);x2 = pts_camera_j(1);x3 = pts_camera_j(2);norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3),            - x1 * x3 / pow(norm, 3),- x1 * x2 / pow(norm, 3),            1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3),- x1 * x3 / pow(norm, 3),            - x2 * x3 / pow(norm, 3),            1.0 / norm - x3 * x3 / pow(norm, 3);reduce = tangent_base * norm_jaco;
#elsereduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j),0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j);
#endifreduce = sqrt_info * reduce;// 残差项的Jacobian// 先求fci对各项的Jacobian，然后用链式法则乘起来// 对第i帧的位姿 pbi,qbi      2X7的矩阵 最后一项是0if (jacobians[0]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]);Eigen::Matrix<double, 3, 6> jaco_i;jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose();jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i);jacobian_pose_i.leftCols<6>() = reduce * jaco_i;jacobian_pose_i.rightCols<1>().setZero();}// 对第j帧的位姿 pbj,qbjif (jacobians[1]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_j(jacobians[1]);Eigen::Matrix<double, 3, 6> jaco_j;jaco_j.leftCols<3>() = ric.transpose() * -Rj.transpose();jaco_j.rightCols<3>() = ric.transpose() * Utility::skewSymmetric(pts_imu_j);jacobian_pose_j.leftCols<6>() = reduce * jaco_j;jacobian_pose_j.rightCols<1>().setZero();}// 对相机到IMU的外参 pbc,qbc (qic,tic)if (jacobians[2]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_ex_pose(jacobians[2]);Eigen::Matrix<double, 3, 6> jaco_ex;jaco_ex.leftCols<3>() = ric.transpose() * (Rj.transpose() * Ri - Eigen::Matrix3d::Identity());Eigen::Matrix3d tmp_r = ric.transpose() * Rj.transpose() * Ri * ric;jaco_ex.rightCols<3>() = -tmp_r * Utility::skewSymmetric(pts_camera_i) + Utility::skewSymmetric(tmp_r * pts_camera_i) +Utility::skewSymmetric(ric.transpose() * (Rj.transpose() * (Ri * tic + Pi - Pj) - tic));jacobian_ex_pose.leftCols<6>() = reduce * jaco_ex;jacobian_ex_pose.rightCols<1>().setZero();}// 对逆深度 \lambda (inv_dep_i)if (jacobians[3]){Eigen::Map<Eigen::Vector2d> jacobian_feature(jacobians[3]);
#if 1jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i * -1.0 / (inv_dep_i * inv_dep_i);
#elsejacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i;
#endif}}sum_t += tic_toc.toc();return true;
}

这部分后半段涉及到扰动模型的知识，又是一个难以理解的概念。
简单说来，这里的概念就是对于雅克比矩阵的四个不同的项的求解。

3 `pose_local_parameterization.h`

这个头文件声明了拓展了ceres solver中关于参数的处理。
主要是声明了四个函数，这四个函数的功能分别是：

Plus:平移和旋转的加法实现，主要是旋转，需要处理四元数的运算，注意这个假发的意思是广义加法，目的是在于实现优化变量的更新
ComputeJacobian:计算雅克比矩阵
GlobalSize:表示了参数的自由度
LocalSize:表示了Δx所在的正切空间的自由度
这是ceres库中相关的一个参数化函数。

#pragma once#include <eigen3/Eigen/Dense>
#include <ceres/ceres.h>
#include "../utility/utility.h"class PoseLocalParameterization : public ceres::LocalParameterization
{virtual bool Plus(const double *x, const double *delta, double *x_plus_delta) const;virtual bool ComputeJacobian(const double *x, double *jacobian) const;virtual int GlobalSize() const { return 7; };virtual int LocalSize() const { return 6; };
};

4`pose_local_parameterization.cpp`

这个地方是上边介绍的头文件的具体实现。

#include "pose_local_parameterization.h"bool PoseLocalParameterization::Plus(const double *x, const double *delta, double *x_plus_delta) const
{Eigen::Map<const Eigen::Vector3d> _p(x);Eigen::Map<const Eigen::Quaterniond> _q(x + 3);Eigen::Map<const Eigen::Vector3d> dp(delta);Eigen::Quaterniond dq = Utility::deltaQ(Eigen::Map<const Eigen::Vector3d>(delta + 3));Eigen::Map<Eigen::Vector3d> p(x_plus_delta);Eigen::Map<Eigen::Quaterniond> q(x_plus_delta + 3);p = _p + dp;q = (_q * dq).normalized();return true;
}
bool PoseLocalParameterization::ComputeJacobian(const double *x, double *jacobian) const
{Eigen::Map<Eigen::Matrix<double, 7, 6, Eigen::RowMajor>> j(jacobian);j.topRows<6>().setIdentity();j.bottomRows<1>().setZero();return true;
}

5 `projection_td_factor.h`

可以看出来，这个td和没有td的projection_factor极为相似。
不同的是多出的几个变量。
因为头文件中只是声明，具体的不同我们还需要在cpp代码中找出来差异。

    Eigen::Vector3d velocity_i, velocity_j;//角点在归一化平面的速度double td_i, td_j;//处理IMU数据时用到的时间同步误差double row_i, row_j;//角点图像坐标的纵坐标

#pragma once#include <ros/assert.h>
#include <ceres/ceres.h>
#include <Eigen/Dense>
#include "../utility/utility.h"
#include "../utility/tic_toc.h"
#include "../parameters.h"//对imu-camera 时间戳不完全同步和 Rolling shutter 相机的支持
class ProjectionTdFactor : public ceres::SizedCostFunction<2, 7, 7, 7, 1, 1>
{public:ProjectionTdFactor(const Eigen::Vector3d &_pts_i, const Eigen::Vector3d &_pts_j,const Eigen::Vector2d &_velocity_i, const Eigen::Vector2d &_velocity_j,const double _td_i, const double _td_j, const double _row_i, const double _row_j);virtual bool Evaluate(double const *const *parameters, double *residuals, double **jacobians) const;void check(double **parameters);Eigen::Vector3d pts_i, pts_j;//角点在归一化平面的坐标Eigen::Vector3d velocity_i, velocity_j;//角点在归一化平面的速度double td_i, td_j;//处理IMU数据时用到的时间同步误差Eigen::Matrix<double, 2, 3> tangent_base;double row_i, row_j;//角点图像坐标的纵坐标static Eigen::Matrix2d sqrt_info;static double sum_t;
};

6 `projection_td_factor.cpp`

得出的结论依旧是初始化的信息不同……剩下的结构完全一样。

#include "projection_td_factor.h"Eigen::Matrix2d ProjectionTdFactor::sqrt_info;
double ProjectionTdFactor::sum_t;ProjectionTdFactor::ProjectionTdFactor(const Eigen::Vector3d &_pts_i, const Eigen::Vector3d &_pts_j, const Eigen::Vector2d &_velocity_i, const Eigen::Vector2d &_velocity_j,const double _td_i, const double _td_j, const double _row_i, const double _row_j) : pts_i(_pts_i), pts_j(_pts_j), td_i(_td_i), td_j(_td_j)
{velocity_i.x() = _velocity_i.x();velocity_i.y() = _velocity_i.y();velocity_i.z() = 0;velocity_j.x() = _velocity_j.x();velocity_j.y() = _velocity_j.y();velocity_j.z() = 0;row_i = _row_i - ROW / 2;row_j = _row_j - ROW / 2;#ifdef UNIT_SPHERE_ERROREigen::Vector3d b1, b2;Eigen::Vector3d a = pts_j.normalized();Eigen::Vector3d tmp(0, 0, 1);if(a == tmp)tmp << 1, 0, 0;b1 = (tmp - a * (a.transpose() * tmp)).normalized();b2 = a.cross(b1);tangent_base.block<1, 3>(0, 0) = b1.transpose();tangent_base.block<1, 3>(1, 0) = b2.transpose();
#endif
};bool ProjectionTdFactor::Evaluate(double const *const *parameters, double *residuals, double **jacobians) const
{TicToc tic_toc;Eigen::Vector3d Pi(parameters[0][0], parameters[0][1], parameters[0][2]);Eigen::Quaterniond Qi(parameters[0][6], parameters[0][3], parameters[0][4], parameters[0][5]);Eigen::Vector3d Pj(parameters[1][0], parameters[1][1], parameters[1][2]);Eigen::Quaterniond Qj(parameters[1][6], parameters[1][3], parameters[1][4], parameters[1][5]);Eigen::Vector3d tic(parameters[2][0], parameters[2][1], parameters[2][2]);Eigen::Quaterniond qic(parameters[2][6], parameters[2][3], parameters[2][4], parameters[2][5]);double inv_dep_i = parameters[3][0];double td = parameters[4][0];Eigen::Vector3d pts_i_td, pts_j_td;pts_i_td = pts_i - (td - td_i + TR / ROW * row_i) * velocity_i;pts_j_td = pts_j - (td - td_j + TR / ROW * row_j) * velocity_j;Eigen::Vector3d pts_camera_i = pts_i_td / inv_dep_i;Eigen::Vector3d pts_imu_i = qic * pts_camera_i + tic;Eigen::Vector3d pts_w = Qi * pts_imu_i + Pi;Eigen::Vector3d pts_imu_j = Qj.inverse() * (pts_w - Pj);Eigen::Vector3d pts_camera_j = qic.inverse() * (pts_imu_j - tic);Eigen::Map<Eigen::Vector2d> residual(residuals);#ifdef UNIT_SPHERE_ERROR residual =  tangent_base * (pts_camera_j.normalized() - pts_j_td.normalized());
#elsedouble dep_j = pts_camera_j.z();residual = (pts_camera_j / dep_j).head<2>() - pts_j_td.head<2>();
#endifresidual = sqrt_info * residual;if (jacobians){Eigen::Matrix3d Ri = Qi.toRotationMatrix();Eigen::Matrix3d Rj = Qj.toRotationMatrix();Eigen::Matrix3d ric = qic.toRotationMatrix();Eigen::Matrix<double, 2, 3> reduce(2, 3);
#ifdef UNIT_SPHERE_ERRORdouble norm = pts_camera_j.norm();Eigen::Matrix3d norm_jaco;double x1, x2, x3;x1 = pts_camera_j(0);x2 = pts_camera_j(1);x3 = pts_camera_j(2);norm_jaco << 1.0 / norm - x1 * x1 / pow(norm, 3), - x1 * x2 / pow(norm, 3),            - x1 * x3 / pow(norm, 3),- x1 * x2 / pow(norm, 3),            1.0 / norm - x2 * x2 / pow(norm, 3), - x2 * x3 / pow(norm, 3),- x1 * x3 / pow(norm, 3),            - x2 * x3 / pow(norm, 3),            1.0 / norm - x3 * x3 / pow(norm, 3);reduce = tangent_base * norm_jaco;
#elsereduce << 1. / dep_j, 0, -pts_camera_j(0) / (dep_j * dep_j),0, 1. / dep_j, -pts_camera_j(1) / (dep_j * dep_j);
#endifreduce = sqrt_info * reduce;if (jacobians[0]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_i(jacobians[0]);Eigen::Matrix<double, 3, 6> jaco_i;jaco_i.leftCols<3>() = ric.transpose() * Rj.transpose();jaco_i.rightCols<3>() = ric.transpose() * Rj.transpose() * Ri * -Utility::skewSymmetric(pts_imu_i);jacobian_pose_i.leftCols<6>() = reduce * jaco_i;jacobian_pose_i.rightCols<1>().setZero();}if (jacobians[1]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_pose_j(jacobians[1]);Eigen::Matrix<double, 3, 6> jaco_j;jaco_j.leftCols<3>() = ric.transpose() * -Rj.transpose();jaco_j.rightCols<3>() = ric.transpose() * Utility::skewSymmetric(pts_imu_j);jacobian_pose_j.leftCols<6>() = reduce * jaco_j;jacobian_pose_j.rightCols<1>().setZero();}if (jacobians[2]){Eigen::Map<Eigen::Matrix<double, 2, 7, Eigen::RowMajor>> jacobian_ex_pose(jacobians[2]);Eigen::Matrix<double, 3, 6> jaco_ex;jaco_ex.leftCols<3>() = ric.transpose() * (Rj.transpose() * Ri - Eigen::Matrix3d::Identity());Eigen::Matrix3d tmp_r = ric.transpose() * Rj.transpose() * Ri * ric;jaco_ex.rightCols<3>() = -tmp_r * Utility::skewSymmetric(pts_camera_i) + Utility::skewSymmetric(tmp_r * pts_camera_i) +Utility::skewSymmetric(ric.transpose() * (Rj.transpose() * (Ri * tic + Pi - Pj) - tic));jacobian_ex_pose.leftCols<6>() = reduce * jaco_ex;jacobian_ex_pose.rightCols<1>().setZero();}if (jacobians[3]){Eigen::Map<Eigen::Vector2d> jacobian_feature(jacobians[3]);jacobian_feature = reduce * ric.transpose() * Rj.transpose() * Ri * ric * pts_i_td * -1.0 / (inv_dep_i * inv_dep_i);}if (jacobians[4]){Eigen::Map<Eigen::Vector2d> jacobian_td(jacobians[4]);jacobian_td = reduce * ric.transpose() * Rj.transpose() * Ri * ric * velocity_i / inv_dep_i * -1.0  +sqrt_info * velocity_j.head(2);}}sum_t += tic_toc.toc();return true;
}

三、问题及解答：

1 这里面的projection_td_factor和projection_factor什么关系

但看这部分代码并不能发现两者的异同，只是发现了td中多出来的参数。
还需要到调用这两个类的地方去探究异同。

   for (auto &it_per_frame : it_per_id.feature_per_frame){//遍历当前特征在每一帧的信息 imu_j++;if (imu_i == imu_j)         continue;Vector3d pts_j = it_per_frame.point;//！得到第二个特征点if (ESTIMATE_TD)//在有同步误差的情况下{ProjectionTdFactor *f_td = new ProjectionTdFactor(pts_i, pts_j, it_per_id.feature_per_frame[0].velocity, it_per_frame.velocity,it_per_id.feature_per_frame[0].cur_td, it_per_frame.cur_td, t_per_id.feature_per_frame[0].uv.y(), it_per_frame.uv.y());problem.AddResidualBlock(f_td, loss_function, para_Pose[imu_i], para_Pose[imu_j], para_Ex_Pose[0], para_Feature[feature_index], para_Td[0]);}else//在没有同步误差的情况下{ProjectionFactor *f = new ProjectionFactor(pts_i, pts_j);problem.AddResidualBlock(f, loss_function, para_Pose[imu_i], para_Pose[imu_j], para_Ex_Pose[0], para_Feature[feature_index]);}f_m_cnt++;}

这个部分的代码已经很明显了，就是用于处理不同情况下的两帧：有同步误差的情况、没有同步误差的情况。
对应了不同的problem添加残差的函数。

2 施密特正交化

给定的基向量可以通过这个算法得到一组正交化的基。

3 扰动模型

这部分涉及到李群和李代数的相关知识；暂时不去深究。
主要是为了处理矩阵的导数问题……

但是这部分的分析也是代码的重点部分。有时间的话记得要补上。

四、参考资料：

projection_factor代码解析：VINS-MONO
施密特正交化
李代数求导与扰动模型
VINS-MONO ----后端优化
LocalParameterization参数化解析