SLAM_BOOK 记录

0712：今天看完李群与李代数，对其理解稍有加深。

        首先SO(3)与so(3)可以理解为旋转矩阵与旋转向量的关系，so3指数映射到SO3，SO3对数映射到so3，一一对应。为什么要有李代数呢，因为李群中没有加法运算，就没法去求极限和导数，但是其对应的李代数是有加法的，可以转换到李代数进行计算。而对于旋转后的点对旋转的导数，一种直接求导，结果会出现雅克比矩阵，计算复杂，但对于其扰动模型，不存在了，求导结果为：-（Rp)^（左乘模型）。哈哈哈，厉害。

 

0714:编译ceres出现与eigen库不兼容的问题，最终找到解决方案为替换为其他兼容的eigen3版本，具体参考一下博客

https://blog.csdn.net/sunyoop/article/details/79032174  

感谢博主

第六章  在用g2o进行曲线拟合时，g2o编译安装成功了，从github上下的，书中提供代码无法编译过去，然后，在编译g2o的曲线拟合时，编译过了，但是运行出现段错误，按照网上的办法更改指针，但是会出现无法找到匹配的函数的错误，最后没办法呢，抱着试一试的态度，删掉所有g2o的库文件和头文件，重新编译g2o,然后再编译第六章的程序，神奇的事情来了，编译通过，并且运行成功，这都什么情况。。。。

最后对比两种方法g2o快了一个数量级

 

start optimization
iteration= 0	 chi2= 30373.727656	 time= 0.000231289	 cumTime= 0.000231289	 edges= 100	 schur= 0	 lambda= 699.050482	 levenbergIter= 7
iteration= 1	 chi2= 13336.948288	 time= 0.000135327	 cumTime= 0.000366616	 edges= 100	 schur= 0	 lambda= 1864.134619	 levenbergIter= 3
iteration= 2	 chi2= 6946.262996	 time= 0.000100986	 cumTime= 0.000467602	 edges= 100	 schur= 0	 lambda= 1242.756412	 levenbergIter= 1
iteration= 3	 chi2= 271.023166	 time= 0.000101381	 cumTime= 0.000568983	 edges= 100	 schur= 0	 lambda= 414.252137	 levenbergIter= 1
iteration= 4	 chi2= 118.903887	 time= 0.000100248	 cumTime= 0.000669231	 edges= 100	 schur= 0	 lambda= 138.084046	 levenbergIter= 1
iteration= 5	 chi2= 113.568660	 time= 0.000100462	 cumTime= 0.000769693	 edges= 100	 schur= 0	 lambda= 46.028015	 levenbergIter= 1
iteration= 6	 chi2= 107.476457	 time= 0.000100203	 cumTime= 0.000869896	 edges= 100	 schur= 0	 lambda= 15.342672	 levenbergIter= 1
iteration= 7	 chi2= 103.014522	 time= 0.000101634	 cumTime= 0.00097153	 edges= 100	 schur= 0	 lambda= 5.114224	 levenbergIter= 1
iteration= 8	 chi2= 101.988348	 time= 0.000101294	 cumTime= 0.00107282	 edges= 100	 schur= 0	 lambda= 1.704741	 levenbergIter= 1
iteration= 9	 chi2= 101.937388	 time= 0.000100763	 cumTime= 0.00117359	 edges= 100	 schur= 0	 lambda= 0.568247	 levenbergIter= 1
iteration= 10	 chi2= 101.937021	 time= 0.000100895	 cumTime= 0.00127448	 edges= 100	 schur= 0	 lambda= 0.378831	 levenbergIter= 1
iteration= 11	 chi2= 101.937020	 time= 0.000100607	 cumTime= 0.00137509	 edges= 100	 schur= 0	 lambda= 0.252554	 levenbergIter= 1
iteration= 12	 chi2= 101.937020	 time= 0.000135858	 cumTime= 0.00151095	 edges= 100	 schur= 0	 lambda= 1.346956	 levenbergIter= 3
iteration= 13	 chi2= 101.937020	 time= 0.00010007	 cumTime= 0.00161102	 edges= 100	 schur= 0	 lambda= 0.897971	 levenbergIter= 1
iteration= 14	 chi2= 101.937020	 time= 0.000154207	 cumTime= 0.00176522	 edges= 100	 schur= 0	 lambda= 38.313418	 levenbergIter= 4
iteration= 15	 chi2= 101.937020	 time= 0.000133635	 cumTime= 0.00189886	 edges= 100	 schur= 0	 lambda= 204.338228	 levenbergIter= 3
iteration= 16	 chi2= 101.937020	 time= 0.000100038	 cumTime= 0.0019989	 edges= 100	 schur= 0	 lambda= 136.225485	 levenbergIter= 1
iteration= 17	 chi2= 101.937020	 time= 0.000217447	 cumTime= 0.00221634	 edges= 100	 schur= 0	 lambda= 24378500205.440712	 levenbergIter= 8
iteration= 18	 chi2= 101.937020	 time= 0.000138879	 cumTime= 0.00235522	 edges= 100	 schur= 0	 lambda= 1560224013148.205566	 levenbergIter= 3
solve time cost = 0.00329267 seconds. 
estimated model: 0.890912   2.1719 0.943629

0719:ch7

之前在第六章中就又出现这样的问题，在构建g2o问题时会有一些错误，参考了几篇CSDN的博客更改如下：

std::unique_ptr<Block::LinearSolverType> linearSolver ( new g2o::LinearSolverDense<Block::PoseMatrixType>());
std::unique_ptr<Block> solver_ptr ( new Block ( std::move(linearSolver)));

并且在其源文件中添加头文件

#include <g2o/solvers/dense/linear_solver_dense.h>
这个问题还要继续看，c++的问题

0720:早上试了下将两张不同的图片做ORB的特征点提取与匹配，结果出现了下面的情况，竟然匹配上了，想了下，应该只是算法上的匹配，如下图所示，明显是不一样的两张图片，匹配结果乱七八糟。

上图是两张对应的图片，匹配结果优秀。