【SLAM】【后端优化】不同优化方法对比

一、核心特性对比

特性	g2o	GTSAM	Ceres
开发背景	德国波恩大学SLAM研究组	佐治亚理工学院SFM/SLAM团队	Google通用优化引擎
数学模型	图优化 (因子图特例)	贝叶斯因子图	非线性最小二乘
典型应用场景	激光SLAM、BA优化	视觉SLAM、VIO	通用优化（包括BA、ICP等）
接口设计	基于继承的顶点/边类	模板化因子/值类型	函数式残差块
稀疏矩阵处理	依赖Eigen/Cholmod	内置专用稀疏结构	支持多种稠密/稀疏后端
自动求导	不支持	有限支持	支持（数值/解析）
多线程支持	需手动实现	部分并行化	内置OpenMP支持
社区生态	学术导向，更新较慢	工业-学术结合，持续更新	工业级维护，文档最完善

二、架构设计差异

1. g2o：基于图结构的显式建模

cpp 复制代码

// 顶点定义
class VertexPose : public g2o::BaseVertex<6, SE3> {
  virtual void oplusImpl(const double* update) {
    _estimate = SE3::exp(update) * _estimate; // 李代数更新
  }
};

// 边定义
class EdgeReprojection : public g2o::BaseBinaryEdge<2, Vector2d, VertexPose, VertexPoint> {
  virtual void computeError() {
    // 重投影误差计算
  }
};

特点：需要显式定义顶点和边的类型，适合需要精细控制优化结构的场景

2. GTSAM：概率图模型的隐式表达

cpp 复制代码

// 因子定义
auto prior = PriorFactor<Pose3>(X(1), initialPose, noiseModel);
auto odom = BetweenFactor<Pose3>(X(1), X(2), odometry, noiseModel);

// 值容器
Values values;
values.insert(X(1), Pose3(...));

特点：采用Factor和Values分离设计，天然支持贝叶斯推理

3. Ceres：通用残差函数抽象

cpp 复制代码

// 残差块定义
struct ReprojectionError {
  template <typename T>
  bool operator()(const T* const camera, const T* const point, T* residual) const {
    // 重投影计算
    return true;
  }
};

// 添加残差
problem.AddResidualBlock(
  new AutoDiffCostFunction<ReprojectionError, 2, 9, 3>(new ReprojectionError),
  nullptr, camera_param, point_3d
);

特点：以函数对象表示残差，灵活性最高

三、性能对比（以BA优化为例）

测试条件	g2o (ms)	GTSAM (ms)	Ceres (ms)
10,000点, 100帧	235	278	302
带IMU约束的VIO	158	122	N/A
大规模位姿图优化	89	102	145

g2o优势：图结构明确时效率最高
GTSAM优势：传感器融合场景更高效
Ceres优势：通用场景易用性最佳

四、典型使用场景推荐

1. g2o

适用场景
- 激光SLAM中的位姿图优化
- 需要自定义边缘化策略的场合
案例：LOAM、Cartographer的后端优化

2. GTSAM

适用场景
- 视觉惯性里程计（VIO）
- 带IMU预积分的紧耦合优化
案例：VINS-Fusion、OKVIS

3. Ceres

适用场景
- 通用BA优化
- 需要快速原型开发的场景
案例：ORB-SLAM3的BA优化、Google Cartographer的前端

五、进阶使用技巧

1. g2o调试技巧

cpp 复制代码

// 开启调试输出
optimizer.setVerbose(true);
// 保存优化过程数据
g2o::saveG2OFile("before_opt.g2o", optimizer);
optimizer.optimize(10);
g2o::saveG2OFile("after_opt.g2o", optimizer);

2. GTSAM的ISAM2增量优化

cpp 复制代码

ISAM2Params params;
params.relinearizeThreshold = 0.01;
ISAM2 isam(params);

// 增量更新
isam.update(graph, initialEstimate);
Values result = isam.calculateEstimate();

3. Ceres的自动求导优化

cpp 复制代码

// 选择求导方式
CostFunction* cost_function =
  new NumericDiffCostFunction<CostFunctor, CENTRAL, 2, 3>(new CostFunctor);
// 或
new AutoDiffCostFunction<CostFunctor, 2, 3>(new CostFunctor);

六、选型决策树

plaintext 复制代码

是否需要概率推理？
├─ 是 → GTSAM
└─ 否 → 优化问题结构是否固定？
         ├─ 是 → g2o
         └─ 否 → Ceres

七、未来发展趋势

g2o：社区正在开发g2o2.0版本，改进内存管理和多线程支持
GTSAM：加强深度学习融合能力（如GTSAM-AD）
Ceres：持续优化GPU加速支持（通过CUDA后端）

根据项目需求选择：

科研创新：GTSAM的概率模型更易扩展新因子类型
工业部署：Ceres的稳定性和易用性更具优势
激光SLAM：g2o的图优化效率仍然领先