第4章 Ceres Solver入门

4、Ceres Solver入门：Ceres的安装与配置、自动求导与数值求导

说到图优化，就绕不开Ceres Solver。这个库在SLAM圈子里几乎是标配，Google出品，质量有保障。我最早接触Ceres是在做后端优化的时候，那时候还在手写高斯牛顿，后来发现Ceres把求导、迭代、收敛判断全包了，真香。

这一节，咱们就聊聊Ceres的安装配置，以及它最核心的两个求导方式——自动求导和数值求导。你想想看，优化问题的本质就是最小化误差，而求导是其中最关键的一步。Ceres帮你把这一步简化了很多。

4.1 Ceres的安装与配置

安装Ceres其实不复杂，但有几个坑需要注意。我踩过不少，给你总结一下。

4.1.1 依赖项准备

Ceres依赖几个基础库：Eigen（线性代数）、glog/gflags（日志和参数解析）、以及可选的SuiteSparse（稀疏矩阵求解）。我个人习惯用apt安装，省事。

# 安装依赖
sudo apt-get install libeigen3-dev libgoogle-glog-dev libgflags-dev
sudo apt-get install libatlas-base-dev libsuitesparse-dev

这里要注意，Eigen版本不能太低。Ceres 2.x要求Eigen 3.3以上。我曾经在Ubuntu 16.04上装过，默认的Eigen版本不够，编译报错，折腾了半天才发现是版本问题。

4.1.2 编译与安装

从GitHub拉源码，然后cmake三板斧：

git clone https://github.com/ceres-solver/ceres-solver.git
cd ceres-solver
mkdir build && cd build
cmake ..
make -j4
sudo make install

嗯，这里有个小技巧。cmake的时候可以加一些选项，比如关闭测试来加快编译：

cmake -DBUILD_TESTING=OFF -DBUILD_EXAMPLES=OFF ..

我一般还会加上 -DUSE_CUDA=OFF，因为SLAM里很少用到GPU加速的Ceres。

4.1.3 验证安装

装完之后，写个简单的CMakeLists.txt来验证：

cmake_minimum_required(VERSION 3.10)
project(ceres_test)

find_package(Ceres REQUIRED)
include_directories(${CERES_INCLUDE_DIRS})

add_executable(test_ceres test_ceres.cpp)
target_link_libraries(test_ceres ${CERES_LIBRARIES})

如果编译通过，说明安装成功了。我习惯在终端里跑一下Ceres自带的示例程序，比如 simple_bundle_adjuster，看看输出是否正常。

避坑指南： 我曾经在macOS上装Ceres，发现SuiteSparse死活装不上。后来发现Homebrew的版本和Ceres不兼容。解决办法是用源码编译SuiteSparse，或者干脆关掉它：cmake -DSUITESPARSE=OFF ..。对于大多数SLAM问题，没有SuiteSparse也能跑，只是求解速度慢一点。

4.2 自动求导 vs 数值求导

Ceres最吸引我的地方，就是它提供了多种求导方式。说白了，你不需要手动推导雅可比矩阵了。这对我们这种懒人来说，简直是福音。

4.2.1 数值求导（NumericDiff）

数值求导的原理很简单——用差分近似代替导数。比如前向差分：

f'(x) ≈ (f(x + h) - f(x)) / h

在Ceres里，用数值求导需要这样写：

struct CostFunctor {
    template <typename T>
    bool operator()(const T* const x, T* residual) const {
        residual[0] = 10.0 - x[0];
        return true;
    }
};

// 使用数值求导
ceres::CostFunction* cost_function =
    new ceres::NumericDiffCostFunction<CostFunctor, ceres::CENTRAL, 1, 1>(new CostFunctor);

注意这里的 ceres::CENTRAL，它指定了差分方式。有FORWARD、CENTRAL、RIDDERS三种。我一般用CENTRAL，精度比FORWARD高，但计算量翻倍。RIDDERS精度最高，但慢，适合对精度要求极高的场景。

  数值求导的优缺点：
  优点：实现简单，不需要推导导数公式
缺点：精度受步长h影响，计算速度慢，对病态问题不稳定

我在项目中遇到过一个问题：用数值求导优化相机位姿，结果迭代了100多次还不收敛。后来换成自动求导，20次就搞定了。说白了，数值求导的精度问题在非线性优化里会被放大。

4.2.2 自动求导（AutoDiff）

自动求导是Ceres的杀手锏。它不像数值求导那样近似，也不像符号求导那样需要推导表达式。它利用链式法则，在计算过程中同时计算导数。

用自动求导的写法：

struct CostFunctor {
    template <typename T>
    bool operator()(const T* const x, T* residual) const {
        residual[0] = T(10.0) - x[0];
        return true;
    }
};

// 使用自动求导
ceres::CostFunction* cost_function =
    new ceres::AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);

你看，代码几乎一样，只是把 NumericDiffCostFunction 换成了 AutoDiffCostFunction。但内部机制完全不同。自动求导会把 T 替换成 Jet 类型，这个 Jet 同时保存值和导数，通过重载运算符实现链式求导。

个人经验： 在SLAM中，我几乎只用自动求导。除非遇到自动求导不支持的情况（比如代码里有复杂的条件分支），我才会考虑数值求导。自动求导的精度和速度都优于数值求导，而且代码更简洁。

4.2.3 对比总结

对比项	自动求导	数值求导
精度	机器精度（无截断误差）	受步长h影响，有截断误差
速度	快（与手写解析求导接近）	慢（每次需要多次函数求值）
实现难度	中等（需要模板化代码）	简单（直接写残差函数）
适用场景	大多数优化问题	自动求导不支持的特殊情况

4.3 一个完整的例子

咱们用Ceres来解一个简单的曲线拟合问题。假设我们有观测数据点，想拟合一条曲线 y = exp(m*x + c)。这个例子在SLAM里很常见，比如拟合传感器的响应曲线。

#include <ceres/ceres.h>
#include <iostream>

// 残差结构体
struct ExponentialResidual {
    ExponentialResidual(double x, double y) : x_(x), y_(y) {}

    template <typename T>
    bool operator()(const T* const m, const T* const c, T* residual) const {
        residual[0] = T(y_) - exp(m[0] * T(x_) + c[0]);
        return true;
    }

private:
    const double x_;
    const double y_;
};

int main() {
    // 模拟数据
    double m_true = 0.3, c_true = 0.1;
    double m_est = 0.0, c_est = 0.0;

    // 构建问题
    ceres::Problem problem;
    for (int i = 0; i < 100; ++i) {
        double x = i * 0.1;
        double y = exp(m_true * x + c_true);
        problem.AddResidualBlock(
            new ceres::AutoDiffCostFunction<ExponentialResidual, 1, 1, 1>(
                new ExponentialResidual(x, y)),
            nullptr, &m_est, &c_est);
    }

    // 配置求解器
    ceres::Solver::Options options;
    options.minimizer_progress_to_stdout = true;
    options.max_num_iterations = 100;

    // 求解
    ceres::Solver::Summary summary;
    ceres::Solve(options, &problem, &summary);

    std::cout << summary.FullReport() << std::endl;
    std::cout << "True m: " << m_true << ", c: " << c_true << std::endl;
    std::cout << "Est m: " << m_est << ", c: " << c_est << std::endl;

    return 0;
}

这个例子虽然简单，但包含了Ceres的核心流程：定义残差、构建问题、配置求解器、求解。在SLAM闭环检测中，我们也是用同样的流程来优化位姿图。

  核心流程总结：
  定义残差结构体，重载 operator()
用 AutoDiffCostFunction 或 NumericDiffCostFunction 包装
添加到 Problem 中
配置 Solver::Options，调用 Solve

4.4 知识体系图

为了让你更直观地理解Ceres Solver在SLAM中的位置，我画了一张图：

这张图展示了Ceres在闭环检测中的位置。说白了，闭环检测给你的是约束，Ceres负责把这些约束变成优化问题，然后求解。自动求导和数值求导就是求解过程中的核心工具。

我的建议： 刚开始学Ceres，先用自动求导。等你对优化流程熟悉了，再考虑手写解析求导来提升性能。数值求导嘛，除非万不得已，否则别用。我在实际项目中，99%的情况都用自动求导，剩下的1%用手写解析求导。

好了，这一节的内容就到这里。Ceres的安装配置和求导方式，是后续图优化的基础。你先把这些基础打牢，后面讲位姿图优化的时候，就能直接上手了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

4、Ceres Solver入门：Ceres的安装与配置、自动求导与数值求导

4.1 Ceres的安装与配置

4.1.1 依赖项准备

4.1.2 编译与安装

4.1.3 验证安装

4.2 自动求导 vs 数值求导

4.2.1 数值求导（NumericDiff）

4.2.2 自动求导（AutoDiff）

4.2.3 对比总结

4.3 一个完整的例子

4.4 知识体系图