Ceres Solver是C++中高效的非线性最小二乘优化库,适用于曲线拟合、SLAM等场景;需安装并配置库依赖,通过定义残差结构体、创建代价函数、设置优化变量与求解选项,调用Solve()求解;支持自动微分、损失函数、局部参数化等高级特性,适合从简单到复杂问题的建模与优化。

在C++中进行非线性最小二乘优化时,Ceres Solver 是一个高效、灵活且广泛使用的开源库,由Google开发。它特别适用于解决如曲线拟合、参数估计、SLAM(同步定位与建图)、Bundle Adjustment等需要最小化残差平方和的问题。
1. 安装与配置 Ceres Solver
使用 Ceres 前需先安装。可通过包管理器或源码编译:
- Ubuntu:
sudo apt-get install libceres-dev -
macOS (Homebrew):
brew install ceres-solver - Windows:推荐使用 vcpkg 或从 GitHub 编译源码
确保项目链接了 Ceres 库。CMake 示例:
find_package(Ceres REQUIRED)
target_link_libraries(your_program ${CERES_LIBRARIES})
target_include_directories(your_program PRIVATE ${CERES_INCLUDE_DIRS})
2. 构建优化问题的基本步骤
Ceres 的核心是构建一个“代价函数”(Cost Function),并将其添加到“问题”(Problem)中,然后调用求解器(Solver)。
立即学习“C++免费学习笔记(深入)”;
基本流程如下:
-
定义残差计算结构体:继承自
ceres::SizedCostFunction或使用自动微分模板 -
创建代价函数对象:通常配合
AutoDiffCostFunction - 设置优化变量:定义待优化的参数块
- 配置求解选项:如最大迭代次数、收敛条件等
-
运行求解:调用
Solve()并查看结果
3. 实例:拟合曲线 y = a*x + b
假设有一组数据点,想用直线拟合。目标是最小化预测值与真实值之间的误差平方和。
#include#include #include struct LinearResidual { LinearResidual(double x, double y) : x(x), y(y) {}
template
bool operator()(const T const a, const T const b, T residual) const { residual[0] = T(y_) - (a T(x_) + b); return true; } double x, y; };
int main() { std::vector
xs = {1.0, 2.0, 3.0, 4.0, 5.0}; std::vector ys = {2.1, 3.9, 6.1, 8.0, 9.8}; double a = 1.0, b = 1.0; // 初始猜测
ceres::Problem problem; for (int i = 0; i < xs.size(); ++i) { ceres::CostFunction* cost_function = new ceres::AutoDiffCostFunction
( new LinearResidual(xs[i], ys[i]) ); problem.AddResidualBlock(cost_function, nullptr, &a, &b); } ceres::Solver::Options options; options.max_num_iterations = 25; options.linear_solver_type = ceres::DENSE_QR; options.minimizer_progress_to_stdout = true;
ceres::Solver::Summary summary; ceres::Solve(options, &problem, &summary);
std::cout << summary.BriefReport() << "\n"; std::cout << "Estimated a = " << a << ", b = " << b << "\n";
return 0; }
输出会显示优化过程和最终参数,接近真实值(如 a≈2.0, b≈0.1)。
4. 高级特性简述
Ceres 支持多种高级功能,提升灵活性与性能:
- 自动微分:通过模板自动计算雅可比矩阵,避免手动推导
- 数值微分:当无法使用模板时,可用数值近似
- 损失函数(Loss Function):如 Huber 损失,增强对异常值的鲁棒性
- 局部参数化:适用于旋转(SO3)等流形空间的优化
- 多残差与多参数块:支持复杂模型结构
基本上就这些。Ceres 的设计清晰,文档完善,适合从简单拟合到复杂几何优化的各种场景。掌握其基本模式后,扩展应用并不复杂但容易忽略细节,比如内存管理和雅可比维度匹配。










