尧图网站建设 
简介Ceres Solver 1.14.0 是一套专为非线性最小二乘问题设计的 C 开源库广泛用于机器人、计算机视觉及三维重建等领域。在机器人SLAM、相机标定等场景中常需求解大规模非线性优化问题Ceres 通过迭代求解稀疏线性系统高效稳定地完成计算是同类工具中的经典选择。该版本已实测可在 VS2013 下编译使用兼容性好集成方便。压缩包共 612 个文件以 301 个 .cc 源文件和 179 个 .h 头文件为核心另含 19 个 CMake 构建脚本、27 个示例数据文件、24 个 RST 格式文档及少量 Python 辅助脚本整体仅 4.15MB轻量且目录清晰。已有 484 人浏览学习反馈实用。包内提供 curve_fitting 经典示例以及 Eigen 配置脚本和测试文件可帮助开发者快速理解 Ceres 的接口调用与工程配置方式并实际运行验证无论是学习算法原理还是直接嵌入自身项目都能显著减少重复踩坑成本是 C 非线性优化开发者的实用资源。1. 项目概览与选型理由1.1 ceres-solver 到底是什么做 SLAM、三维重建、传感器标定或者任何涉及参数优化的朋友对 Ceres Solver 这个名字应该都不陌生。ceres-solver-1.14.0.zip 是 Google 开源的 C 库 Ceres Solver 在 1.14.0 这个时间节点的完整源码包专门用来求解非线性最小二乘问题。你可以把它理解成一个“参数寻优黑盒”你告诉它误差怎么算、变量有哪些、数据长什么样它替你迭代出让总误差最小的那组参数。这个版本发布于 2019 年前后虽然现在 Ceres 已经更新到了 2.x但 1.14.0 仍然在很多老项目中坚挺地服役尤其是 ORB-SLAM2、VINS-Mono、部分版本的 OpenMVG 等经典工程默认依赖就是这个版本。所以如果你在编译这些老项目时遇到FindCeres报错多半要下载的就是这个 zip。我最初接触它是因为要做一个相机内参标定的工具那时候手写高斯牛顿迭代矩阵求逆、雅可比推导搞得头大。后来切到 Ceres才发现原来优化这件事可以这么“省心”——只需要定义残差和参数块剩下的求导、步长搜索、收敛判断全交给库。这篇博文我会从源码结构、编译细节、实际建模、常见坑位几个维度把 ceres-solver-1.14.0 拆开讲透给正准备入坑或者已经被编译折腾得怀疑人生的朋友一份可直接照抄的作业。1.2 为什么选 1.14.0 而不是最新版很多刚接触的朋友会问既然官网都出 2.x 了为什么还要用老版本这里要分清场景。如果你的项目是全新启动、没有任何历史包袱那直接上最新版没毛病但如果你要编译的是开源的经典算法框架那必须跟着对方的 CMakeLists 走。以 ORB-SLAM2 为例它的 Thirdparty 目录里明确写死了依赖 ceres-solver 1.14.0因为作者在开发时用的就是这一版。如果你强行用 2.x 替换大概率会遇到 API 变更导致的编译失败比如Solver::Options里某些成员被重命名、LocalParameterization被废弃等。这类问题修起来不算难但纯属浪费时间。另外1.14.0 本身也已经相当成熟。自动求导、数值求导、解析求导三大求导方式都已支持稠密和稀疏两种线性求解器结构也都齐全对绝大多数日常优化问题完全够用。我个人体验下来1.14.0 在编译速度和运行稳定性上反而比 2.x 更“轻”依赖也更少所以在嵌入式设备或老旧的 Ubuntu 16.04/18.04 环境里它仍是更稳妥的选择。2. 核心代码结构与关键组件解析2.1 解压之后源码目录里有什么拿到 ceres-solver-1.14.0.zip 之后解压出来你会看到这样几个核心目录ceres-solver-1.14.0/ ├── include/ceres/ # 对外暴露的头文件全部API都在这里 ├── internal/ceres/ # 内部实现源码包括各类求解器、求导内核 ├── examples/ # 官方示例非常适合入门学习 ├── cmake/ # CMake 辅助模块 ├── CMakeLists.txt # 顶层构建脚本 ├── LICENSE # BSD 3-Clause 许可证 └── README.mdinclude/ceres是你编程时唯一需要包含的头文件目录核心接口包括problem.h、cost_function.h、solver.h、loss_function.h等。internal/ceres里的东西在绝大多数情况下你不需要直接碰但如果你对算法实现感兴趣里面确实是宝藏比如levenberg_marquardt_strategy.cc就是 LM 算法的具体实现trust_region_minimizer.cc则是置信域优化器的核心逻辑。我建议新手拿到源码后先不要急着编译花半小时把examples/curve_fitting.cc读一遍这个文件只有一两百行却完整展示了一个最小二乘问题的全部要素残差定义、参数块注册、配置求解器、调用 Solve。把它吃透了Ceres 的基本用法你就掌握了七成。2.2 三大核心抽象残差、参数块与求解器Ceres 把优化问题抽象成了三个核心概念理解它们是掌握整个库的关键。第一个是参数块ParameterBlock就是你要优化的变量。它可以是一个 double 数组长度任意比如相机外参的 6 维向量、单应矩阵的 9 个元素或者一个完整的关键帧位姿。Ceres 不关心你的参数物理含义是什么它只把这些 double 当成一组待优化的数字。你可以通过problem.AddParameterBlock()显式注册参数块如果不注册而是直接调用AddResidualBlock()Ceres 也会隐式帮你注册但显式注册可以额外设置参数化方式比如四元数需要限定在单位球面上。第二个是残差块ResidualBlock它由三部分构成CostFunction、LossFunction 和一组关联的参数块。CostFunction 负责计算残差向量和雅可比矩阵这是整个优化问题的“发动机”LossFunction 是鲁棒核函数用于降低异常数据外点对优化结果的干扰比如HuberLoss可以控制误差增长的速度防止个别离谱的观测把整个优化带偏。第三个是求解器Solver它接收一个Problem通过Solver::Options配置优化策略后调用Solver::Solve(options, problem, summary)完成迭代求解。summary里记录了每一次迭代的代价变化、最终残差范数、求解耗时、终止原因等信息是判断优化是否成功的直接依据。注意参数块的内存是由你负责管理的Ceres 不会帮你 delete。你需要保证在Solve()调用期间传入参数的指针始终有效而且初始值要在调用Solve()之前设置好。3. 完整实操从零编译到跑通第一个优化3.1 环境依赖与编译配置先讲编译。ceres-solver-1.14.0 的依赖不算多但有几个是硬性的CMake 3.5 以上一个可用的 C11 编译器GCC 5.x 以上即可Eigen 3.3 以上强烈建议用系统包或源码安装最新稳定版可选依赖包括 LAPACK、BLAS、SuiteSparse、CXSparse如果你不需要稀疏求解相关的功能可以直接关闭 SuiteSparse 和 LAPACK 支持这样编译时间会明显缩短依赖也更好凑齐。我的建议是在 Ubuntu 系统上执行sudo apt-get install libeigen3-dev liblapack-dev libsuitesparse-dev libcxsparse3.1.4这里libcxsparse3.1.4是 Ubuntu 18.04 的包名如果你是 20.04 或更新版本直接搜libcxsparse即可。装完依赖后进入解压目录进行常规三连cd ceres-solver-1.14.0 mkdir build cd build cmake .. -DCMAKE_INSTALL_PREFIX/usr/local -DBUILD_EXAMPLESON -DBUILD_TESTINGOFF make -j4 sudo make install这里有两个小建议。-DBUILD_EXAMPLESON会把官方示例一并编译出来虽然编译时间稍长但这些示例是极好的学习素材尤其是curve_fitting和robot_pose_mle这两个例子看完你对 Ceres 的理解会提升一个台阶。另外-DBUILD_TESTINGOFF可以跳过单元测试的编译省下不少时间。如果你用 CMake 引入 Ceres在你的项目 CMakeLists 里加一行find_package(Ceres REQUIRED) target_link_libraries(your_target ${CERES_LIBRARIES}) include_directories(${CERES_INCLUDE_DIRS})只要安装路径是标准路径CMake 基本能直接找到。3.2 自己动手写一个曲线拟合我挑了一个最经典的入门示例用 Ceres 拟合一条指数衰减曲线。假设我们的观测数据服从$$y e^{mx c}$$其中 $m$ 和 $c$ 是未知参数我们手上有一批带噪声的观测点 $(x_i, y_i)$现在要通过优化反推出 $m$ 和 $c$。第一步定义残差结构体。Ceres 的自动求导要求我们用模板重载operator()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_; };第二步构造 Problem 并添加残差块ceres::Problem problem; double m 0.0, c 0.0; for (int i 0; i data_size; i) { problem.AddResidualBlock( new ceres::AutoDiffCostFunctionExponentialResidual, 1, 1, 1( new ExponentialResidual(data_x[i], data_y[i])), nullptr, // 核函数先设为空 m, c); }第三步配置求解器并运行ceres::Solver::Options options; 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() std::endl; std::cout m m , c c std::endl;这里AutoDiffCostFunction模板参数的含义是第一个是代价函数类型第二个是残差维度后面依次是每个参数块的维度。比如这里有两组参数$m$ 和 $c$各自维度都是 1所以是ExponentialResidual, 1, 1, 1。我当年第一次跑通这个例子时最大的感触是完全没手写过任何雅可比表达式Ceres 靠自动求导在内部把 $m$ 和 $c$ 的偏导数精确算出来了。这比数值差分求导既快又准比手工推导省事太多是 Ceres 最吸引人的地方。3.3 参数块维度与残差维度的匹配规则上面这个例子里模板参数很简单但实际工程中经常有人在这里踩坑。我拆开说一下规则。AutoDiffCostFunctionCostFunctor, kNumResiduals, kParamBlock1Dim, kParamBlock2Dim...的模板参数中残差维度kNumResiduals决定了你的operator()里residual数组的长度每个参数块维度则决定了对应const T* const指针指向的数组长度。这两者必须和你的实际数据结构严格一致。一个容易出错的地方是如果你用四元数表示旋转四元数本身是 4 维的但实际自由度只有 3。如果你直接把 4 维数组作为参数块丢进去做普通优化出来的四元数大概率不会保持单位模长。正确的做法是给这个参数块设置一个流形或局部参数化problem.AddParameterBlock(quaternion, 4, new ceres::QuaternionParameterization());这样 Ceres 在迭代时会在四元数对应的切空间3 维上更新保证更新后的值始终是单位四元数。1.14.0 里的这个类叫QuaternionParameterization到 2.x 改名为QuaternionManifold这也是版本迁移时最常见的一个坑。4. 常见问题与排查技巧实录4.1 编译阶段高频报错与解决方案我把自己和周围同事编译 ceres-solver-1.14.0 时遇到过的报错整理成一张表按出现频率排序报错现象根本原因解决办法Eigen/Dense: No such file or directory系统没装 Eigen 或 CMake 没找到apt install libeigen3-dev并在 CMake 里指定-DEIGEN_INCLUDE_DIRSuiteSparseConfig.cmake not found缺少 SuiteSparse 的 CMake 配置安装libsuitesparse-dev或直接-DSUITESPARSEOFF关闭稀疏求解C11 required but compiler does not support编译器版本太老升级 GCC 或添加-DCMAKE_CXX_STANDARD11ceres/internal/port.h: error: mutex in namespace std编译器对 C11 支持不完整确保用 GCC 5.0别用旧版本编译链接时undefined reference to ceres::...安装路径和find_package路径不一致检查/usr/local/lib/cmake/Ceres是否存在必要时手动设置Ceres_DIR最烦的一个问题是 Eigen 版本冲突。如果你系统里同时装了多个 Eigen 版本CMake 有可能抓到旧版本导致编译到一半突然报模板实例化错误。我的排查习惯是先用pkg-config --modversion eigen3确认当前默认版本如果不对就手动指定-DEIGEN_INCLUDE_DIR指向新版本的头文件目录。4.2 运行时优化不收敛怎么排查编译过了只是第一步跑起来结果不对才是真正让人头大的事。我总结了几类经典症状和排查方向症状一迭代几步就报Terminating: Function tolerance reached但结果明显不对。这种情况通常是收敛阈值设得太宽或者残差定义本身有误。建议先把options.function_tolerance和options.gradient_tolerance调小比如1e-10再打印每一轮的 cost 看变化趋势。如果 cost 纹丝不动大概率是残差恒等于零检查一下输入数据和残差公式。症状二迭代发散cost 越来越大。常见原因包括初始值离真值太远、核函数参数不合适、或者线性求解器类型不对。Ceres 的 LM 算法对初始值有一定敏感度尤其是有强非线性时。你可以先用暴力网格搜索或直接给一个“足够近”的初始值等跑通了再考虑放宽初值范围。另一个技巧是把options.max_num_iterations调大看它能否靠步长收缩从发散边缘拉回来。症状三结果震荡每次求解都不一样。这往往意味着问题本身是欠约束的也就是参数块自由度大于观测信息提供的约束数。举个典型案例单目相机从一段纯旋转运动的视频里标定内参尺度方向完全不可观任何优化算法都无法稳定收敛。解决方案是增加约束比如加入多帧观测或已知尺寸的标定板或者固定部分参数不参与优化。排查时Solver::Summary里的信息非常重要尤其是termination_type和initial_cost、final_cost这三项。如果初始代价和最终代价相差两个数量级以上通常优化是有效的。另外Ceres提供了problem.CheckConsistency()方法可以在求解前检查残差块定义是否自洽建议每次构造完 Problem 都调用一遍能提前暴露很多低级错误。4.3 一个我自己踩过的“人畜无害”大坑最后分享一个惨痛教训。有一段时间我在写一个三维点云配准模块PCL 的 ICP 精度不够于是用 Ceres 自己实现了一个点到面的距离残差。理论上这一步很常规但我在定义残差时用了Eigen::MapEigen::Vector3d把 double 指针映射成向量然后做了一堆向量运算。表面看起来没毛病编译也顺利通过。结果优化出来的位姿在小范围数据集上精度尚可一旦数据规模增大、噪声变多结果立刻崩坏。查了很久才发现我在残差函数里“不小心”修改了传入参数的临时对象虽然用完之后Eigen::Map不会真的改动原始内存但我在中间步骤把一个Eigen::Vector3d的局部变量赋值给了地图对象导致 Ceres 求解器在更新参数块时读到了脏数据。这个问题的隐蔽之处在于它不会立刻报错而是表现为“随机性”的精度下降。后来我的习惯是残差函数里只做纯计算不写任何可能改变指针指向或重新绑定内存的代码所有临时变量直接用普通Eigen::Vector3d不要用Map去映射参数块。简单说把参数当成只读输入不要试图在残差函数里对它们做任何形式的“修改”这是 Ceres 使用中的一条铁律。5. 从 1.14 到 2.x 的迁移启示虽然这篇主要讲 1.14.0但考虑到很多人迟早要面对版本升级我多说两句。2.x 最大的变化是把LocalParameterization系列改名为Manifold系列例如QuaternionParameterization变成了QuaternionManifoldAPI 的命名更准确了但迁移时你需要把AddParameterBlock的调用参数对应改掉。另外 2.x 对 CMake 的最低版本要求提高了编译依赖也做了精简。我的建议是老项目能不动就别动稳定优先新项目可以直接上 2.x毕竟新版本维护更积极、潜在 bug 修得更快。如果你手里有 1.14 的代码想迁移先跑一遍官方提供的release_notes里的迁移指南重点关注两个点——头文件路径变化local_parameterization.h变成了manifold.h和参数化类的构造方式。根据我个人经验Ceres 的 API 设计在数值优化库里属于非常友好的一档即使是新手只要理解了残差、参数块、求解器这三个核心概念再配合官方示例基本能在一天内上手。真正需要花时间的不是调 API而是理解你的优化问题本身残差怎么定义才合理、哪些参数需要固定、初始值怎么给才靠谱。这些功夫下在 Ceres 之外但决定了 Ceres 能不能在你这儿跑出好结果。本文还有配套的精品资源点击获取 Ceres Solver 1.14.0 从编译到实战：非线性最小二乘优化全解析
简介Ceres Solver 1.14.0 是一套专为非线性最小二乘问题设计的 C 开源库广泛用于机器人、计算机视觉及三维重建等领域。在机器人SLAM、相机标定等场景中常需求解大规模非线性优化问题Ceres 通过迭代求解稀疏线性系统高效稳定地完成计算是同类工具中的经典选择。该版本已实测可在 VS2013 下编译使用兼容性好集成方便。压缩包共 612 个文件以 301 个 .cc 源文件和 179 个 .h 头文件为核心另含 19 个 CMake 构建脚本、27 个示例数据文件、24 个 RST 格式文档及少量 Python 辅助脚本整体仅 4.15MB轻量且目录清晰。已有 484 人浏览学习反馈实用。包内提供 curve_fitting 经典示例以及 Eigen 配置脚本和测试文件可帮助开发者快速理解 Ceres 的接口调用与工程配置方式并实际运行验证无论是学习算法原理还是直接嵌入自身项目都能显著减少重复踩坑成本是 C 非线性优化开发者的实用资源。1. 项目概览与选型理由1.1 ceres-solver 到底是什么做 SLAM、三维重建、传感器标定或者任何涉及参数优化的朋友对 Ceres Solver 这个名字应该都不陌生。ceres-solver-1.14.0.zip 是 Google 开源的 C 库 Ceres Solver 在 1.14.0 这个时间节点的完整源码包专门用来求解非线性最小二乘问题。你可以把它理解成一个“参数寻优黑盒”你告诉它误差怎么算、变量有哪些、数据长什么样它替你迭代出让总误差最小的那组参数。这个版本发布于 2019 年前后虽然现在 Ceres 已经更新到了 2.x但 1.14.0 仍然在很多老项目中坚挺地服役尤其是 ORB-SLAM2、VINS-Mono、部分版本的 OpenMVG 等经典工程默认依赖就是这个版本。所以如果你在编译这些老项目时遇到FindCeres报错多半要下载的就是这个 zip。我最初接触它是因为要做一个相机内参标定的工具那时候手写高斯牛顿迭代矩阵求逆、雅可比推导搞得头大。后来切到 Ceres才发现原来优化这件事可以这么“省心”——只需要定义残差和参数块剩下的求导、步长搜索、收敛判断全交给库。这篇博文我会从源码结构、编译细节、实际建模、常见坑位几个维度把 ceres-solver-1.14.0 拆开讲透给正准备入坑或者已经被编译折腾得怀疑人生的朋友一份可直接照抄的作业。1.2 为什么选 1.14.0 而不是最新版很多刚接触的朋友会问既然官网都出 2.x 了为什么还要用老版本这里要分清场景。如果你的项目是全新启动、没有任何历史包袱那直接上最新版没毛病但如果你要编译的是开源的经典算法框架那必须跟着对方的 CMakeLists 走。以 ORB-SLAM2 为例它的 Thirdparty 目录里明确写死了依赖 ceres-solver 1.14.0因为作者在开发时用的就是这一版。如果你强行用 2.x 替换大概率会遇到 API 变更导致的编译失败比如Solver::Options里某些成员被重命名、LocalParameterization被废弃等。这类问题修起来不算难但纯属浪费时间。另外1.14.0 本身也已经相当成熟。自动求导、数值求导、解析求导三大求导方式都已支持稠密和稀疏两种线性求解器结构也都齐全对绝大多数日常优化问题完全够用。我个人体验下来1.14.0 在编译速度和运行稳定性上反而比 2.x 更“轻”依赖也更少所以在嵌入式设备或老旧的 Ubuntu 16.04/18.04 环境里它仍是更稳妥的选择。2. 核心代码结构与关键组件解析2.1 解压之后源码目录里有什么拿到 ceres-solver-1.14.0.zip 之后解压出来你会看到这样几个核心目录ceres-solver-1.14.0/ ├── include/ceres/ # 对外暴露的头文件全部API都在这里 ├── internal/ceres/ # 内部实现源码包括各类求解器、求导内核 ├── examples/ # 官方示例非常适合入门学习 ├── cmake/ # CMake 辅助模块 ├── CMakeLists.txt # 顶层构建脚本 ├── LICENSE # BSD 3-Clause 许可证 └── README.mdinclude/ceres是你编程时唯一需要包含的头文件目录核心接口包括problem.h、cost_function.h、solver.h、loss_function.h等。internal/ceres里的东西在绝大多数情况下你不需要直接碰但如果你对算法实现感兴趣里面确实是宝藏比如levenberg_marquardt_strategy.cc就是 LM 算法的具体实现trust_region_minimizer.cc则是置信域优化器的核心逻辑。我建议新手拿到源码后先不要急着编译花半小时把examples/curve_fitting.cc读一遍这个文件只有一两百行却完整展示了一个最小二乘问题的全部要素残差定义、参数块注册、配置求解器、调用 Solve。把它吃透了Ceres 的基本用法你就掌握了七成。2.2 三大核心抽象残差、参数块与求解器Ceres 把优化问题抽象成了三个核心概念理解它们是掌握整个库的关键。第一个是参数块ParameterBlock就是你要优化的变量。它可以是一个 double 数组长度任意比如相机外参的 6 维向量、单应矩阵的 9 个元素或者一个完整的关键帧位姿。Ceres 不关心你的参数物理含义是什么它只把这些 double 当成一组待优化的数字。你可以通过problem.AddParameterBlock()显式注册参数块如果不注册而是直接调用AddResidualBlock()Ceres 也会隐式帮你注册但显式注册可以额外设置参数化方式比如四元数需要限定在单位球面上。第二个是残差块ResidualBlock它由三部分构成CostFunction、LossFunction 和一组关联的参数块。CostFunction 负责计算残差向量和雅可比矩阵这是整个优化问题的“发动机”LossFunction 是鲁棒核函数用于降低异常数据外点对优化结果的干扰比如HuberLoss可以控制误差增长的速度防止个别离谱的观测把整个优化带偏。第三个是求解器Solver它接收一个Problem通过Solver::Options配置优化策略后调用Solver::Solve(options, problem, summary)完成迭代求解。summary里记录了每一次迭代的代价变化、最终残差范数、求解耗时、终止原因等信息是判断优化是否成功的直接依据。注意参数块的内存是由你负责管理的Ceres 不会帮你 delete。你需要保证在Solve()调用期间传入参数的指针始终有效而且初始值要在调用Solve()之前设置好。3. 完整实操从零编译到跑通第一个优化3.1 环境依赖与编译配置先讲编译。ceres-solver-1.14.0 的依赖不算多但有几个是硬性的CMake 3.5 以上一个可用的 C11 编译器GCC 5.x 以上即可Eigen 3.3 以上强烈建议用系统包或源码安装最新稳定版可选依赖包括 LAPACK、BLAS、SuiteSparse、CXSparse如果你不需要稀疏求解相关的功能可以直接关闭 SuiteSparse 和 LAPACK 支持这样编译时间会明显缩短依赖也更好凑齐。我的建议是在 Ubuntu 系统上执行sudo apt-get install libeigen3-dev liblapack-dev libsuitesparse-dev libcxsparse3.1.4这里libcxsparse3.1.4是 Ubuntu 18.04 的包名如果你是 20.04 或更新版本直接搜libcxsparse即可。装完依赖后进入解压目录进行常规三连cd ceres-solver-1.14.0 mkdir build cd build cmake .. -DCMAKE_INSTALL_PREFIX/usr/local -DBUILD_EXAMPLESON -DBUILD_TESTINGOFF make -j4 sudo make install这里有两个小建议。-DBUILD_EXAMPLESON会把官方示例一并编译出来虽然编译时间稍长但这些示例是极好的学习素材尤其是curve_fitting和robot_pose_mle这两个例子看完你对 Ceres 的理解会提升一个台阶。另外-DBUILD_TESTINGOFF可以跳过单元测试的编译省下不少时间。如果你用 CMake 引入 Ceres在你的项目 CMakeLists 里加一行find_package(Ceres REQUIRED) target_link_libraries(your_target ${CERES_LIBRARIES}) include_directories(${CERES_INCLUDE_DIRS})只要安装路径是标准路径CMake 基本能直接找到。3.2 自己动手写一个曲线拟合我挑了一个最经典的入门示例用 Ceres 拟合一条指数衰减曲线。假设我们的观测数据服从$$y e^{mx c}$$其中 $m$ 和 $c$ 是未知参数我们手上有一批带噪声的观测点 $(x_i, y_i)$现在要通过优化反推出 $m$ 和 $c$。第一步定义残差结构体。Ceres 的自动求导要求我们用模板重载operator()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_; };第二步构造 Problem 并添加残差块ceres::Problem problem; double m 0.0, c 0.0; for (int i 0; i data_size; i) { problem.AddResidualBlock( new ceres::AutoDiffCostFunctionExponentialResidual, 1, 1, 1( new ExponentialResidual(data_x[i], data_y[i])), nullptr, // 核函数先设为空 m, c); }第三步配置求解器并运行ceres::Solver::Options options; 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() std::endl; std::cout m m , c c std::endl;这里AutoDiffCostFunction模板参数的含义是第一个是代价函数类型第二个是残差维度后面依次是每个参数块的维度。比如这里有两组参数$m$ 和 $c$各自维度都是 1所以是ExponentialResidual, 1, 1, 1。我当年第一次跑通这个例子时最大的感触是完全没手写过任何雅可比表达式Ceres 靠自动求导在内部把 $m$ 和 $c$ 的偏导数精确算出来了。这比数值差分求导既快又准比手工推导省事太多是 Ceres 最吸引人的地方。3.3 参数块维度与残差维度的匹配规则上面这个例子里模板参数很简单但实际工程中经常有人在这里踩坑。我拆开说一下规则。AutoDiffCostFunctionCostFunctor, kNumResiduals, kParamBlock1Dim, kParamBlock2Dim...的模板参数中残差维度kNumResiduals决定了你的operator()里residual数组的长度每个参数块维度则决定了对应const T* const指针指向的数组长度。这两者必须和你的实际数据结构严格一致。一个容易出错的地方是如果你用四元数表示旋转四元数本身是 4 维的但实际自由度只有 3。如果你直接把 4 维数组作为参数块丢进去做普通优化出来的四元数大概率不会保持单位模长。正确的做法是给这个参数块设置一个流形或局部参数化problem.AddParameterBlock(quaternion, 4, new ceres::QuaternionParameterization());这样 Ceres 在迭代时会在四元数对应的切空间3 维上更新保证更新后的值始终是单位四元数。1.14.0 里的这个类叫QuaternionParameterization到 2.x 改名为QuaternionManifold这也是版本迁移时最常见的一个坑。4. 常见问题与排查技巧实录4.1 编译阶段高频报错与解决方案我把自己和周围同事编译 ceres-solver-1.14.0 时遇到过的报错整理成一张表按出现频率排序报错现象根本原因解决办法Eigen/Dense: No such file or directory系统没装 Eigen 或 CMake 没找到apt install libeigen3-dev并在 CMake 里指定-DEIGEN_INCLUDE_DIRSuiteSparseConfig.cmake not found缺少 SuiteSparse 的 CMake 配置安装libsuitesparse-dev或直接-DSUITESPARSEOFF关闭稀疏求解C11 required but compiler does not support编译器版本太老升级 GCC 或添加-DCMAKE_CXX_STANDARD11ceres/internal/port.h: error: mutex in namespace std编译器对 C11 支持不完整确保用 GCC 5.0别用旧版本编译链接时undefined reference to ceres::...安装路径和find_package路径不一致检查/usr/local/lib/cmake/Ceres是否存在必要时手动设置Ceres_DIR最烦的一个问题是 Eigen 版本冲突。如果你系统里同时装了多个 Eigen 版本CMake 有可能抓到旧版本导致编译到一半突然报模板实例化错误。我的排查习惯是先用pkg-config --modversion eigen3确认当前默认版本如果不对就手动指定-DEIGEN_INCLUDE_DIR指向新版本的头文件目录。4.2 运行时优化不收敛怎么排查编译过了只是第一步跑起来结果不对才是真正让人头大的事。我总结了几类经典症状和排查方向症状一迭代几步就报Terminating: Function tolerance reached但结果明显不对。这种情况通常是收敛阈值设得太宽或者残差定义本身有误。建议先把options.function_tolerance和options.gradient_tolerance调小比如1e-10再打印每一轮的 cost 看变化趋势。如果 cost 纹丝不动大概率是残差恒等于零检查一下输入数据和残差公式。症状二迭代发散cost 越来越大。常见原因包括初始值离真值太远、核函数参数不合适、或者线性求解器类型不对。Ceres 的 LM 算法对初始值有一定敏感度尤其是有强非线性时。你可以先用暴力网格搜索或直接给一个“足够近”的初始值等跑通了再考虑放宽初值范围。另一个技巧是把options.max_num_iterations调大看它能否靠步长收缩从发散边缘拉回来。症状三结果震荡每次求解都不一样。这往往意味着问题本身是欠约束的也就是参数块自由度大于观测信息提供的约束数。举个典型案例单目相机从一段纯旋转运动的视频里标定内参尺度方向完全不可观任何优化算法都无法稳定收敛。解决方案是增加约束比如加入多帧观测或已知尺寸的标定板或者固定部分参数不参与优化。排查时Solver::Summary里的信息非常重要尤其是termination_type和initial_cost、final_cost这三项。如果初始代价和最终代价相差两个数量级以上通常优化是有效的。另外Ceres提供了problem.CheckConsistency()方法可以在求解前检查残差块定义是否自洽建议每次构造完 Problem 都调用一遍能提前暴露很多低级错误。4.3 一个我自己踩过的“人畜无害”大坑最后分享一个惨痛教训。有一段时间我在写一个三维点云配准模块PCL 的 ICP 精度不够于是用 Ceres 自己实现了一个点到面的距离残差。理论上这一步很常规但我在定义残差时用了Eigen::MapEigen::Vector3d把 double 指针映射成向量然后做了一堆向量运算。表面看起来没毛病编译也顺利通过。结果优化出来的位姿在小范围数据集上精度尚可一旦数据规模增大、噪声变多结果立刻崩坏。查了很久才发现我在残差函数里“不小心”修改了传入参数的临时对象虽然用完之后Eigen::Map不会真的改动原始内存但我在中间步骤把一个Eigen::Vector3d的局部变量赋值给了地图对象导致 Ceres 求解器在更新参数块时读到了脏数据。这个问题的隐蔽之处在于它不会立刻报错而是表现为“随机性”的精度下降。后来我的习惯是残差函数里只做纯计算不写任何可能改变指针指向或重新绑定内存的代码所有临时变量直接用普通Eigen::Vector3d不要用Map去映射参数块。简单说把参数当成只读输入不要试图在残差函数里对它们做任何形式的“修改”这是 Ceres 使用中的一条铁律。5. 从 1.14 到 2.x 的迁移启示虽然这篇主要讲 1.14.0但考虑到很多人迟早要面对版本升级我多说两句。2.x 最大的变化是把LocalParameterization系列改名为Manifold系列例如QuaternionParameterization变成了QuaternionManifoldAPI 的命名更准确了但迁移时你需要把AddParameterBlock的调用参数对应改掉。另外 2.x 对 CMake 的最低版本要求提高了编译依赖也做了精简。我的建议是老项目能不动就别动稳定优先新项目可以直接上 2.x毕竟新版本维护更积极、潜在 bug 修得更快。如果你手里有 1.14 的代码想迁移先跑一遍官方提供的release_notes里的迁移指南重点关注两个点——头文件路径变化local_parameterization.h变成了manifold.h和参数化类的构造方式。根据我个人经验Ceres 的 API 设计在数值优化库里属于非常友好的一档即使是新手只要理解了残差、参数块、求解器这三个核心概念再配合官方示例基本能在一天内上手。真正需要花时间的不是调 API而是理解你的优化问题本身残差怎么定义才合理、哪些参数需要固定、初始值怎么给才靠谱。这些功夫下在 Ceres 之外但决定了 Ceres 能不能在你这儿跑出好结果。本文还有配套的精品资源点击获取