从零手撸Ceres BA：SLAM后端优化实战与避坑指南

1. 从零手撸Ceres BA为什么我不建议你直接抄开源代码搞SLAM的人迟早会撞上BABundle Adjustment光束法平差这堵墙。不管你前面前端里程计跑得多漂亮回环检测做得多灵敏最后位姿和地图点能不能收敛到一块儿去全看后端优化这一哆嗦。而Ceres Solver基本就是这个环节里绕不开的工业级工具。很多人第一次接触Ceres BA都是直接扒开源框架里的backend.cpp改改参数就跑结果一旦发散或者收敛慢完全不知道从哪儿下手。我自己也是这么过来的踩了无数坑之后才明白Ceres BA这东西你得自己从零搭一遍把每个残差块、每个雅可比、每个求解器选项都亲手摸过才算真正会用。这篇内容就是把我自己反复搭Ceres BA的经验完整拆开。核心目标很明确给定一组带噪声的位姿和地图点观测用Ceres构建一个能跑通、能收敛、能调优的BA问题。适合谁看如果你已经写过简单的Ceres Hello World知道AutoDiffCostFunction大概怎么用但一到SLAM的BA场景就懵那这篇就是给你准备的。我会从整体设计思路讲起把残差构建、参数块管理、求解器配置、调试排查全部过一遍最后给你一份可以直接抄作业的完整流程。全程不依赖任何特定开源框架纯Ceres Eigen你拿过去改改就能塞进自己的项目里。2. 整体设计思路BA到底在优化什么2.1 先想清楚BA的数学本质BA的本质是一个大规模非线性最小二乘问题。我们有相机位姿旋转平移和三维地图点每个观测是某个位姿下看到某个地图点产生的二维像素坐标。理想情况下把三维点投影到该位姿的成像平面上应该正好落在观测到的像素位置。但现实是位姿有误差、地图点有误差、观测本身也有噪声所以投影位置和观测位置之间总有残差。BA要做的就是调整所有位姿和地图点让这些残差的平方和最小。用公式说假设有m个位姿、n个地图点、k次观测优化变量就是所有位姿的参数每个6自由度加上所有地图点的坐标每个3自由度总共6m3n维。目标函数是min Σ || π(T_i, P_j) - z_ij ||²_Σ其中π是投影函数T_i是第i个位姿P_j是第j个地图点z_ij是观测到的像素坐标Σ是观测的协方差信息矩阵。这个问题的规模可以非常大——几千个位姿、几十万个点变量维度轻松上百万。所以BA的核心挑战不是“怎么定义残差”而是“怎么在这么大的规模下高效求解”。2.2 为什么选Ceres而不是手写高斯牛顿你完全可以手写高斯牛顿或者LM来解BA事实上很多教学代码就是这么干的。但到了实际项目里手写求解器很快就会遇到几个绕不过去的问题。第一是稀疏性利用BA的Hessian矩阵是高度稀疏的位姿和位姿之间、位姿和点之间才有非零块点与点之间没有直接关联。手写的话你得自己实现Schur消元把点边缘化掉先解位姿再回代求点这个逻辑写起来容易出错。第二是数值稳定性LM的阻尼因子怎么调、信赖域怎么更新这些细节直接影响收敛性。第三是自动微分手写雅可比在投影函数复杂一点的时候就是噩梦。Ceres把这些全包了。它内置了稀疏求解器SPARSE_NORMAL_CHOLESKY、SPARSE_SCHUR等支持自动微分LM和DogLeg都有成熟实现。你只需要把残差定义清楚剩下的交给它。当然代价是你得理解它的参数块管理机制和求解器选项不然调参的时候就是盲人摸象。2.3 参数块与流形的设计考量Ceres里每个优化变量都要组织成参数块ParameterBlock。位姿的旋转部分如果直接用旋转矩阵的9个元素表示会有冗余和正交约束问题Ceres提供了流形Manifold旧版本叫LocalParameterization来处理。对于SO(3)标准做法是用四元数4维作为参数块然后挂一个EigenQuaternionManifold让优化在切空间3维里进行。平移就是3维向量直接作为参数块。这里有个关键选择位姿是用四元数平移分开两个参数块还是打包成一个7维数组我建议分开。分开的好处是流形只挂在四元数上平移不需要流形逻辑清晰。打包的话你得自己写一个复合流形容易出错。地图点就是3维向量直接作为参数块不需要流形。另一个考量是参数块的顺序。Ceres的稀疏求解器对参数块顺序敏感因为Schur消元需要知道哪些是“位姿块”、哪些是“点块”。通常把位姿放在前面点放在后面这样Ceres在SPARSE_SCHUR模式下能自动识别并做消元。如果你顺序反了性能可能差很多。3. 核心细节解析残差、雅可比与信息矩阵3.1 重投影残差怎么定义才不出错重投影残差是整个BA的基石定义错了后面全白搭。假设相机内参矩阵K已知焦距fx、fy主点cx、cy位姿T [R | t]地图点P在世界坐标系下。投影过程分三步先把P转到相机坐标系P_cam R * P t然后归一化得到归一化坐标(u, v) (P_cam.x / P_cam.z, P_cam.y / P_cam.z)最后乘内参像素坐标 (fx * u cx, fy * v cy)。残差就是预测像素减去观测像素二维向量。这里有几个容易踩的坑。第一是坐标系约定R是world-to-camera还是camera-to-worldt的符号这些必须和你的前端保持一致不然残差方向反了优化直接发散。第二是P_cam.z的符号如果点在相机后面投影是无效的残差应该被丢弃或者给一个大的惩罚。第三是内参是否参与优化如果内参也标定得不准可以把fx、fy、cx、cy也作为参数块加进去但一般SLAM里内参是预先标定好的不参与BA。用Ceres的自动微分残差定义大概长这样struct ReprojectionError { ReprojectionError(double observed_x, double observed_y) : observed_x_(observed_x), observed_y_(observed_y) {} template typename T bool operator()(const T* const q, const T* const t, const T* const point, T* residuals) const { // q是四元数(w,x,y,z)t是平移 Eigen::QuaternionT q_eigen(q[0], q[1], q[2], q[3]); Eigen::MatrixT, 3, 1 p_world(point[0], point[1], point[2]); Eigen::MatrixT, 3, 1 p_cam q_eigen * p_world Eigen::MatrixT, 3, 1(t[0], t[1], t[2]); if (p_cam.z() T(0)) { residuals[0] T(0); residuals[1] T(0); return true; } T x p_cam.x() / p_cam.z(); T y p_cam.y() / p_cam.z(); residuals[0] fx_ * x cx_ - T(observed_x_); residuals[1] fy_ * y cy_ - T(observed_y_); return true; } static ceres::CostFunction* Create(double observed_x, double observed_y) { return new ceres::AutoDiffCostFunctionReprojectionError, 2, 4, 3, 3( new ReprojectionError(observed_x, observed_y)); } double observed_x_, observed_y_; double fx_ 500.0, fy_ 500.0, cx_ 320.0, cy_ 240.0; };注意模板参数ReprojectionError, 2, 4, 3, 32是残差维度后面三个是参数块维度四元数4维、平移3维、地图点3维。这个顺序必须和AddResidualBlock时传入的参数块顺序一致错一个就编译不过或者运行出错。3.2 信息矩阵别再用单位矩阵糊弄了很多教程为了简单直接把信息矩阵设为单位矩阵也就是假设所有观测的噪声方差都是1。这在教学里没问题但在实际项目里会出大问题。不同特征点的观测精度是不一样的离相机近的、纹理丰富的点像素定位精度高离得远的、模糊的点精度差。如果一视同仁优化结果会被差观测拖偏。信息矩阵是协方差矩阵的逆通常假设观测噪声是各向同性的高斯分布协方差是σ²I那么信息矩阵就是(1/σ²)I。σ的单位是像素一般取0.5到2.0之间。如果你有更精细的噪声模型比如考虑像素坐标x和y的相关性可以用完整的2x2矩阵。Ceres里通过AddResidualBlock的最后一个参数传入传NULL就是单位矩阵。ceres::LossFunction* loss new ceres::HuberLoss(1.0); Eigen::Matrix2d info Eigen::Matrix2d::Identity() / (sigma * sigma); ceres::CostFunction* cost ReprojectionError::Create(obs_x, obs_y); problem.AddResidualBlock(cost, loss, q, t, point); problem.SetParameterBlockConstant(...); // 如果需要固定某个参数块这里还涉及鲁棒核函数的选择。外点误匹配在SLAM里是常态如果不用鲁棒核一个外点就能把整个优化带偏。HuberLoss是最常用的阈值一般取1.0到2.0。CauchyLoss更激进适合外点比例高的情况但可能把内点也压制了。我一般先用Huber如果发现外点太多再换Cauchy。3.3 流形四元数优化的正确姿势四元数有4个分量但实际只有3个自由度因为模长约束为1。如果直接在4维空间里优化Ceres会尝试改变模长导致数值问题。所以必须挂流形让优化在切空间里进行。Ceres新版本用Manifold旧版本用LocalParameterization。// 新版本 problem.AddParameterBlock(q, 4, new ceres::EigenQuaternionManifold()); problem.AddParameterBlock(t, 3); problem.AddParameterBlock(point, 3);EigenQuaternionManifold的约定是四元数顺序为(w, x, y, z)和Eigen的Quaternion一致。如果你用的是其他顺序比如xyzw得自己写流形或者调整。这个细节很容易忽略一旦顺序错了优化结果就是乱的但残差又不会报错排查起来很痛苦。另外位姿的平移部分不需要流形直接3维欧氏空间。地图点也不需要。只有旋转需要流形。如果你把位姿打包成7维四元数平移那就得写一个复合流形分别处理前4维和后3维麻烦且容易错。所以我强烈建议分开。4. 实操过程从零搭建一个可收敛的BA4.1 数据准备与问题构建假设你有一组模拟数据10个位姿100个地图点每个位姿看到大约20个点总共约200次观测。数据格式我建议用简单的结构体struct Observation { int pose_id; int point_id; double pixel_x, pixel_y; }; struct Pose { Eigen::Quaterniond q; Eigen::Vector3d t; }; struct Point3D { Eigen::Vector3d p; };构建问题时先把所有位姿和地图点转成Ceres的参数块。位姿的四元数存成double[4]平移存成double[3]地图点存成double[3]。然后遍历观测为每个观测创建CostFunction并AddResidualBlock。ceres::Problem problem; std::vectordouble* pose_q_blocks, pose_t_blocks, point_blocks; for (auto pose : poses) { double* q new double[4]{pose.q.w(), pose.q.x(), pose.q.y(), pose.q.z()}; double* t new double[3]{pose.t.x(), pose.t.y(), pose.t.z()}; problem.AddParameterBlock(q, 4, new ceres::EigenQuaternionManifold()); problem.AddParameterBlock(t, 3); pose_q_blocks.push_back(q); pose_t_blocks.push_back(t); } for (auto pt : points) { double* p new double[3]{pt.p.x(), pt.p.y(), pt.p.z()}; problem.AddParameterBlock(p, 3); point_blocks.push_back(p); } for (auto obs : observations) { ceres::CostFunction* cost ReprojectionError::Create(obs.pixel_x, obs.pixel_y); problem.AddResidualBlock(cost, new ceres::HuberLoss(1.0), pose_q_blocks[obs.pose_id], pose_t_blocks[obs.pose_id], point_blocks[obs.point_id]); }这里有个重要细节第一个位姿通常要固定否则整个系统有7自由度6自由度刚体变换1尺度的规范自由度优化会漂移。固定第一个位姿的q和tproblem.SetParameterBlockConstant(pose_q_blocks[0]); problem.SetParameterBlockConstant(pose_t_blocks[0]);如果你有先验信息比如IMU或者GPS也可以给第一个位姿加一个先验残差块而不是硬固定。硬固定简单但可能引入偏差先验更灵活但需要额外定义残差。4.2 求解器配置让收敛快且稳Ceres的求解器选项很多但BA场景下真正关键的就几个。首先是线性求解器类型小规模问题几千个变量以内用DENSE_SCHUR就行大规模必须用SPARSE_SCHUR。SPARSE_SCHUR会利用BA的稀疏结构先Schur消元掉地图点解位姿再回代效率高很多。ceres::Solver::Options options; options.linear_solver_type ceres::SPARSE_SCHUR; options.trust_region_strategy_type ceres::LEVENBERG_MARQUARDT; options.max_num_iterations 50; options.function_tolerance 1e-6; options.gradient_tolerance 1e-10; options.parameter_tolerance 1e-8; options.min_linear_solver_iterations 10; options.max_linear_solver_iterations 500; options.num_threads 4; options.logging_type ceres::PER_MINIMIZER_ITERATION;LEVENBERG_MARQUARDT比DOGLEG更稳适合BA这种残差非线性的问题。max_num_iterations一般设50就够BA通常10到20次迭代就收敛了。function_tolerance是目标函数变化量的阈值gradient_tolerance是梯度范数的阈值parameter_tolerance是参数变化量的阈值三个满足一个就停。num_threads根据你的CPU核数设Ceres的自动微分和部分线性求解器支持多线程。还有一个容易忽略的选项是use_nonmonotonic_steps设为true可以让LM在非单调方向上试探有时候能跳出局部极小。但也会增加不稳定性我一般先不开遇到收敛困难再试。4.3 迭代过程监控与收敛判断跑起来之后Ceres会打印每次迭代的cost、梯度范数、信赖域半径等信息。你要关注几个信号。第一是cost是否单调下降如果震荡或者上升说明LM阻尼不够或者残差定义有问题。第二是梯度范数是否趋近于零如果降到1e-10以下基本就是收敛了。第三是信赖域半径如果一直缩小到很小说明步长被压制可能陷入局部极小。ceres::Solver::Summary summary; ceres::Solve(options, problem, summary); std::cout summary.FullReport() std::endl;FullReport会给出详细的迭代记录和最终状态。如果summary.termination_type是CONVERGENCE说明正常收敛如果是NO_CONVERGENCE说明达到最大迭代次数还没收敛需要调参或者检查数据如果是FAILURE通常是数值问题比如Hessian矩阵奇异。我自己的经验是BA第一次跑不通90%的问题出在残差定义或者坐标系约定上。先把第一个位姿固定把地图点也固定只优化位姿看看能不能收敛。如果能再放开地图点。逐步放开变量比一上来全放开容易定位问题。5. 常见问题与排查技巧实录5.1 优化发散的几种典型原因BA发散是最常见的问题表现是cost越来越大或者变成NaN。我整理了几种典型原因和排查方法。现象可能原因排查方法cost变成NaN残差里有除零或log(负数)检查p_cam.z是否接近0加保护cost震荡不降信息矩阵过大或LM阻尼不足减小信息矩阵权重增大初始阻尼收敛到错误值外点太多或规范自由度未固定加鲁棒核固定第一个位姿收敛极慢线性求解器选错或参数块顺序不对换SPARSE_SCHUR位姿放前面梯度一直很大残差定义符号反了检查投影公式和坐标系约定除零问题特别隐蔽因为自动微分在p_cam.z接近0时会产生巨大的梯度。我的做法是在残差函数里加一个判断如果p_cam.z小于某个阈值比如0.01直接把残差设为零并返回相当于丢弃这个观测。虽然有点粗暴但比NaN好。5.2 收敛慢的性能调优如果BA能收敛但很慢比如每次迭代要好几秒那通常是线性求解器的锅。首先确认你用的是SPARSE_SCHUR而不是DENSE_SCHUR。其次检查参数块顺序位姿块必须在点块前面否则Schur消元无法正确识别。第三如果问题规模特别大几十万点可以考虑用ITERATIVE_SCHUR配合CGNR用迭代法解线性系统内存占用小但收敛慢一些。还有一个技巧是options.preconditioner_type对于ITERATIVE_SCHUR用SCHUR_JACOBI预条件子能显著加速。但如果是SPARSE_SCHUR预条件子不适用因为它是直接法。// 大规模问题的迭代求解配置 options.linear_solver_type ceres::ITERATIVE_SCHUR; options.preconditioner_type ceres::SCHUR_JACOBI; options.max_linear_solver_iterations 200;另外num_threads别设太大超过物理核数反而会因为线程调度开销变慢。一般设成物理核数或者物理核数的一半。5.3 外点处理与鲁棒核调参外点在SLAM里太常见了误匹配、动态物体、遮挡都会产生外点。鲁棒核的阈值调不好要么外点没压住要么内点被误伤。我的经验是先用Huber阈值从1.0开始试。如果发现优化结果被少数几个点带偏说明外点比例高换Cauchy阈值降到0.5。如果换了Cauchy之后内点也被压制收敛变慢说明阈值太小往上调。还有一个更彻底的做法是先用RANSAC或者P3P做一轮粗筛把明显的外点剔掉再用BA精调。但这样会增加前端复杂度看你的项目需求。注意鲁棒核的阈值单位是残差的范数而残差是像素误差。所以阈值1.0意味着像素误差超过1个像素的观测会被降权。如果你的观测噪声本身就大于1个像素阈值要相应调大。5.4 参数块固定与先验的取舍固定第一个位姿是最简单的规范自由度处理方法但有个副作用如果第一个位姿本身误差大整个优化会被它锚定在错误的位置。更好的做法是给第一个位姿加一个弱先验比如一个均值为当前估计、协方差较大的高斯先验。这样既消除了规范自由度又允许第一个位姿在小范围内调整。struct PosePrior { PosePrior(const Eigen::Quaterniond q_prior, const Eigen::Vector3d t_prior, double q_sigma, double t_sigma) : q_prior_(q_prior), t_prior_(t_prior), q_sqrt_info_(1.0 / q_sigma), t_sqrt_info_(1.0 / t_sigma) {} template typename T bool operator()(const T* const q, const T* const t, T* residuals) const { Eigen::QuaternionT q_eigen(q[0], q[1], q[2], q[3]); Eigen::QuaternionT q_prior(q_prior_.w(), q_prior_.x(), q_prior_.y(), q_prior_.z()); Eigen::QuaternionT q_diff q_prior.inverse() * q_eigen; residuals[0] T(q_sqrt_info_) * q_diff.x(); residuals[1] T(q_sqrt_info_) * q_diff.y(); residuals[2] T(q_sqrt_info_) * q_diff.z(); residuals[3] T(t_sqrt_info_) * (t[0] - T(t_prior_.x())); residuals[4] T(t_sqrt_info_) * (t[1] - T(t_prior_.y())); residuals[5] T(t_sqrt_info_) * (t[2] - T(t_prior_.z())); return true; } // ... };这个先验残差是6维的旋转部分用四元数的虚部近似平移部分直接相减。q_sigma和t_sigma控制先验的强度一般设得比实际观测噪声大一个量级让先验只起锚定作用不主导优化。6. 进阶技巧让BA更贴近实际项目6.1 局部BA与全局BA的切换实际SLAM系统里BA不是每次都全局跑。前端每来一帧通常只做局部BA优化最近几个关键帧和它们看到的地图点。只有回环检测触发时才做全局BA。局部BA的规模小实时性好全局BA规模大但频率低。局部BA的实现关键是选好参与优化的位姿集合和点集合。位姿集合一般是最近N个关键帧加上和它们有共视关系的邻居帧。点集合是这些帧看到的所有点。固定集合外的位姿和点只优化集合内的。这样Hessian矩阵的规模可控求解快。std::unordered_setint local_pose_ids GetLocalPoseIds(); std::unordered_setint local_point_ids GetLocalPointIds(); for (int i 0; i poses.size(); i) { if (local_pose_ids.find(i) local_pose_ids.end()) { problem.SetParameterBlockConstant(pose_q_blocks[i]); problem.SetParameterBlockConstant(pose_t_blocks[i]); } } for (int j 0; j points.size(); j) { if (local_point_ids.find(j) local_point_ids.end()) { problem.SetParameterBlockConstant(point_blocks[j]); } }全局BA就是所有位姿和点都放开只固定第一个位姿。全局BA通常跑一次要几秒到几十秒所以一般放在后台线程不阻塞前端。6.2 边缘化与先验的引入滑动窗口BA里为了控制规模会把老的关键帧边缘化掉。边缘化的本质是把老帧的变量消去但它们对剩余变量的约束不能丢得转成一个先验信息矩阵加到剩余变量上。这个先验矩阵是边缘化时Hessian矩阵的Schur补。Ceres本身不直接支持边缘化但你可以手动计算先验矩阵然后用Eigen::Matrix构造一个自定义的CostFunction把先验残差加进去。先验残差的形式是r J * δx其中J是先验矩阵的Cholesky分解δx是当前估计和线性化点的差。这个实现起来比较复杂但这是滑动窗口BA的核心绕不过去。我的建议是先用Ceres把全局BA跑通理解清楚残差和求解器再尝试边缘化。边缘化的坑比BA本身还多尤其是先验矩阵的维护和更新一不小心就数值不稳定。6.3 数值精度与float/double的选择Ceres默认用double精度足够。但有些嵌入式平台为了省内存和算力会用float。float的精度在BA里往往不够因为Hessian矩阵的条件数可能很大float的舍入误差会累积导致收敛困难甚至发散。如果非要用float至少把线性求解器的精度调高并且用ITERATIVE_SCHUR配合预条件子减少对Hessian矩阵直接分解的依赖。另一个精度相关的点是自动微分的步长。Ceres的自动微分用对偶数dual number计算导数理论上是精确的不存在步长问题。但如果你手写雅可比用数值差分步长选不好会引入误差。所以能用自动微分就用自动微分别手写。7. 我踩过的那些坑与实操心得第一个坑是四元数顺序。Ceres的EigenQuaternionManifold要求四元数顺序是(w, x, y, z)但Eigen的Quaterniond构造函数是(w, x, y, z)而有些库比如ROS的tf用的是(x, y, z, w)。我第一次搭的时候从tf里拿四元数直接塞给Ceres结果优化出来的位姿完全不对排查了一整天才发现是顺序问题。后来我养成了一个习惯所有四元数进出Ceres的地方都显式地写一遍顺序转换哪怕看起来多余。第二个坑是信息矩阵的尺度。我一开始用单位矩阵结果优化结果被远处的点带偏。后来把信息矩阵设成(1/σ²)Iσ取1.0效果好很多。再后来发现不同点的σ其实不一样就根据点的深度和观测角度给了一个粗略的权重深度大、角度斜的点权重低。这个权重不用很精确但有没有差别很大。第三个坑是固定第一个位姿。我一开始没固定优化跑完整个轨迹漂了因为规范自由度没消除。固定之后就好了。但固定也有副作用如果第一个位姿误差大整个轨迹会被锚偏。后来我改成加弱先验效果好很多。第四个坑是鲁棒核的阈值。我用HuberLoss(1.0)结果发现有些内点也被降权了因为我的观测噪声本身就接近1个像素。后来把阈值调到2.0内点保住了外点也压住了。所以阈值一定要根据你的实际观测噪声来调不能照搬教程。第五个坑是线性求解器的选择。我一开始用DENSE_SCHUR小规模数据没问题规模一上来就慢得离谱。换成SPARSE_SCHUR之后速度快了一个量级。但SPARSE_SCHUR要求参数块顺序正确位姿在前、点在后否则它识别不出Schur结构退化成普通稀疏求解性能优势就没了。第六个坑是内存管理。Ceres的AddResidualBlock会接管CostFunction和LossFunction的所有权你不需要手动delete。但参数块的double数组是你自己new的Ceres不负责释放你得在优化结束后自己delete[]。我一开始忘了释放跑长时间SLAM的时候内存一直涨后来加了RAII包装才解决。第七个坑是线程数。我设了num_threads 8结果比4还慢因为我的机器只有4个物理核超线程反而增加了调度开销。后来改成物理核数速度就正常了。所以num_threads不是越大越好得看硬件。8. 一份可以直接抄的完整配置清单最后给你一份我常用的Ceres BA配置小规模到中等规模几千个位姿、几万个点都能直接用。你拿过去改改内参和噪声参数就能跑。ceres::Problem problem; // 参数块添加 for (auto pose : poses) { double* q new double[4]{pose.q.w(), pose.q.x(), pose.q.y(), pose.q.z()}; double* t new double[3]{pose.t.x(), pose.t.y(), pose.t.z()}; problem.AddParameterBlock(q, 4, new ceres::EigenQuaternionManifold()); problem.AddParameterBlock(t, 3); // 存储指针... } for (auto pt : points) { double* p new double[3]{pt.p.x(), pt.p.y(), pt.p.z()}; problem.AddParameterBlock(p, 3); // 存储指针... } // 残差添加 for (auto obs : observations) { ceres::CostFunction* cost ReprojectionError::Create(obs.pixel_x, obs.pixel_y); ceres::LossFunction* loss new ceres::HuberLoss(2.0); problem.AddResidualBlock(cost, loss, pose_q_blocks[obs.pose_id], pose_t_blocks[obs.pose_id], point_blocks[obs.point_id]); } // 固定第一个位姿 problem.SetParameterBlockConstant(pose_q_blocks[0]); problem.SetParameterBlockConstant(pose_t_blocks[0]); // 求解器配置 ceres::Solver::Options options; options.linear_solver_type ceres::SPARSE_SCHUR; options.trust_region_strategy_type ceres::LEVENBERG_MARQUARDT; options.max_num_iterations 50; options.function_tolerance 1e-6; options.gradient_tolerance 1e-10; options.parameter_tolerance 1e-8; options.num_threads 4; options.logging_type ceres::PER_MINIMIZER_ITERATION; options.minimizer_progress_to_stdout true; ceres::Solver::Summary summary; ceres::Solve(options, problem, summary); std::cout summary.BriefReport() std::endl;这套配置我在多个项目里用过收敛稳定速度也够。如果你的问题规模更大把SPARSE_SCHUR换成ITERATIVE_SCHUR加SCHUR_JACOBI预条件子。如果外点特别多把Huber换成Cauchy阈值降到1.0。如果收敛慢先检查参数块顺序和线性求解器类型再考虑调迭代次数和容差。BA这东西看再多教程不如自己跑一遍。跑通了再回头看那些公式会发现每一行都有它的道理。