グラフ最適化をマスターしよう！ - Qiita
はじめに グラフ最適化（Graph Optimization）は、パラメータをグラフ構造で表現し、最適化問題を解決する手法です。特にロボティクスなどの領域で広く活用されています。 以下に、グラフ最適化の応用例をいくつか挙げます。 Visual SLAMやSFMのバンドル調整（Bundle Adjustment）問題 Graph SLAMのループクロージング問題 経路計画問題(TEB, ebandなど) 実際のアプリケーションでは、ceresやgtsam、g2oなどのグラフ最適化ライブラリを利用することで、グラフ最適化問題を解決することができます。しかし、グラフ最適化の内部原理を理解していないと、性能の向上や課題の解決が困難になることが多いです。 筆者自身は、グラフ最適化の理解を深めるため、独自のグラフ最適化ライブラリをPythonで実装したことがあります。g2oなどの大規模なOSSと比較し
しばらく更新していない間にいいね/ブックマークがじわじわ増えててとても励みになります(*´ω`*)。 最近は研究関連の勉強をしているので、ブログに書けないネタばかりで…。 月1くらいで投稿できるようにしたいですね。 さて。このブログでは以前、数理最適化の勉強メモとして最適性条件, 最急降下法, ニュートン法についてまとめました。 数理最適化の勉強メモ − 解析的な解法 / 最適性条件 / 勾配法がうまくいかない条件 - かみのメモ 数理最適化の勉強メモ − 最急降下法 / ニュートン法の原理と特徴 - かみのメモ 今回の記事では問題設定を少し変えて、微分可能な制約なし非線形最小二乗問題の解法であるLevenberg-Marquardt法についてまとめてみます。 いつもの注意書きですが、筆者はコンピュータビジョンが専門で、数学や数値計算の専門家ではありません。 間違いがある可能性も割と高いの
CUDAによるバンドル調整の高速化とソースコード公開 - Fixstars Tech Blog /proc/cpuinfo
はじめに こんにちは、エンジニアの高木です。 私は現在、adaskitという社内の自動運転関連のオープンソースプロジェクトに携わっており、プロジェクトのこれまでの成果としてlibSGMやsegmentation-sgm、「Visual OdometryをCUDAで高速化した話」等を紹介しました。 今回はVisual SLAM等で用いられるバンドル調整について、CUDAによる高速化に取り組んだ話を紹介します。結果だけ先に言うと、CPUで約12秒かかる規模のバンドル調整に対し、GPUで約1.2秒まで短縮することができました。 また、そのソースコードをGithubに公開しましたので、興味があれば是非覗いてみてください。 fixstars/cuda-bundle-adjustment 背景 バンドル調整(Bundle Adjustment)とは、画像からの3次元復元において3次元点群とカメラ姿勢を
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
数理最適化の勉強メモ − Levenberg-Marquardt法 - かみのメモ