1. Eigen库基础入门矩阵与向量操作第一次接触Eigen库是在做机器人运动学仿真时当时被它简洁的API设计惊艳到了。这个纯头文件的C模板库不需要编译安装只需包含头文件就能使用对开发者极其友好。Eigen最核心的Matrix模板类就像乐高积木通过不同参数组合能构建出各种维度的矩阵和向量。创建固定大小矩阵时我习惯用Matrix3f这种别名比写全Matrixfloat,3,3清爽多了。实际项目中遇到过一个小坑固定大小矩阵在栈上分配内存当矩阵维度过大时会导致栈溢出。比如有次定义Matrix100d100x100双精度矩阵程序直接崩溃。后来改用动态矩阵MatrixXd才解决问题。动态矩阵的resize操作有个性能优化技巧如果知道矩阵最终大小最好在构造时就指定维度。比如// 不好的做法先默认构造再resize MatrixXd mat; mat.resize(1000,1000); // 推荐做法构造时直接指定维度 MatrixXd mat(1000,1000);向量运算时要注意Eigen的列优先存储特性。有次做点积计算发现性能比预期慢后来发现是行向量和列向量混用导致隐式转置。正确的做法是统一使用列向量Vector3d v(1,2,3); // 3x1列向量 RowVector3d w(1,2,3); // 1x3行向量 double dot v.dot(w); // 低效涉及隐式转换 double efficient_dot v.transpose() * w; // 高效显式操作2. 矩阵运算实战技巧在SLAM项目中矩阵运算就像家常便饭。Eigen重载了常规运算符使代码更直观但有些细节需要注意。比如矩阵乘法不满足交换律这个线性代数常识在Eigen中表现为Matrix2d A, B; A 1,2,3,4; B 5,6,7,8; cout A*B endl; // 正确矩阵乘法 cout B*A endl; // 得到完全不同结果标量运算有个实用技巧对矩阵所有元素做相同运算时用array()转换效率更高。比如需要给矩阵每个元素加1MatrixXd mat MatrixXd::Random(100,100); // 低效做法 mat mat MatrixXd::Constant(100,100,1.0); // 高效做法 mat mat.array() 1.0;解线性方程组时Eigen提供多种分解方法。根据矩阵特性选择合适算法能大幅提升性能Matrix3f A; Vector3f b; // 对于小矩阵16x16直接用PartialPivLU最快 Vector3f x A.partialPivLu().solve(b); // 对称正定矩阵用LLT分解 Vector3f x A.llt().solve(b); // 大型稀疏矩阵用ConjugateGradient ConjugateGradientSparseMatrixdouble cg; cg.compute(A); VectorXd x cg.solve(b);3. 块操作与切片的高级应用在图像处理项目中块操作(block)简直是神器。比如要实现3x3高斯滤波用block取局部区域特别方便MatrixXd image(1024,1024); for(int i1; iimage.rows()-1; i) { for(int j1; jimage.cols()-1; j) { Matrix3d patch image.block3,3(i-1,j-1); // 应用高斯核... } }Eigen3.4以后引入的切片功能更灵活。做矩阵分块处理时seq和seqN比传统循环更简洁MatrixXd mat(10,10); // 取奇数行偶数列 MatrixXd sub mat(seq(1,last,2), seq(0,last,2)); // 取最后三行 MatrixXd last_rows mat(lastN(3), all);实际项目中遇到过块操作的性能陷阱对小矩阵频繁取block会产生大量临时对象。解决方案是用Ref创建引用视图// 低效产生临时对象 for(int i0; i100; i) { MatrixXd block mat.block(i,0,10,10); // ... } // 高效使用Ref避免拷贝 for(int i0; i100; i) { RefMatrixXd block(mat.block(i,0,10,10)); // ... }4. Array类与特殊矩阵操作做数据归一化时Array类的逐元素操作特别顺手。比如将矩阵归一化到[0,1]区间MatrixXd data MatrixXd::Random(100,100); // 转换为Array进行逐元素操作 data.array() (data.array() - data.minCoeff()) / (data.maxCoeff() - data.minCoeff());特殊矩阵初始化技巧能大幅简化代码。比如创建对角矩阵// 低效做法 Matrix3d diag; diag 1,0,0, 0,2,0, 0,0,3; // 高效做法 Matrix3d diag Vector3d(1,2,3).asDiagonal();随机矩阵生成时Eigen的默认范围是[-1,1]。需要其他范围要手动缩放// 生成[0,1]均匀分布 MatrixXd rand_mat MatrixXd::Random(10,10).array() * 0.5 0.5; // 生成标准正态分布 MatrixXd normal_mat MatrixXd::NullaryExpr(100,100, [](){ return normal_distributiondouble(0,1)(generator); });5. 性能优化与内存管理Eigen的延迟计算机制是把双刃剑。比如表达式mat 2*mat mat.transpose()会生成临时对象更高效的做法是// 低效产生临时对象 mat 2*mat mat.transpose(); // 高效使用eval()或noalias() mat 2*mat mat.transpose().eval(); mat.noalias() 2*mat mat.transpose();内存对齐对SIMD优化很重要。Eigen默认对固定大小矩阵做对齐但动态矩阵需要特别注意// 保证16字节对齐 Eigen::Matrixfloat,3,3,Eigen::DontAlign bad; // 不对齐 Eigen::Matrixfloat,3,3 good; // 默认对齐 // 动态矩阵推荐使用aligned_allocator std::vectorMatrix4f, Eigen::aligned_allocatorMatrix4f vec;多线程环境下Eigen会自动并行化大型矩阵运算。控制线程数的方法// 设置使用4个线程 Eigen::setNbThreads(4); // 查询当前线程数 int threads Eigen::nbThreads();6. 三维几何应用实例在三维重建中Eigen处理旋转矩阵特别方便。比如将旋转向量转为旋转矩阵AngleAxisd rotation_vec(M_PI/4, Vector3d::UnitZ()); Matrix3d R rotation_vec.toRotationMatrix(); Quaterniond q(R); // 转为四元数点云变换的典型操作MatrixXd points(3,1000); // 1000个3D点 Matrix4d T; // 4x4变换矩阵 // 齐次坐标变换 MatrixXd transformed (T * points.colwise().homogeneous()).colwise().hnormalized();计算两个点云的刚体变换时SVD分解是标准做法MatrixXd src(3,100), dst(3,100); // 两组点云 Vector3d mean_src src.rowwise().mean(); Vector3d mean_dst dst.rowwise().mean(); Matrix3d W (src.colwise() - mean_src) * (dst.colwise() - mean_dst).transpose(); JacobiSVDMatrix3d svd(W, ComputeFullU | ComputeFullV); Matrix3d R svd.matrixU() * svd.matrixV().transpose(); Vector3d t mean_dst - R * mean_src;7. 稀疏矩阵高效处理处理大规模稀疏矩阵时Eigen的SparseMatrix性能优异。比如构建稀疏矩阵SparseMatrixdouble mat(1000,1000); mat.reserve(VectorXi::Constant(1000,10)); // 每列预留10非零元 // 填充三元组 std::vectorTripletdouble triplets; triplets.emplace_back(0,0,1.0); triplets.emplace_back(1,1,2.0); mat.setFromTriplets(triplets.begin(), triplets.end());解稀疏线性方程组时选择合适的求解器很关键SparseMatrixdouble A; VectorXd b; // 对称正定矩阵用SimplicialLLT SimplicialLLTSparseMatrixdouble solver_llt; solver_llt.compute(A); VectorXd x solver_llt.solve(b); // 非对称矩阵用BiCGSTAB BiCGSTABSparseMatrixdouble solver_bicg; solver_bicg.compute(A); x solver_bicg.solve(b);稀疏矩阵与稠密矩阵转换时要注意性能// 稠密转稀疏 MatrixXd dense MatrixXd::Random(100,100); SparseMatrixdouble sparse dense.sparseView(); // 稀疏转稠密慎用可能内存爆炸 MatrixXd dense_again MatrixXd(sparse);8. 实际工程中的经验分享在嵌入式设备上使用Eigen时内存管理要特别注意。有次在树莓派上处理大矩阵导致OOM崩溃后来改用Eigen::initParallel()初始化并行环境并限制线程数才解决Eigen::initParallel(); Eigen::setNbThreads(2); // 限制为2线程与第三方库交互时Eigen的Map类非常实用。比如将OpenCV矩阵转为Eigen矩阵cv::Mat cv_mat(100,100,CV_64F); Eigen::MapMatrixXd eigen_mat(cv_mat.ptrdouble(), cv_mat.rows, cv_mat.cols);调试复杂表达式时eval()方法能帮助定位问题。曾经遇到一个表达式模板导致的bug通过分段eval()才找到问题所在// 复杂表达式可能出错 MatrixXd result (A*B C).inverse() * D; // 调试时拆解计算 MatrixXd temp1 A*B; MatrixXd temp2 temp1 C; MatrixXd temp3 temp2.inverse(); MatrixXd result temp3 * D;