Eigen::LevenbergMarquardt能否单次调用同时计算误差向量与雅可比矩阵

参数核心作用 #

你看到的operator()第三个可选雅可比指针参数，是Eigen非线性优化模块预留的残差-雅可比联合计算入口，专门用来解决残差、雅可比计算逻辑重复、高开销前置计算冗余的问题，不是无效参数。

你观测到该参数始终为NULL，是默认配置下的正常表现：默认逻辑里求解器会分开执行两个计算流程：

• 只需要残差时，调用operator()传入_j=nullptr，仅要求返回残差向量
• 需要雅可比时，要么调用仿函数单独的df()成员方法计算解析雅可比，要么自动做数值差分，不会触发联合计算分支

开启单次调用同步计算残差与雅可比的方法 #

按以下步骤配置即可触发联合计算逻辑，让求解器在需要同时获取残差和雅可比时，传入非空的_j指针，一次调用完成两个计算：

1. 移除仿函数中单独实现的df()雅可比计算成员函数。如果保留该函数，求解器会默认优先走分离调用逻辑，永远不会给_j传非空值。
2. 将雅可比计算逻辑整合到operator()中，通过判断_j是否非空决定是否执行雅可比计算，残差和雅可比共用所有高开销的前置计算逻辑，完全消除重复计算开销。
3. 升级Eigen版本到3.4及以上，老版本（3.3及更早）存在逻辑缺陷，无法正确触发该联合计算分支。
4. 初始化求解器时显式关闭数值雅可比选项，确认使用用户提供的解析雅可比。

参考实现示例 #

struct ModelFitFunctor {
  const int param_dim;  // 待优化参数维度
  const int residual_dim; // 残差维度

  ModelFitFunctor(int p, int r): param_dim(p), residual_dim(r) {}

  // 不单独实现df()方法，所有计算逻辑整合在operator()中
  int operator()(const Eigen::VectorXf& params, Eigen::VectorXf& residuals, Eigen::MatrixXf* jacobian = nullptr) {
    // 第一步：执行所有高开销公共计算，比如模型前向推理、中间变量缓存，仅执行1次
    // 示例：假设这里计算得到模型预测值pred_cache，残差和雅可比计算都要用到
    // Eigen::VectorXf pred_cache = model.forward(params);
    // ... 其他公共中间量计算 ...

    // 第二步：填充残差向量，无论是否需要雅可比都必须执行
    for (int i = 0; i < residual_dim; i++) {
      // residuals(i) = pred_cache(i) - measured_data[i];
    }

    // 第三步：仅当jacobian指针非空时，复用公共计算结果填充雅可比矩阵
    if (jacobian != nullptr) {
      jacobian->resize(residual_dim, param_dim);
      for (int i = 0; i < residual_dim; i++) {
        for (int j = 0; j < param_dim; j++) {
          // (*jacobian)(i,j) = 基于pred_cache等预计算中间量推导的雅可比项
        }
      }
    }

    return 0;
  }

  // 必须实现的维度查询接口
  int inputs() const { return param_dim; }
  int values() const { return residual_dim; }
};

// 求解器初始化示例
void run_fit() {
  ModelFitFunctor functor(/*参数维度*/6, /*残差维度*/100);
  Eigen::LevenbergMarquardt<ModelFitFunctor, float> lm(functor);
  lm.parameters.maxfev = 100;
  lm.parameters.xtol = 1e-8;
  Eigen::VectorXf params = Eigen::VectorXf::Random(6);
  lm.minimize(params);
}

配置完成后，可以在operator()内加断点验证，迭代过程中需要雅可比的步骤会传入非空的jacobian指针，公共计算逻辑仅执行一次，运行效率会有明显提升。

内容的提问来源于stack exchange，提问作者PeteBlackerThe3rd