内存效率 - Eigen :: VectorXd在循环中

我有一个Measurement对象有两个Eigen::VectorXd成员 - 一个用于position和另一个velocity。内存效率 - Eigen :: VectorXd在循环中

通过扫描将测量结果排列在数据集中 - 即在每个时间步将新的测量结果添加到数据集中。这些类型被定义为：

typedef std::shared_ptr<Measurement>  MeasurementPtr; 
typedef std::vector<MeasurementPtr>   scan_t; 
typedef std::vector<scan_t>     dataset_t;

在我的算法的每次迭代的开始，我需要一个新的转换应用到每个测量。目前，我有：

for (auto scan = dataset_.begin(); scan != dataset_.end(); ++scan) 
    for (auto meas = scan->begin(); meas != scan->end(); ++meas) { 

     // Transform this measurement to bring it into the same 
     // coordinate frame as the current scan 
     if (scan != std::prev(dataset_.end())) { 
      core::utils::perspective_transform(T_, (*meas)->pos); 
      core::utils::perspective_transform(T_, (*meas)->vel); 
     } 

    }

凡perspective_transform定义为

void perspective_transform(const Eigen::Projective2d& T, Eigen::VectorXd& pos) { 

    pos = (T*pos.homogeneous()).hnormalized(); 
}

添加该代码由40倍提高计算时间，当我与数据集中在每次扫描50个测量扫描运行算法 - 使其相当慢。我相信这是因为我有550个小对象，每个都有2个Eigen内存写入。我将结果写入内存，而我的基准测试结果仅略有下降 - 表明这是一个内存效率问题，而不是计算瓶颈。

如何加快此计算速度？是否有办法先循环并从Eigen::Map创建Eigen::Matrix，然后我可以执行一次计算并让它自动更新所有Measurement对象的两个成员？

来源

2017-05-31 Parker Lusk

使用固定大小的矢量代替动态大小的矢量。 – max

如果你想分享'homogeneous（）'和'hnormalized（）'的代码，真正找到根本原因。 – codekaizer

@codekaizer'homogeneous（）'和'hnormalized（）'都是'Eigen' [库方法]（https://eigen.tuxfamily.org/dox/classEigen_1_1Homogeneous.html） –

您可能想要重做您的数据结构。目前，您有一个结构数组（AOS），带有许多间接指针。数组结构（SOA）在内存访问中通常更高效。

怎么样？

struct Scant_t 
{ 
    Eigen::MatrixXd position; 
    Eigen::MatrixXd velocity; 
}

的.rowwise()和.colwise()运营商可能是足够强大的做均匀的变换，这将节省您写的内部循环。

来源

2017-06-18 13:26:00

内存效率 - Eigen :: VectorXd在循环中

回答

相关问题