知难行更难

原创 北通手柄操作

2、适配器重新插入电脑，长按北通LOGO按钮强制配对，直到手柄震动。1、长按BACK+B关机。

原创 VSCODE自动格式化小记

VSCODE自动格式化异常解决

原创 annaconda环境导致ubuntu编译环境变化的解决办法

之前由于ros、python、pip这些工具的版本和冲突问题，在16.04上一直装不好pip，和python的一些库，然后装了annaconda3，轻松解决了python库问题。然而引发了一系列编译问题，annaconda也会搞一个系统环境，编译的时候经常会链接到annaconda3的环境而不是系统原有环境。之前解决参考：https://blog.csdn.net/qq_29572513/article/details/88742652上面的博客确实是一个解决办法，特别是一些系统底层库出问题的时候，但是

原创 pip安装版本问题错误导致无法使用

$ pip install numpyTraceback (most recent call last): File "/usr/bin/pip", line 9, in <module> from pip import __main__ File "/home/hjj/.local/lib/python2.7/site-packages/pip/__init__.py", line 1, in <module> from typing import Lis...

原创 Ubuntu使用多个相同的串口模块

之前的文章记录了在ubuntu中如何制作规则文件，使得串口模块每次插入的时候能够以固定的设备号来访问：https://blog.csdn.net/gadwgdsk/article/details/114821869?spm=1001.2014.3001.5501但是当有多个相同厂家的模块插入时，前面的方法不够全面，任意一个模块插入都会显示为相同的设备，原因是它只使用idVendor和idProduct两个参数，而所有相同厂家的模块这两个参数也是相同的。这里可以加入序列号参数（serial，F

原创 四元数的理解

https://www.zhihu.com/question/23005815/answer/33971127

原创 linux串口创建rules，避免每次串口号不一样

一个串口模块插入linux电脑后，为了通信，需要先查看串口号（ls /dev/ttyUSB），然后为了使用还需要给与权限（sudo chmod 777 /dev/ttyUSB*）,而且是每次都需要如此操作，十分麻烦。因此创建一个规则，使得该串口模块插入后自动将串口号映射为指定名称，并自动给予指定权限。创建文件（如名称为a.rules），内容参考如下KERNEL=="ttyUSB*", ATTRS{idVendor}=="0403", ATTRS{idProduct}=="6001", MODE:

原创 ubuntu程序运行时找不到某些库

有时明明安装了某些库，静态和动态都安装了，但还是提示找不到库，比如找不到xxx.so。这种问题一般是因为环境变量中不包含/usr/local/lib；解决： 1. sudo gedit/etc/ld.so.conf 2. 底部加入一行/usr/local/lib 3.使修改生效 sudo /sbin/ldconfig...

原创 c++: internal compiler error: Killed (program cc1plus)

使用catkin_make时出现该错误，原因是ubuntu系统内存不足。解决方法：1、关闭ubuntu，直接加大虚拟机的内存2、控制catkin_make使用的内核数量，比如catkin_make -j4，因为似乎默认不写是将内核数量用到最大参考文献：https://www.cnblogs.com/sylar5/p/9268554.htmlhttps://blog.csdn.net/weixin_41803041/article/details/79496016...

转载 ubuntu软件版本管理：update-alternatives

update-alternatives 命令用于处理 Linux 系统中软件版本的切换，使其多版本共存。alternatives 的管理目录 /etc/alternatives 。alternatives 管理方式$ ls -l /usr/bin/pythonlrwxrwxrwx 1 root root 24 1120 2017 /usr/bin/python -> /etc/alternatives/python$ ls -l /etc/alternatives/python.

原创 ubuntu安装opencv无法下载IPPICV的问题 ippicv_2020_lnx_intel64_20191018_general.tgz

cmake时停在下载IPPICV：ippicv_2020_lnx_intel64_20191018_general.tgz原因是这个文件放在https://raw.githubusercontent.com上，被墙了。又无法科学上网，百度上找到的文件又需要币才可以下载。网上有人共享了下面的连接，进去发现ippicv文件都是旧版本的。https://github.com/opencv/opencv_3rdparty/tree/ippicv/master_20180723/ippicv灵机一

原创 刚体运动部分（坐标、旋转、平移、李群和李代数）

文章目录1概述2向量点积和叉积2.1向量的点积2.2 向量的叉积3 旋转和变换3.1 变换矩阵与齐次坐标3.2 旋转向量3.3 四元数4 李群和李代数4.1 群4.2 李代数4.3 李代数求导与扰动模型4.3.1 BCH公式与近似形式4.3.2 李代数求导4.3.3 扰动模型1概述本章主要涉及到三维刚体运动，包括向量的运算、旋转矩阵和旋转向量、变换矩阵、四元数、李群和李代数以及李代数的求导。主要的难点在李群和李代数部分，而向量的乘法和变换矩阵的一些基础知识后续会持续用到。李代数的主要目的是为了解决李群对

原创 Linux串口相关使用

1、列出所有的串口设备 ls -l /dev/ttyUSB*2、列出所有的外设 ll /dev3、显示设备的详细信息 lsusb -vvv4、简历软连接①简历规则文件 xxxx.rulesKERNEL=="ttyUSB*", ATTRS{idVendor}=="10c4", ATTRS{idProduct}=="ea60", MODE:="0777", S...

原创 卡尔曼滤波的简单证明

原创 卡尔曼滤波C代码分析

float Angle=0.0; //卡尔曼滤波器的输出值，最优估计的角度//float Gyro_x=0.0; //卡尔曼滤波器的输出值，最优估计的角速度float Q_angle=0.001; //陀螺仪噪声的协方差（估计过程的误差协方差）float Q_gyro=0.003; //陀...

原创 图解卡尔曼滤波

How a Kalman filter works, in picturesFrom：https://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/https://zhuanlan.zhihu.com/p/39912633https://blog.csdn.net/u010720661/article/details/632...

原创 AMCL的粒子滤波

概述粒子滤波，也就是Particle Filter，简写PF。所有的定位程序被放在激光传感器数据接收的事件中，每次接收到激光雷达的数据，都会判断一下机器人是否移动了给定的距离或旋转了给定的角度（下面简称机器人满足移动调节）。如果机器人满足移动调节，则处理激光数据，否则不处理，直接丢弃。感觉这里如此浪费激光雷达数据，不是一个好的策略。注意：下文中所说的粒子的概率和粒子的权重，是一回事。基本流...

原创 ROS中几个坐标系的理解（map, odom, baselink）

这里已经解释的非常详细：http://www.ros.org/reps/rep-0105.html#id5简单的描述：1）在系统计算中，map的原点是fixed的，不会改变，而AMCL计算得到的机器人坐标（map坐标系下）我们认为是绝对准确的。2）odometry节点根据编码器积分的结果不停地发布odom到baselink的变换（换算到xy坐标系了）问题：odom到baseli...

原创 远程安装SSH密钥

将本机生成的密钥通过指令传输到远程的主机中。1、用ssh-keygen在本机生成密钥，一路回车即可2、用ssh-copy-id -i .ssh/id_rsa.pub user@host 传送到远程主机user中，即可免密码登录远程主机...

转载 Roboware远程传输编译时找不到命令catkin_init_workspace: command not found解决

Roboware远程传输工程Remote Deploy错误提示如下:/tmp/roswstmp.sh: line 2: catkin_init_workspace: command not foundDeploy Finished!ROS小白遇到这个问题就懵逼了，国内很多人都说是因为没有安装catkin_tools包，所以他们是说的解决方法就是各种安装或者重装这个包，可能有部分人是这个原...

转载 roscore时候报错：Unable to contact my own server at...

一、问题描述　　在终端运行roscore时，出现错误：Unable to contact my own server at...，如下图：二、解决方法　　以上问题是由于ROS环境变量ROS_MASTER_URI设置错误导致的，重新设置该变量即可。　　打开~/.bashrc文件，添加或修改环境变量ROS_HOSTNAME和ROS_MASTER，即改为：export R...

原创 pycharm unresolved reference

如图所示，文件都在同一个文件夹中，但是导入utils文件中的mr和IoU时候会报错（正常运行似乎没有问题，IDE会在这里画红线），鼠标移过去，显示的是原因是：该目录不是source目录（source folder）解决办法：把该目录添加到source folder即可第四步点击Source就是把3选中的目录设为Source Folder，如右上角所示...

原创 Keras学习小结

1、概述    Keras是一个高级神经网络搭建工具，比TensorFlow更加高级，当然灵活性也就没那么高。Keras给出了各种深度学习结构的基础部件，我们只需要定义每一个部件的参数，全部连起来即可，很多细节都可以跳过，从而使得构造网络十分简单快速，不容易出错。    Keras有Functional模型和Sequential模型，前者要更加灵活，后者编译速度快，Sequential是函数模型的...

原创 89元之小度音箱测评

    作为AI行业的渣渣，出于对技术的热爱，抢了几次，终于抢到了89元的小度音箱，说到抢，期间还有几多曲折，这里不细细展开了（之前看到过科大的阿尔法蛋，感觉贵，没出手，看来是明智的）。记录一下购买后遇到的一些坑和解决方法，也记录一下初次遇见小度的心路历程。    图片不多，仅此一张1、拆箱    拿到快递后那个快递箱是很大的，以为音箱也很大，打开后一看，我擦！这么小！！！盒子是白色，很小，外面包...

原创 tensorboard-tutorial

    tensorboard是TensorFlow的可视化工具，在网络训练过程中可以动态查看参数的变化、分布等，能显示网络的整体结构，十分有用。要用好tensorboard，首先需要搞清楚variable_scope和name_scope两个概念和用法，参考：https://blog.csdn.net/shenxiaoming77/article/details/79141078tensorbo...

原创 神经网络之优化方法

1、前言    神经网络的优化方法有很多，前面学习了神经网络参数的初始化方法，好的初始化方法可以让网络训练的更快，也可能让网络收敛的更好。同样，好的优化方法同样具有这样的作用。注意：谈论优化方法时候，并没有修改损失函数，只是修改了网络学习过程中参数的更新方法。    之前经常使用梯度下降法来优化网络，今天学习了梯度下降法的几个改进版本：Momentum、RMSprop、Adam    网络学习中，...

原创 神经网络之Initialization

1、前言    神经网络参数众多，权值w的初始化对网络训练影响很大，好的初始化可以加快网络训练的速度，也有可能可以使得网络收敛到更小的误差点。前面学习的时候我们使用了服从（0,1）正态分布的随机初始化方法，网络也基本可以用，使用正态分布的原因是均值为0的正态分布能够让大部分的参数接近0，能加速训练速度。    一个极端的情况就是，w全部使用0来初始化，这个是行不通的，原因是每个神经元的参数都一样的...

原创 神经网络之Dropout

1、前言    前面学习了神经网络的L2正则化，作为避免过拟合的方法，Dropout也非常流行，使用极其广泛。按照吴恩达的描述，Dropout在神经网络中的表现要优于L2正则化。    Dropout的实际做法也很简单，甚至比L2正则化更加简单，因为它没有用到求导的知识，知识用到了简单的矩阵Element-wise乘法。具体思想是：对于所有隐藏层，按照某个概率keep_prob保留神经元，而其他的...

原创 神经网络之L2正则化

1、前言                之前的BP神经网络，训练时候，算法会调整每层的参数w使得损失尽可能小，由于数据存在很多干扰或者噪声，容易产生过拟合现象，导致网络对训练数据预测的效果较好，而对测试和验证数据的预测效果较差。过拟合的决策面可能如下所示：2、L2 Regularization        事实表明，在相同网络结构下，决策面越复杂，参数w的值往往更大，而w较小时候，得到的决策面相...

原创 BP神经网络小结

1、逻辑回归     理解逻辑回归是理解BP神经网络的关键，逻辑回归相当于是BP神经网络的最后一层，也就是输出层（BP神经网络用于二分类问题）。下面给出逻辑回归的简单推导过程：公式中已经默认Z=WX+b，损失函数使用交叉熵损失函数修正：W导数中的X应该增加转置上面推导假设一次训练一个样本，如果训练多个样本，最后公式略有不同。由于求导、链式法则的应用都是Element-Wise的，所以求导推导过程基...

转载 numpy的随机数函数np.random.funtion

在python数据分析的学习和应用过程中，经常需要用到numpy的随机函数，由于随机函数random的功能比较多，经常会混淆或记不住，下面我们一起来汇总学习下。import numpy as np1 numpy.random.rand()numpy.random.rand(d0,d1,…,dn)rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1dn表格每个维度返回值为指定维度的a...

原创 kaggle Titanic 分析

1、概述    正式入坑kaggle竞赛，为了学习，做了Titanic: Machine Learning from Disaster，原文地址：https://www.kaggle.com/c/titanic   经过一段时间的学习，对数据分析和机器学习有了更深的了解和认知。在机器学习中，特征工程及其重要，如果特征表达的好，一个复杂的问题用一个简单的分类器可能也能做的很好。sklearn中的算法...

原创 数据分析基础笔记

1、概述    近来开始做kangle的项目，从Titanic开始，一个星期，不断试验，将很多之前学习过的东西都用起来了。这里统一汇总一下，记录下数据分析常用的一些函数、方法等。这些东西属于数据分析的范畴，是特征工程的基础。    下面以Titanic、Iris等数据尽量给出示例。2、Pandas做数据分析的常用函数(1)DataFrame.describe    能够对number类数据进行统计...

原创 Adaboost

1、方法论           adaboost(adaptive boosting， 自适应提升法)是用多个弱分类器组合成强分类器的一种算法，其中这些弱分类器只需要满足分类效果比随机猜测好即可（当然弱分类器越强，需要的弱分类器数量也越少）。用俗话说，人多力量大，或者三个臭皮匠赛过诸葛亮。        adaboost的弱分类器可以使用很多种，常见的是单层决策树。其实很简单，就是只使用特征的一个...

原创 PCA主成分分析

1、概述PCA（principle component analysis），也就是主成分分析，其主要目的或者作用是，将原来的数据变换到一个新的空间中，得到数据更好的表达方式，去除影响较小的部分，简化数据的维度。 在看《机器学习实战》时候，一次看下，完全不知道他是怎么做的，网上搜索无数帖子，基本都在讨论或者阐述PCA实现的流程，先怎么样然后怎么样，很少看到讨论我们为什么要这么做，这么做...

原创 岭回归、lasso回归

岭回归（ridge regression）和lasso（least absolute shrinkage and selection operator）都是OLS的改进，知乎上有关于三者异同的详细讨论：https://www.zhihu.com/question/38121173关于lasso：https://zhuanlan.zhihu.com/p/26766850这里记录一下最近的学习心得。岭...

原创 局部加权线性回归

1、方法论    局部加权线性回归（Local Weights Linear Regression）也是一种线性回归，不同的是，普通线性回归是全局线性回归，使用全部的样本计算回归系数。而局部加权线性回归，通过引入权值（核函数），在预测的时候，只使用与测试点相近的部分样本来计算回归系数。    值得一提，该方法与kNN思想类似，都是用最近的若干样本点来做。比如这样的曲线，用简单线性回归可以得到一条与...

原创 逻辑回归-Logistic Regression

1、前言首先值得注意的是，逻辑回归（对数几率回归）虽然叫回归，但其实是个分类器。前面学习了线性回归，是用线性方程逼近一个高维平面，如果对y增加函数，则表示用线性方程去逼近一个高维曲面（大概可以这么理解吧），比如：就是意图用线性方程逼近lny2、问题引入前面学习了线性回归，这里尝试用它来进行分类，引用周志华的《机器学习》，这部分写的很好：不过我还是有个疑问，这里是阶跃函数不可导，因此要用sigmoi...

原创 线性回归

1、心路历程  近来学习了感知器、线性回归、逻辑回归等，发现他们大体相似，线性回归其实是做数据拟合，而感知器可以认为是将线性回归应用到分类去了，使用了符号函数来离散化结果，而逻辑回归本质上也是寻找一维矩阵，只是它对线性方程用了sigmod函数，这个方法的好处是可以得到样本属于某一类的概率。  线性回归一般使用最小二乘法来实现，常见有两种推导形式，一种是适用于简单二维平面的场景，y=wx+b，推导过...

转载 L0、L1、L2范数及参数正则化

    在深度学习中，监督类学习问题其实就是在规则化参数同时最小化误差。最小化误差目的是让模型拟合训练数据，而规则化参数的目的是防止模型过分拟合训练数据。参数太多，会导致模型复杂度上升，容易过拟合，也就是训练误差小，测试误差大。因此，我们需要保证模型足够简单，并在此基础上训练误差小，这样训练得到的参数才能保证测试误差也小，而模型简单就是通过规则函数来实现的。规则化项可以是模型参数向量的范数。如：L...