- 博客(59)
- 收藏
- 关注
RSS订阅转载 关于VIO中IMU预积分的讲解
Why VIO转自：https://zhehangt.github.io/2019/03/23/SLAM/Basic/VIOInit/首先我们先简单回顾一下为什么要做VIO，以及为什么要做VIO初始化。我们知道单目相机在做SLAM的时候是缺乏实际的尺度信息的，而且尺度还会产生漂移。如果缺乏实际的尺度信息，此时的定位信息将很难进行实际的应用。在面对一些极端环境的时候或者突然运动过快的时候，...
2019-05-28 17:03:54
16143
6
转载 一个例子搞清楚（先验分布/后验分布/似然估计）
一个例子搞清楚（先验分布/后验分布/似然估计）preface： 无论是《通信原理》、《信息论》、《信道编码》还是《概率与统计理论》，或者在现在流行的《模式识别》和《Machine Learning》中总会遇到这么几个概念：先验分布/后验分布/似然估计。如果大家不熟悉这几个词，相信大家熟知贝叶斯公式，该公式涉及到了以上几个概念。但是学完本科课程，也会算题，就是在实际情境中总感觉理不清这几个概念的关...
2018-07-12 17:29:13
2648
1
转载 基于粒子滤波的物体跟踪
基于粒子滤波的物体跟踪http://v.youku.com/v_show/id_XMTc1NDQ2ODky.html一直都觉得粒子滤波是个挺牛的东西，每次试图看文献都被复杂的数学符号搞得看不下去。一个偶然的机会发现了Rob Hess(http://web.engr.oregonstate.edu/~hess/)实现的这个粒子滤波。从代码入手，一下子就明白了粒子滤波的原理。根据维基百科上对粒子滤波的...
2018-07-11 14:50:10
960
转载 最小二乘法 来龙去脉
最小二乘是每个上过大学的同学都接触过的概念与知识点(当然可能纯文科的同学没接触过，但是一般纯文科的同学也不会看这篇文章好像)。最小二乘理论其实很简单，用途也很广泛。但是每次说到最小二乘，总感觉差了点什么似的，好像对于最小二乘的前世今生没有一个特别详细与系统的了解。so，本博主趁着周末的时间，赶紧给详细整理整理，力争把最小二乘是个什么鬼做一个特别详细的说明，争取让学英语学中文学历史学画画唱歌的同学都...
2018-07-10 10:02:53
482
转载 无人驾驶高精度定位技术(3)-粒子滤波
这是介绍机器人定位算法的第四篇-粒子滤波。相对之前提到的卡尔曼滤波，它没有线性高斯分布的假设；相对于直方图滤波，它不需要对状态空间进行区间划分。粒子滤波的思想粒子滤波算法采用很多粒子对置信度bel(x(t))进行近似,每个粒子都是对t时刻机器人实际状态的一个猜测。越接近t时刻的正确状态描述的粒子，生成的概率越大。粒子更新的过程类似于达尔文的自然选择机制，与当前Sensor测量状态越匹配的粒子，有更...
2018-07-06 15:14:11
1277
转载 无人驾驶高精度定位技术(2)-卡尔曼滤波
本节我们介绍机器人定位中技术中的卡尔曼滤波(Kalman Filter)，卡尔曼滤波作为连续状态空间问题的一种解决方案，已经成功运用在火星登陆和自动导弹制导等领域。本质上卡尔曼滤波(Kalman Filter)是一置信度为正态分布的贝叶斯(Bayes Filter)滤波器，它的置信度可以表示为一个均值向量和协方差矩阵的形式，均值向量表示可能的状态，协方差矩阵表示该状态的不确定度。前提假设卡尔曼滤波...
2018-07-06 15:13:23
2856
转载 无人驾驶高精度定位技术（1）-递归贝叶斯滤波
在随后的几篇文章中，陆续介绍一些无人驾驶汽车中高精定位相关的技术原理，包括贝叶斯滤波器(Bayes Filter)、直方图滤波器(Histogram Filter)、卡尔曼滤波(Kalman Filter)、粒子滤波(Particle Filter)，这些算法也都是机器人技术中的基础算法。如图，开始机器人不知道自己在哪里，跟人在陌生的环境中一样，一脸茫然，觉得四周哪里都一样，对机器人来说就是在任何...
2018-07-06 15:12:02
2081
转载 机器人运动估计系列（番外篇）——从贝叶斯滤波到卡尔曼（中）
机器人运动估计系列（番外篇）——从贝叶斯滤波到卡尔曼（中）上一篇文章里介绍了贝叶斯滤波的理论框架，知道了贝叶斯滤波假设了机器人的状态服从某个概率分布，并且知道了如何利用Bayes公式对其概率分布更新。然而，前面的内容仅仅是介绍了其完美的数学原理，实际计算起来却并不适用。在这篇文章中，就将介绍如何通过一系列假设去简化贝叶斯滤波的计算过程。我们将介绍卡尔曼滤波器、扩展卡尔曼滤波器以及无迹卡尔曼滤波器的...
2018-07-06 15:09:16
420
转载 机器人运动估计系列（二）——运动学方程（上）
机器人运动估计系列（二）——运动学方程（上）前言在上一篇文章中，我们了解了用于表示机器人位置、速度的坐标系的定义，学习了如何表示姿态，也就是旋转的三种表达方式：旋转矩阵、欧拉角以及四元数。在这一节的第一部分中，我们将继续讨论在三种旋转表达之间互相转换的方法。之后，我们将以四麦轮小车以及四旋翼为例，推导二者的运动学模型，并分享一些我在学习过程中的一些心得体会。1 各旋转表达方式的转换1.1 欧拉角 ...
2018-07-06 15:08:07
3496
转载 机器人运动估计系列（一）——基础介绍
机器人运动估计系列（一）——基础介绍作为航空航天类专业毕业，马上要入机器人坑、直博坑的小本科生，要来写这样一个系列的文章，我感到诚惶诚恐。不过，人还是得有一些追求的，写这样一系列文章很难，但是相信对我自己的提升也会不少。当然，作为一名资深小白，出点错误、理解得不透彻的情况很有可能会在这个系列的文章中屡屡出现，到时候还望各位看官不吝赐教。当然，我也将会在未来的学习过程不断勘误。1 什么是机器人的运...
2018-07-06 15:07:18
1287
1
转载 ROS导航包的应用
ROS导航包的应用接触ROS系统已经很久了，前段时间终于排除万难，利用ROS Navigation功能包集跑通了基于rplidar 的slam，把自己的一些相关经验可以搬到这里来，记录分享加交流。开发环境Ubuntu14.04+ROS indigo Navigation stack：amcl | base_local_planner | carrot_planner | clear_costmap...
2018-07-06 15:06:31
1019
1
转载 ros的navigation之———amcl（localization）应用详解
关于amclamcl的英文全称是adaptive Monte Carlo localization，其实就是蒙特卡洛定位方法的一种升级版，使用自适应的KLD方法来更新粒子，这里不再多说（主要我也不熟），有兴趣的可以去看：KLD。 而mcl（蒙特卡洛定位）法使用的是粒子滤波的方法来进行定位的。而粒子滤波很粗浅的说就是一开始在地图空间很均匀的撒一把粒子，然后通过获取机器人的motion来移动粒子，比如...
2018-07-06 14:10:15
3237
转载 ROS Navigation-----costmap_2d简介
这个包提供了一种2D代价地图的实现方案，该方案利用输入传感器数据，构建数据2D或者3D（依赖于是否使用基于voxel的实现）占用珊格，以及基于占用珊格和用户定义膨胀半径的2D代价地图的膨胀代价。 此外，该包也支持利用map_server初始化代价地图，支持滚动窗口的代价地图，支持参数化订阅和配置传感器主题。1 概述注意: 在上图中，红色cell代表的是代价地图中的障碍，蓝色cell代表的是通过机器...
2018-07-06 13:54:01
1418
1
转载 路径规划简介
前言：真实世界中人类的路径规划是对记忆信息和实时感知信息综合分析的过程，在虚拟技术中属于行为控制层级的技术。一，机器人路径规划分类： 1.全局路径规划（环境完全已知） 2.局部路径规划（环境未知或部分未知，通过感知实时获取环境信息） 另外环境又分静态与动态，所以任何路径规划问题均可细分为如下四类之一： 1)全局静态环境路径规划：构型空间法，自由空间法，栅格法...
2018-07-04 09:50:51
7873
转载 导航和路径规划
导航技术前言： 导航技术的移动机器人技术的核心和关键技术。自主移动机器人的导航就是让机器人可以自主按照内部预定的信息，或者依据传感器获取外部环境进行相应的引导，从而规划出一条适合机器人在环境中行走的路径。定位，就是机器人通过已经观测到的环境信息，结合自身已知的状态进行准确的极端出自身的位姿信息。室内移动机器人导航框架图： 、 导航过程首先要获得相关的地图信息，然后进行路径规划，最后发送数据给机器人...
2018-06-22 15:30:33
8489
转载 解决Ubuntu系统启动出现黑屏及光标闪动现象
问问题描述发生时间：2018年4月5日系统版本：Ubuntu16.04和win10双系统安装方法：完完全全按照百度经验进行安装问题描述：安装完成重启之后，出现了黑屏现象，而且屏幕左上角一直有白色光标闪动，等了很久没有变化。解决方法1、将刚刚安装系统用过的Ubuntu启动盘插在电脑上，电脑开机，从这个启动盘启动，方法和安装系统时一样；2、这次不是选在安装Ubuntu，而是选择试用Ubuntu；3、进...
2018-04-19 22:42:13
20939
转载 Cartographer学习
谷歌Cartographer学习（1）-快速安装测试(转载)转载自谷歌Cartographer学习（1）-快速安装测试代码放到个人github上,https://github.com/hitcm/如下，需要安装3个软件包，ceres solver、cartographer和cartographer_ros1.首先安装ceres solver，选择的版本是1.11,路径随意。git clone ht...
2018-04-19 14:19:35
552
转载 深度学习大神都推荐入门必须读完这9篇论文
Introduction 卷积神经网络CNN，虽然它听起来就像是生物学、数学和计算机的奇怪混杂产物，但在近些年的机器视觉领域，它是最具影响力的创新结果。随着Alex Krizhevsky开始使用神经网络，将分类错误率由26%降到15%并赢得2012年度ImageNet竞赛（相当于机器视觉界的奥林匹克）时，它就开始声名大噪了。从那时起，一票公司开始在它们的核心服务中使用深度学习技术。例...
2018-03-15 12:29:05
724
原创 ADAS系统方案
目前视觉方案做ADAS既有双目也有单目，两者在距离检测上用了不同的技术路线，产品化时也存在各自优缺点ADAS功能的第一步是感知，也就是观察车辆周边负责的路况环境。在这个基础上才能做出相应的路径规划和驾驶行为决策。目前感知所采用的传感器包含各种形式的雷达、单目摄像头、双目摄像头等，或是由这些传感器进行不同组合形成的感知系统，而这些传感器件各有利弊，传感器融合是大势所趋。在这其中，摄像头不可或缺，可以
2018-01-18 20:45:01
2111
转载 视频跟踪算法之粒子滤波
1. 写在前面最近在看视频跟踪方面的一些硕博士毕业论文，几乎看到的每一篇都会涉及到粒子滤波算法，所以这段时间花了很多时间在看相关的内容。浏览了大量的博客和文章，跟着不停推导公式，感觉还是无法完全掌握，无法将这个抽象的数学模型和实际应用中联系起来，不过随着时间推移，推导的更多，思考的更多，理解的也越来越透彻了，这里做一下笔记，一方面整理一下思路加深自己的理解，另一方面也给这篇
2017-11-15 21:39:07
6754
转载 模板匹配(Match Template)
前言 模板匹配是在图像中寻找目标的方法之一。Come On, Boy.我们一起来看看模板匹配到底是怎么回事。 模板匹配的工作方式 模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。 假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的： （
2017-11-03 09:21:07
4162
转载 sizeof 数组与指针
在学习指针的时候，得到指针的定义和数组的定义一样，但是这时候就很好奇，指针只是一个地址，那数组和指针一样的话，sizeof时怎么得知其长度呢。于是百度了下面的回复： 千万不要把数组名看成指针，尽管有些时候他们是相通的，但也仅限某些时候而已。sizeof是一个奇特的函数，告诉你你也许不相信——sizeof在编译的时候就已经确定sizeof的结果了，这有点类似于宏。
2017-10-11 07:56:23
419
转载 运动目标跟踪算法综述
运动目标跟踪算法综述 运动目标跟踪是视频监控系统中不可缺少的环节。在特定的场景中，有一些经典的算法可以实现比较好的目标跟踪效果。本文介绍了一般的目标跟踪算法，对几个常用的算法进行对比，并详细介绍了粒子滤波算法和基于轮廓的目标跟踪算法。最后简单介绍了目标遮挡的处理、多摄像头目标跟踪和摄像头运动下的目标跟踪。一、一般的目标跟踪算法 一般将目标跟踪分为两个部分:特征提取、目标
2017-10-09 19:32:15
719
转载 基于粒子滤波器的目标跟踪算法及实现
原文地址：http://blog.csdn.net/jinshengtao/article/details/30970733推荐大家看论文《An adaptive color-based particle filter》这次我直接截图我的硕士毕业论文的第二章的一部分，应该讲得比较详细了。最后给出我当时在pudn找到的最适合学习的实现代码
2017-10-09 16:00:15
14193
19
原创 KNN聚类算法
参考地址1：https://wenku.baidu.com/view/c5b1da2f524de518974b7d3d.html参考地址2：http://www.cnblogs.com/190260995xixi/p/5945652.html参考地址3：http://www.cnblogs.com/ybjourney/p/4702562.html
2017-10-09 10:37:21
1467
转载 全概公式和贝叶斯公式的理解
条件概率首先，理解这两个公式的前提是理解条件概率，因此先复习条件概率。P(A|B)=P(AB)P(B)理解这个可以从两个角度来看。 第一个角度：在B发生的基础上，A发生的概率。那么B发生这件事已经是个基础的条件了，现在进入B已经发生的世界，看看A发生的概率是多少。那么分子就是B发生A也发生，分母就是B这个世界发生的概率了。分母如果是1，那么成了什么意思呢？另一个
2017-09-21 21:39:14
579
转载 模式识别的理解（完全是自己体会后写的）
物体识别实际上是通过模式识别来是实现的。举个简单的例子，要想识别刚生下来的婴儿是男孩还是女孩，生物书本上有记载，很简单，可以通过生殖器的不同来判别。这是两者的本质区别。但是长大后要想判断是男生还是女生，肯定不能直接扒光人家衣服来判断，这时候就会借助衣着，打扮，头发等特征来判断。这就说明了，有时候要区分两个东西，并不是靠最本质的区别来判定的，毕竟不方便或者很麻烦。这时候就得借助一些所谓的特征来判定。
2017-09-20 10:13:17
1172
转载 谈我的算法工程师校招经历
【中兴+华为+美团+海康威视+百度】校招也算是告一段落了，offer不多但弥足珍贵，感恩终于当了一次运气选手。学弟妹们让写写面经，其实也没啥经验，毕竟不是大神，不过如果有幸做一点小参考还是极好的，顺便给自己留个纪念 ^_^【基本情况】：双985信通系硕士，成绩亮点，项目扣分（太easyT_T），两篇不错的SCIpaper，代码渣，无实习经历。【目标岗位】：算法工程师（机器学习
2017-09-19 23:41:46
18666
2
转载 海康威视技术面试总结
之前7月30号投了海康威视的内推，然后在前天(15号)收到短信说这两天会有个电话技术面试。然后就忐忑地开始准备了，当然准备感觉也没啥用，时间太短了，突然收到的短信，想着我投的算法工程师，我就拿着《统计机器学习》看了一下。在昨天晚上快8点的时候突然接到电话，此时正在校外，当时心里想着晚上应该不会打电话过来，所以就出去了，接到电话不能不接啊，就找了个安静的地方重新把电话拨了过去，电话面试算是开始了，这
2017-09-19 23:35:49
5763
转载 matlab批量保存图像
大量的数据，大量的图像，再加上机器的性能差强人意，手动的保存这些图着实很让人郁闷。百度了一下“matlab自动批量保存图像”，得到一些解答，其实挺简单，只需在程序中加一句话：for i=1:Q print(gcf,'-djpeg',['C:\',num2str(i),'.jpeg']);end 其中，Q为要保存图的数量；gcf为当前图像的句柄；'dj
2017-09-08 10:19:47
15092
3
转载 Matlab保存图像的方法总结
1、使用imwrite 函数如图像是img，则可以使用imwrite(img,'result.jpg'); 这种方法保存图像大小和显示的大小是一样的。下面的方法得到的图像和原图像的大小不一样：2、直接另存为在figure中使用菜单file->saveas->选择保存形式（可以保存为fig,eps,jpeg,gif,png,bmp等格式）。这个的缺点是另存为的图像清晰度有很大
2017-09-08 10:00:39
1810
转载 前方车辆检测的常用方法
前方车辆检测，这里指的是基于车辆自身对象，而不是公路交通部分的车辆检测。前方车辆检测，可以用于防碰撞系统、进而用于自动巡航（ACC）等功能，应用场景广泛，所以，此技术是一项比较基础的技术。而先前的ACC，只是基于正前方车辆的检测，对于侧面的车辆或环境的跟踪能力有限。但随着各种传感器和导航地图的应用，ACC的能力也会大大增强。ACC只用于高速行驶状态，但已有低速跟车系统的研究，某公司已计划未
2017-09-03 09:56:50
780
转载 Adaboost 算法的原理与推导
Adaboost 算法的原理与推导0 引言 一直想写Adaboost来着，但迟迟未能动笔。其算法思想虽然简单：听取多人意见，最后综合决策，但一般书上对其算法的流程描述实在是过于晦涩。昨日11月1日下午，在我组织的机器学习班 第8次课上讲决策树与Adaboost，其中，Adaboost讲得酣畅淋漓，讲完后，我知道，可以写本篇博客了。 无
2017-08-29 20:15:48
335
转载 机器学习中的特征空间
声明：这篇博文主要是对参考文献中的那个PPT的学习之后记下的一些笔记，整理出来与大家一起分享，若笔记中有任何错误还请不吝指出，文中可能会使用到原作者的一些图，若侵犯到作者的权益，还请告知，我会删除，谢谢。一、机器学习的流程应用机器学习算法的流程大致可以分为：收集数据数据处理，提取特征训练模型模型部署模型的应用及反馈具体的衔接关系如下图所示：二、机器学
2017-08-21 14:56:58
807
转载 线性可分 与线性不可分
很多机器学习分类算法，比如支持向量机（svm），假设数据是要线性可分。如果数据不是线性可分的，我们就必须要采用一些特殊的方法，比如svm的核技巧把数据转换到更高的维度上，在那个高维空间上数据可能会变得线性可分。 那么，我们如何判断数据是不是线性可分的？最简单的情况是数据向量是一维二维或者三维的，我们可以把图像画出来，直观上就能看出来。比如Håvard Gei
2017-08-21 13:09:17
3474
转载 简易解说拉格朗日对偶（Lagrange duality）
引言：尝试用最简单易懂的描述解释清楚机器学习中会用到的拉格朗日对偶性知识，非科班出身，如有数学专业博友，望多提意见！ 1.原始问题假设是定义在上的连续可微函数（为什么要求连续可微呢，后面再说，这里不用多想），考虑约束最优化问题：称为约束最优化问题的原始问题。现在如果不考虑约束条件，原始问题就是：因为假设其连续
2017-08-20 12:57:20
384
转载 广义拉格朗日函数的理解
1、拉格朗日函数：求极值求函数f(x,y,z)在条件φ(x,y,z)=0下的极值方法（步骤）是：1.做拉格朗日函数L=f(x,y,z)+λφ(x,y,z),λ称拉格朗日乘数2.求L分别对x,y,z,λ求偏导,得方程组,求出驻点P(x,y,z)如果这个实际问题的最大或最小值存在,一般说来驻点唯一,于是最值 可求.条件极值问题也可以化为无条件极值求解,但有些条件关系比较复杂
2017-08-20 12:32:12
69002
转载 支持向量机通俗导论（理解SVM的三层境界）
支持向量机通俗导论（理解SVM的三层境界）作者：July 。致谢：pluskid、白石、JerryLead。说明：本文最初写于2012年6月，而后不断反反复复修改&优化，修改次数达上百次，最后修改于2016年11月。声明：本文于2012年便早已附上所有参考链接，并注明是篇“学习笔记”，且写明具体参考了pluskid等人的文章。文末
2017-08-15 21:15:57
318
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人