- 博客(4)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 Cartographer——多传感器融合及点云运动畸变去除
1.传感器数据传入算法的过程 图中虚线框内重载了对激光雷达、IMU、里程计数据的添加操作。各传感器数据结构请参考cartographer_ros，剥离ROS前对这层外壳有深刻的理解，如需讲解请留言。2.真正开始处理传感器数据 如图，AddSensorData处，重载了对三类set集合的传感器数据（雷达、IMU、里程计）的处理。上图为Imu和里程计数据的处理，下面着重介绍雷达数据的处理过程。3.算法处理雷达数据的过程 很显然，2DSLAM的重点就在mapping/inte...
2020-08-18 01:20:00
2739
13
原创 Cartographer——Lidar数据初始化
1.Tim561激光雷达 雷达都是扫描一圈360°，Tim561固定是270°范围的点， 扫描频率15Hz，则相邻点云的时间步长为time_step=1/（15*360*3）。如上图左，箭头对应右图的90°方向，激光扫描范围（-45°，225°），角度步进0.3345719°（参考西克的官方手册），扫描一帧得到连续的808个点的距离值，即雷达传过来的数据。2.NAV310雷达...
2020-08-16 21:39:07
1260
原创 全面解析谷歌Cartographer算法_概要
目前国内大多数AGV厂家使用的是2D激光SLAM算法，但是前段时间交流的过程中，发现他们几乎没有人整明白谷歌的这套开源代码，这也是合情合理，毕竟已经是自顾不暇了（对于只参加过社招的我来说，已经到达了巅峰）。所以我写博客的原因主要有两点：1.现在各个AGV公司也都有自己的SLAM算法，如何让算法更具鲁棒性是当前的主要目标，所以希望能在这里和大家有更多思维上的碰撞；2.这套代码的优化方法，从原来的EKF，演进到现在的非线性优化，已经是激光SLAM中state-of-the-art的算法了，且上次更新还停留在去年
2020-05-17 17:54:44
4047
3
原创 BP四则法则一览神经网络反向传播
虽说深度学习门槛不高，但会推导公式是十分必要的，如最基础的BP、BN、deconv等等。翻了下CSDN博客发现BP公式推导的有很多，但没有系统化，难以很快消化吸收，故准备从BP公式开始写起。当大家看完这篇博客后，只需记住四则法则，就能轻松推导。首先，神经网络是一个使用非线性函数的多层感知机。我们约定t为groundtruth，y为神经元的输出，激活函数为sigmoid,那么，损失函数： ，激活函数：于是有： 则 根据链式法则：...
2020-05-17 15:36:35
317
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人