在路上@Amos
在路上@Amos

[PR-3]ArUco EKF SLAM 扩展卡尔曼SLAM

转载自：https://zhuanlan.zhihu.com/p/45207081?utm_source=qq&utm_medium=social&utm_oi=726911971793838080 

原文有视频

这篇文章实现了《概率机器人》第10章中提到的EKF-SLAM算法，更确切的说是实现了已知一致性的EKF-SLAM算法。

 

 

ArUco EKF SLAM

EKF-SLAM一般是基于路标的SLAM系统。本文使用了一种人工路标——ArUco码。每个ArUco码有一个独立的ID，通过PnP方法还可以计算出码和相机之间的相对位姿。OpenCV中集成了ArUco码库，提供了检测和位姿估计的功能。大家可以参考：

https://docs.opencv.org/3.3.0/d9/d6d/tutorial_table_of_content_aruco.html。​docs.opencv.org

 

[PR-3]ArUco EKF SLAM 扩展卡尔曼SLAM_第1张图片

Aruco Marker

首先在房间的地面上贴若干ArUco码作为路标，然后遥控一个带有摄像头+编码器的机器人在房间内运动。本文的目标就是通过EKF算法同时估计出这些码的位置和机器人的位姿。

[PR-3]ArUco EKF SLAM 扩展卡尔曼SLAM_第2张图片

实验环境

要实现EKF-SLAM，最关键的就是建立运动模型和观测模型，将这两个模型直接带进EKF算法框架就是EKF-SLAM。EKF-SLAM算法使用扩展的状态空间： 

前3项是机器人位姿，后2N项是 N个路标点的位置。

1. 运动模型

1.1 里程计模型

我比较喜欢采用《自主移动机器人导论》中的里程计模型作为运动模型。具体的，如果t-1时刻机器人的位姿是  ，那么t时刻的机器人位姿为： \eqalign{ & {\left[ {\matrix{ x \cr y \cr \theta \cr } } \right]_t}{\rm{ = }}{\left[ {\matrix{ x \cr y \cr \theta \cr } } \right]_{t{\rm{ - }}1}} + \left[ {\matrix{ {\Delta s\cos (\theta + \Delta \theta /2)} \cr {\Delta s\sin (\theta + \Delta \theta /2)} \cr {\Delta \theta } \cr } } \right],\; \cr & \left\{ \matrix{ \Delta \theta = {{\Delta {s_r} - \Delta {s_l}} \over b}\; \hfill \cr \Delta s = {{\Delta {s_r}{\rm{ + }}\Delta {s_l}} \over 2} \hfill \cr} \right.,\Delta {s_{l/r}} = {k_{l/r}} \cdot \Delta {e_{l/r}} \cr & \Delta {s_{l/r}} \sim N\left( {\matrix{ {{{\widehat {\Delta s}}_{l/r}},} & {{{\left\| {k{{\widehat {\Delta s}}_{l/r}}} \right\|}^2}} \cr } } \right). \cr} \ \ (1)\\  为左右轮系数，把编码器增量转化为左右轮的位移，  是轮间距。左右轮位移的增量服从高斯分布，均值就是编码器计算出的位移增量，标准差与增量大小成正比。如果t-1时刻机器人位姿的协方差为，控制的协方差也就是左右轮位移增量的协方差为，那么机器人位姿在t时刻的协方差就是：   是(1)式关于机器人位姿的雅克比：

{{\bf{G}}_\xi } = {{\partial {\xi _t}} \over {\partial {\xi _{t{\rm{ - }}1}}}} = \left[ {\matrix{ 1 & 0 & { - \Delta s\sin (\theta + \Delta \theta /2)} \cr 0 & 1 & {\Delta s\cos (\theta + \Delta \theta /2)} \cr 0 & 0 & 1 \cr } } \right] \ \ (3) \\

 是(1)式关于控制）的雅克比：

{{\bf{G'}}_u} = {{\partial {\xi _t}} \over {\partial {\bf{u}}}}{\rm{ = }}\left[ {\matrix{ {{1 \over 2}\cos \left( {\theta {\rm{ + }}{{\Delta \theta } \over 2}} \right) - {{\Delta s} \over {2b}}\sin \left( {\theta + {{\Delta \theta } \over 2}} \right)} & {{1 \over 2}\cos \left( {\theta {\rm{ + }}{{\Delta \theta } \over 2}} \right) + {{\Delta s} \over {2b}}\sin \left( {\theta + {{\Delta \theta } \over 2}} \right)} \cr {{1 \over 2}\sin \left( {\theta {\rm{ + }}{{\Delta \theta } \over 2}} \right) + {{\Delta s} \over {2b}}\cos \left( {\theta + {{\Delta \theta } \over 2}} \right)} & {{1 \over 2}\sin \left( {\theta {\rm{ + }}{{\Delta \theta } \over 2}} \right) - {{\Delta s} \over {2b}}\cos \left( {\theta + {{\Delta \theta } \over 2}} \right)} \cr {{1 \over b}} & { - {1 \over b}} \cr } } \right] \ \ (4) \\

 

1.2 EKF-SLAM运动更新

上面说的还是只考虑机器人位姿的情况，但是SLAM系统还需要考虑路标点。扩展路标点之后，运动方程为：

\underbrace {{{\left[ {\matrix{ x \cr y \cr \theta \cr {{m_{x,1}}} \cr {{m_{y,1}}} \cr \vdots \cr {{m_{x,N}}} \cr {{m_{y,N}}} \cr } } \right]}_t}}_{{{\bf{X}}_t}} = \underbrace {\underbrace {{{\left[ {\matrix{ x \cr y \cr \theta \cr {{m_{x,1}}} \cr {{m_{y,1}}} \cr \vdots \cr {{m_{x,N}}} \cr {{m_{y,N}}} \cr } } \right]}_{t{\rm{ - }}1}}}_{{{\bf{X}}_{t{\rm{ - }}1}}} + \underbrace {\left[ {\matrix{ 1 & 0 & 0 \cr 0 & 1 & 0 \cr 0 & 0 & 1 \cr 0 & 0 & 0 \cr 0 & 0 & 0 \cr \vdots & \vdots & \vdots \cr 0 & 0 & 0 \cr 0 & 0 & 0 \cr } } \right]}_{\bf{F}}\left[ {\matrix{ {\Delta s\cos (\theta + \Delta \theta /2)} \cr {\Delta s\sin (\theta + \Delta \theta /2)} \cr {\Delta \theta } \cr } } \right]}_{g\left( {{{\bf{X}}_{t{\rm{ - }}1}},{{\bf{u}}_t}} \right)} \ \ (5) \\系统状态的均值 更新利用(5)式，下面看状态的方差  更新。

 是  关于  的雅克比：

是关于  的雅克比：

把(6)式展开看一下：

\eqalign{ {\overline {\bf{\Sigma }} _t} & {\rm{ = }}\left[ {\matrix{ {{{\bf{G}}_\xi }} & {\bf{0}} \cr {\bf{0}} & {\bf{I}} \cr } } \right]{{\bf{\Sigma }}_t}\left[ {\matrix{ {{{\bf{G}}_\xi }^T} & {\bf{0}} \cr {\bf{0}} & {\bf{I}} \cr } } \right] + {\bf{F}}{{{\bf{G'}}}_u}{{\bf{\Sigma }}_u}{{{\bf{G'}}}_u}^T{{\bf{F}}^T} \cr &= \left[ {\matrix{ {{{\bf{G}}_\xi }{{\bf{\Sigma }}_{xx}}{{\bf{G}}_\xi }^T} & {{{\bf{G}}_\xi }{{\bf{\Sigma }}_{xm}}} \cr {{{\left( {{{\bf{G}}_\xi }{{\bf{\Sigma }}_{xm}}} \right)}^T}} & {{{\bf{\Sigma }}_{mm}}} \cr } } \right] + {\bf{F}}{{{\bf{G'}}}_u}{{\bf{\Sigma }}_u}{{{\bf{G'}}}_u}^T{{\bf{F}}^T} \cr} \ \ (9) \\可以看出，运动更新同时影响了机器人位姿的协方差，以及位姿与地图之间的协方差。

2. 测量模型

首先解决测量值的问题。虽然可以获得ArUco码相对于机器人的6自由度位姿信息，但是为了与书上的观测统一，本文还是把相机作为Range-bearing传感器使用，也就是转换成距离和角度。1个ArUco码作为一个路标点  ，坐标为 。

先说一下如何转化成距离和角度。下图是示意图，码与相机的相对位姿为，相机与机器人的相对位姿为  ，那么码相对于机器人的位姿为  。的平移项和  就是码的原点在机器人坐标系下的坐标。转化成距离信息就是，角度就是  。这样就得到了测量值。这里再做一个近似假设，认为观测的方差与距离和角度成线性关系：

[PR-3]ArUco EKF SLAM 扩展卡尔曼SLAM_第3张图片

第  个路标点的观测模型为：

展开来看：

\left\{ \matrix{ r_t^i = \sqrt {{{\left( {{m_{x,i}} - x} \right)}^2} + {{\left( {{m_{y,i}} - y} \right)}^2}} \hfill \cr \phi _t^i = {\rm{atan2}}\left( {{m_{y,i}} - y, \ {m_{x,i}} - x} \right) - \theta \hfill \cr} \right.\ \ (12)\\

根据扩展卡尔曼滤波，需要求解观测  相对于的雅克比，实际上一个路标点观测只涉及到机器人的位姿和这个路标点的坐标，组合在一起就是五个量：  。于是，观测相对于的雅克比是：

{{\bf{H}}_\nu } = {{\partial h} \over {\partial \nu }} = {1 \over q}\left[ {\matrix{ { - \sqrt q {\delta _x}} & { - \sqrt q {\delta _y}} & 0 & {\sqrt q {\delta _x}} & {\sqrt q {\delta _y}} \cr {{\delta _y}} & { - {\delta _x}} & { - q} & { - {\delta _y}} & {{\delta _x}} \cr } } \right]\left( {\left\{ \matrix{ {\delta _x} = {m_{x,i}} - x \hfill \cr {\delta _y} = {m_{y,i}} - y \hfill \cr} \right.q = {\delta _x}^2 + {\delta _y}^2} \right) \ \ (13)\\

由于实际的状态空间是3+2N维的，要求的观测雅克比应该是2x(3+2N)维的。对(13)进行转换得到观测相对于全状态空间  的雅克比：

{\bf{H}}_t^i{\rm{ = }}{{\bf{H}}_\nu }{{\bf{F}}_i}{\rm{ = }}{1 \over q}\left[ {\matrix{ { - \sqrt q {\delta _x}} & { - \sqrt q {\delta _y}} & 0 & {\sqrt q {\delta _x}} & {\sqrt q {\delta _y}} \cr {{\delta _y}} & { - {\delta _x}} & { - q} & { - {\delta _y}} & {{\delta _x}} \cr } } \right]\left[ {\matrix{ 1 & 0 & 0 & {0 \cdots 0} & 0 & 0 & {0 \cdots 0} \cr 0 & 1 & 0 & {0 \cdots 0} & 0 & 0 & {0 \cdots 0} \cr 0 & 0 & 1 & {0 \cdots 0} & 0 & 0 & {0 \cdots 0} \cr 0 & 0 & 0 & {0 \cdots 0} & 1 & 0 & {0 \cdots 0} \cr 0 & 0 & 0 & {\underbrace {0 \cdots 0}_{2i - 2}} & 0 & 1 & {\underbrace {0 \cdots 0}_{2N - 2i}} \cr } } \right] \ \ (14)\\

 

下面就可以按照EKF的框架进行操作了。

\eqalign{ & {\bf{K}}_t^i = {\overline {\bf{\Sigma }} _t}{\bf{H}}{_t^i}^T{\left( {{\bf{H}}_t^i{{\overline {\bf{\Sigma }} }_t}{\bf{H}}{{_t^i}^T}{\rm{ + }}{{\bf{Q}}_t}} \right)^{ - 1}} \cr & {{\bf{\mu }}_t}{\bf{ = }}{{{\bf{\bar \mu }}}_t} + {\bf{K}}_t^i\left( {{\bf{z}}_t^i - {\bf{\hat z}}_t^i} \right) \cr & {{\bf{\Sigma }}_t} = \left( {{\bf{I}} - {\bf{K}}_t^i{\bf{H}}_t^i} \right){\overline {\bf{\Sigma }} _t} \cr} \ \ (15) \\

其中， {\bf{\hat z}}_t^i{\rm{ = }}\left[ \matrix{ \sqrt {{{\left( {{{\bar m}_{x,i}} - \bar x} \right)}^2} + {{\left( {{{\bar m}_{y,i}} - \bar y} \right)}^2}} \hfill \cr {\rm{atan2}}\left( {{{\bar m}_{y,i}} - \bar y,\ {{\bar m}_{x,i}} - \bar x} \right) - \bar \theta \hfill \cr} \right] \ \ (16)\\

就是由路标点和机器人位姿的均值获取。对每个观测到的路标点进行上述操作就完成了观测更新。

3. 地图构建

上文所说的操作都是假设路标点的数量是已知的，这个值也可以认为是不知道的，可以边运行边加入路标点：当看到一个新的地图点时就扩展状态空间和协方差。当观测到一个新的路标点，其观测为，根据机器人的位姿可以计算地图点的坐标为： \left[ {\matrix{ {{m_x}} \cr {{m_y}} \cr } } \right] = \left[ {\matrix{ {\cos (\theta )} & { - \sin (\theta )} \cr {\sin (\theta )} & {\cos (\theta )} \cr } } \right]\left[ {\matrix{ {r\cos \left( \phi \right)} \cr {r\sin \left( \phi \right)} \cr } } \right] + \left[ {\matrix{ x \cr y \cr } } \right] = r\left[ {\matrix{ {\cos \left( {\theta + \phi } \right)} \cr {\sin \left( {\theta + \phi } \right)} \cr } } \right]{\rm{ + }}\left[ {\matrix{ x \cr y \cr } } \right] \ \ (17) \\地图点的协方差为：   是(17)式关于机器人位姿的雅克比：   是(17)式关于观测  的雅克比： {G_z} = \left[ {\matrix{ {\cos \left( {\theta + \phi } \right)} & { - r\sin \left( {\theta + \phi } \right)} \cr {\sin \left( {\theta + \phi } \right)} & {r\cos \left( {\theta + \phi } \right)} \cr } } \right] \ \ (20) \\通过以上各式，算出新路标的均值和协方差，加入到均值向量和协方差矩阵中即可。至此，EKF算法中所有的模型都已建立完毕。下面给出具体的实施代码。

4. 算法实现

  • 全部工程代码：

https://github.com/ydsf16/aruco_ekf_slam​github.com

 

  • 我利用Falconbot机器人，采集了两组实验数据，大家可以在这里下载：

https://pan.baidu.com/s/1EX9CYmdEUR2BJh7v5dTNfA​pan.baidu.com

 

 

5. 参考文献

《概率机器人》

《自主移动机器人导论》

Freiburg SLAM Course:

http://ais.informatik.uni-freiburg.de/teaching/ws13/mapping/​ais.informatik.uni-freiburg.de

 

 

 

 

 

 

 

 

 

 

 

 

你可能感兴趣的:(SLAM)

  • 导致格式错误的 Lambda 代理响应的原因以及如何修复它 zqhdz米时空 汇编
    当人们尝试使用AWSAPIGateway和AWSLambda构建无服务器应用程序时，经常出现的一个问题是_由于配置错误而执行失败：Lambda代理响应格式错误。_没有什么比通用错误消息更糟糕的了，它们不会告诉您解决问题所需的任何内容，对吧？AWS并不是以其错误消息设计而闻名，如果甚至可以这样称呼它的话，更不用说为您提供解决问题的方法了。那么如何修复这个Lambda错误以及是什么原因造成的呢？花椒壳
  • ROS yaml参数文件的使用 Sun Shiteng ROS
    举个例子，若在params.yaml文件中定义如下参数LidarImageFusion:points_src:"/hilbert_h/deskew/cloud_info"image_src:"/usb_cam0/image_raw"camera_info_src:"/home/hdj/fusion_slam/Color_SLAM_ws/src/hilbert_h/config/firefly_8s
  • xwiki html和css,MediaWiki vs. XWiki Ake阿科 多语言信息技术编程数据库操作系统
    140Afar,Abkhazian,Afrikaans,Amharic,Arabic,Assamese,Aymara,Azerbaijani,Bashkir,Byelorussian,Bulgarian,Bihari,Bislama,Bengali;Bangla,Tibetan,Breton,Catalan,Corsican,Czech,Welsh,Danish,German,Bhutani,Gr
  • 2021-07-07 潇洒二爷
    一辆特斯拉“花格子S型”小车，突然起火，电子技术的车门也失灵TeslaModelSPlaidbrokeintofirewithfailureofelctronicdoors一辆“花格子牌”（ModelSPlaid）特斯拉轿车，在6月29日这天，车主正在路上行驶，突然烈焰腾飞，他的代理律师说，他被短时间困在车内，因为几个电动门都打不开。事情在几天前发生于费城外，这名男子拿到这款特斯拉之后，号称是世界
  • 力扣刷题记录（一）剑指Offer（第二版） 乘凉~ 求职过程记录leetcode链表算法
    1、本栏用来记录社招找工作过程中的内容，包括基础知识学习以及面试问题的记录等，以便于后续个人回顾学习；暂时只有2023年3月份，第一次社招找工作的过程；2、个人经历：研究生期间课题是SLAM在无人机上的应用，有接触SLAM、Linux、ROS、C/C++、DJIOSDK等；3、参加工作后（2021-2023年）岗位是嵌入式软件开发，主要是服务器开发，Linux、C/C++、网络编程、docker容
  • 论文笔记—NDT-Transformer: Large-Scale 3D Point Cloud Localization using the Normal Distribution Transfor 入门打工人 笔记slam定位算法
    论文笔记—NDT-Transformer:Large-Scale3DPointCloudLocalizationusingtheNormalDistributionTransformRepresentation文章摘要~~~~~~~在GPS挑战的环境中，自动驾驶对基于3D点云的地点识别有很高的要求，并且是基于激光雷达的SLAM系统的重要组成部分（即闭环检测）。本文提出了一种名为NDT-Transf
  • 深度学习特征提取魔改版太强了！发文香饽饽！ 深度之眼 深度学习干货人工智能干货人工智能深度学习机器学习论文特征提取
    要说CV领域经久不衰的研究热点，特征提取可以占一席，毕竟SLAM、三维重建等重要应用的底层都离不开它。再加上近几年深度学习兴起，用深度学习做特征提取逐渐成了主流，比传统算法无论是性能、准确性还是效率都更胜一筹。目前比较常见的深度学习特征提取方法有基于transformer、基于CNN、基于LSTM以及基于GAN，都发展的比较成熟。但为了追求更快速、准确、鲁棒的特征点提取，研究者们开始致力于改进深度
  • 视觉SLAM十四讲学习笔记——第十讲 后端优化（2） 晒月光12138 视觉SLAM十四讲学习笔记slamubuntu
    上文提到考虑全局的后端优化计算量非常大，因此在计算增量方程时，借助H矩阵的稀疏性加速运算。但是随着时间的推移，累积的相机位姿和路标数量还是会导致计算量过大，以上一节的示例代码数据为例：16张图像，共提取到22106个特征点，这些特征点共出现了83718次。对于一个20Hz更新速度，上述的数据量甚至还不到1s的内容，因此在求解大规模定位建图问题时，一定要控制BA的规模。这里主要有两种解决思路：（1）
  • 《Java基础知识》Java Lambda表达式 Limingmingaa javajava开发语言蓝桥杯
    接触Lambda表达式的时候，第一感觉就是，这个是啥？我居然看不懂，于是开始寻找资料，必须弄懂它。先来看一个案例：​@FunctionalInterfacepublicinterfaceMyLamda{voidtest1(Stringy);}​​importdemo.knowledgepoints.Lambda.inf.MyLamda;publicclassLambdaTest{publicsta
  • NDT算法 Joeybee SLAM算法
    上一次我们学习了高翔《自动驾驶与机器人中的SLAM技术》中的三维ICP算法，其中包括点对点、点对线、点对面的ICP算法，本次博客学习NDT算法的源码。NDT算法与ICP算法的最大不同之处，在我看来是NDT考虑了均值和方差这两个局部统计量。从最后的求解方法来看，NDT采用了加权最小二乘问题的高斯-牛顿法，和ICP算法的最明显区别是多了权重分布。从高翔书中的测试结果来看，NDT的收敛速度稍弱于点对面I
  • SLAM中常用的库 wq_151 人工智能SLAM计算机视觉人工智能机器学习slam
    SLAM中常用的库关于库关于库Pangolin是一个用于OpenGL显示/交互以及视频输入的一个轻量级、快速开发库，下面是Pangolin的Github网址：githubEigen是一个高层次的C++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法。pagenanoflann是一个c++11标准库，用于构建具有不同拓扑（R2，R3（点云），SO(2)和SO(3)（2D和3D旋转组））的
  • 【XR】优化SLAM SDK的稳定性 大江东去浪淘尽千古风流人物 xr
    优化SLAMSDK的稳定性是确保增强现实(AR)和虚拟现实(VR)应用在各种环境和设备上都能稳定运行的关键。以下是一些主要的优化方法：1.传感器融合优化方法:将多个传感器的数据（如摄像头、加速度计、陀螺仪、磁力计）进行融合，以补偿单一传感器可能存在的误差。优势:提高了环境理解的准确性，减少了由于单一传感器误差导致的抖动和漂移现象。实例:ARKit和ARCore都利用了传感器融合技术来增强稳定性。2
  • ROS2导航SLAM建图探索 鱼香ROS ROS2机器人SLAMROS2导航SLAM
    大家好，我是昨晚熬夜太多脑壳痛的小鱼。今天带大家一起探索一些ROS2+turtlebot3的slam建图。先上最终效果图1.安装ROS2第一步就是要有一个ROS2的环境，这个没有的请打开小鱼的fishros网站，选择一行代码安装ROS2进行安装。2.安装turtlebot3sudoaptinstallros-foxy-turtlebot3*sudoaptinstallros-foxy-cartog
  • 数百倍加速！港科大最新：嵌入式平台上实时运行的NeRF SLAM！ 计算机视觉工坊 3D视觉从入门到精通学习自动驾驶算法
    来源：计算机视觉工坊添加微信：dddvision，备注：NeRF，拉你入群。文末附行业细分群0.笔者个人体会传统的NeRF和NeRFSLAM所需要的计算量非常大，很难在嵌入式设备上跑起来，这也就很大程度上限制了NeRFSLAM的落地。但最近港科大&中山大学提出了一项工作Photo-SLAM，不仅实现了高保真的建图，还可以在嵌入式设备上实时运行，甚至渲染速度提高了数百倍。下面一起来阅读一下这项工作，
  • 自动驾驶-机器人-slam-定位面经和面试知识系列07之C++STL面试题（03） lonely-stone 面试c++职场和发展
    这个博客系列会分为C++STL-面经、常考公式推导和SLAM面经面试题等三个系列进行更新，基本涵盖了自己秋招历程被问过的面试内容（除了实习和学校项目相关的具体细节）。在知乎和牛客也会同步更新，全网同号（lonely-stone或者lonely_stone）。关于高频面试题和C++STL面经，每次我会更新10个问题左右，每次更新过多，害怕大家可能看了就只记住其中几个点。（在个人秋招面试过程中，面试到
  • 激光SLAM--(8) LeGO-LOAM论文笔记 lonely-stone slam激光SLAM论文阅读
    论文标题：LeGO-LOAM：LightweightandGround-OptimizedLidarOdometryandMappingonVariableTerrain应用在可变地形场景的轻量级的、并利用地面优化的LOAMABSTRACT轻量级的、基于地面优化的LOAM实时进行六自由度位姿估计，应用在地面的车辆上。强调应用在地面车辆上是因为在这里面要求雷达必须水平安装，而像LOAM和LIO-SA
  • 自动驾驶-机器人-slam-定位面经和面试知识系列03之C++STL面试题（01） lonely-stone 面试c++职场和发展
    这两天有点忙耽搁了，抱歉！！！这个博客系列会分为C++STL-面经、常考公式推导和SLAM面经面试题等三个系列进行更新，基本涵盖了自己秋招历程被问过的面试内容（除了实习和学校项目相关的具体细节）。在知乎和牛客也会同步更新，全网同号（lonely-stone或者lonely_stone）。关于高频面试题和C++STL面经，每次我会更新10个问题左右，每次更新过多，害怕大家可能看了就只记住其中几个点。
  • 自动驾驶-机器人-slam-定位面经和面试知识系列04之高频面试题（02） lonely-stone 自动驾驶机器人面试
    这个博客系列会分为C++STL-面经、常考公式推导和SLAM面经面试题等三个系列进行更新，基本涵盖了自己秋招历程被问过的面试内容（除了实习和学校项目相关的具体细节）。在知乎和牛客也会同步更新，全网同号（lonely-stone或者lonely_stone）。关于高频面试题和C++STL面经，每次我会更新10个问题左右，每次更新过多，害怕大家可能看了就只记住其中几个点。（在个人秋招面试过程中，面试到
  • 【自动驾驶】自动驾驶地图构建方法与工具小结 CS_Zero 自动驾驶人工智能
    自动驾驶地图构建小结概述制作流程主要利用定位与建图算法（组合导航，视觉、激光SLAM等），融合多种传感器数据，构建高精度、高分辨率的三维语义地图，将要素矢量化，构建要素间的关联关系，通过质检确保质量可靠，形成地图引擎（服务、API）以满足自动驾驶系统的需求。底图构建底图构建存在两大类方法，点云建图与视觉建图。点云建图一般面向高精度采集设备，采用高线束激光雷达，硬件成本高。一般使用高精度组合导航进行
  • Android D8 编译器 和 R8 工具，【一篇文章搞懂】 安卓开发top Androidandroidjavaeclipse移动开发
    android.enableIncrementalDesugaring=false.android.enableDesugar=false2.1Lambda表达式Java8中一个重大变更是引入Lambda表达式。publicclassLambda{publicstaticvoidmain(String[]args){logDebug(msg->System.out.println(msg),"He
  • 特斯拉神器TeslaMate一键安装，终于来了 oakley0 cartesla云服务器腾讯云
    之前分享了teslamate的功能和简单安装方法，很多喜欢尝鲜的车友尝试了，但安装过程对不熟悉linux服务器的非码农来说还是有点小艰辛。趁这回双十一腾讯云重磅优惠，我也重新屯了服务器重装了一遍，现在把简化后安装过程、一键安装方法包括加密登录的方式分享一下。目录1.购买服务器2.登录服务器3.安装TeslaMate3.1切换管理员用户3.2一键安装TeslaMate-【简单模式】3.3一键安装Te
  • 特斯拉神器TeslaMate一键安装，来了 oakley04 腾讯云阿里云云计算
    之前分享了teslamate的功能和简单安装方法，很多喜欢尝鲜的车友尝试了，但安装过程对不熟悉linux服务器的非码农来说还是有点小艰辛。趁这回双十一腾讯云重磅优惠，我也重新屯了服务器重装了一遍，现在把简化后安装过程或一键安装方法分享一下。1.购买服务器以下三款服务器都可以，其中最推荐中间的2核4G8M带宽的三年198，还没入手请点击下面的入口链接：腾讯云运营活动-腾讯云https://curl.
  • TeslaMate特斯拉神器本地Docker部署实现无公网远程访问 nagiY てんさいdocker容器运维sql
    文章目录1.Docker部署TeslaMate2.本地访问TeslaMate3.Linux安装Cpolar4.配置TeslaMate公网地址5.远程访问TeslaMate6.固定TeslaMate公网地址7.固定地址访问TeslaMateTeslaMate是一个开源软件，可以通过连接特斯拉账号，记录行驶历史，统计能耗、里程、充电次数等数据。用户可以通过web界面查看车辆状态、行程报告、充电记录等信
  • Ubuntu环境搭建TeslaMate，特斯拉车友必备，可视化数据仪表！使用极空间Z4虚拟机 喵不是白养的 ubuntulinux
    能点进来的大概率都是特斯拉车友~~本篇记录一下使用极空间Z4家庭NAS搭建TeslaMate的全过程，使用极空间最近更新的虚拟机功能，在虚拟机中安装Ubuntu部署Docker。当然大家用PC虚拟机搭建也可以啦！至于为什么不用极空间自带的Docker功能，emmm并不好用。要是想要使用自带的docker来搭建，可以参照这个https://post.smzdm.com/p/az59px95/本人自学
  • 使用Docker部署TeslaMate并结合内网穿透软件实现远程访问车辆数据 比奥利奥还傲. docker容器运维服务器linux
    文章目录1.Docker部署TeslaMate2.本地访问TeslaMate3.Linux安装Cpolar4.配置TeslaMate公网地址5.远程访问TeslaMate6.固定TeslaMate公网地址7.固定地址访问TeslaMateTeslaMate是一个开源软件，可以通过连接特斯拉账号，记录行驶历史，统计能耗、里程、充电次数等数据。用户可以通过web界面查看车辆状态、行程报告、充电记录等信
  • 如何在本地服务器部署TeslaMate并远程查看特斯拉汽车数据无需公网ip 日出等日落 内网穿透服务器汽车tcp/ip
    文章目录1.Docker部署TeslaMate2.本地访问TeslaMate3.Linux安装Cpolar4.配置TeslaMate公网地址5.远程访问TeslaMate6.固定TeslaMate公网地址7.固定地址访问TeslaMateTeslaMate是一个开源软件，可以通过连接特斯拉账号，记录行驶历史，统计能耗、里程、充电次数等数据。用户可以通过web界面查看车辆状态、行程报告、充电记录等信
  • 伊朗藏红花前五个月出口增长33% 西域竹君斋
    Iran’ssaffronexportsincreased33percentduringthefirstfivemonthsofthecurrentIraniancalendaryear(March21-August22)comparedtothesameperiodoftimeinthepastyear,accordingtothelatestdatareleasedbytheIslamicRe
  • 如何实现基于图像与激光雷达的 3d 场景重建? 大势智慧 3d人工智能计算机视觉三维建模激光点云
    智影S100是一款基于图像和激光点云融合建模技术的高精度轻巧手持SLAM三维激光扫描仪。设备机身小巧、手持轻便，可快速采集点云数据；支持实时解算、实时预览点云成果，大幅提高内外业工作效率；同时支持一键生成实景三维Mesh模型，实现城市建筑、堆体、室内空间等场景的高逼真3d重建。以下是智影S100在国家游泳中心“水立方”进行实地采集的点云与模型成果展示：智影S100：水立方立面点云与模型成果分享，实
  • ROS目标跟随（路径规划、雷达、slam、定位） 海风- ROS小车跟随目标跟随雷达路径规划定位
    ROS目标跟随（路径规划、雷达、地图、定位）最终效果展示一、总体launch文件1、打开已有地图2、组合小车的各个部分2.1惯性矩阵设置2.2小车底盘2.3摄像头2.4雷达2.5为机器人模型添加传动装置以及控制器2.6为机器人模型添加雷达配置2.7为机器人模型添加摄像头配置2.8为机器人模型添加kinect摄像头配置3、定位系统（amcl）4、路径规划（move_base）4.1全局路径规划与本地
  • ROS小车跟随 海风- ROS小车跟随目标跟随雷达
    这篇的目的是方便自己复习总体流程1、gazebo仿真世界2、机器人模型3、slam建图4、定位5、路径规划6、小车跟随7、总体launch文件第一篇博客给出了总体代码：https://blog.csdn.net/m0_71523511/article/details/135610191第二篇博客改善了跟随的效果：https://blog.csdn.net/m0_71523511/article/d
  • java数字签名三种方式 知了ing javajdk
    以下3钟数字签名都是基于jdk7的 1，RSA String password="test"; // 1.初始化密钥 KeyPairGenerator keyPairGenerator = KeyPairGenerator.getInstance("RSA"); keyPairGenerator.initialize(51
  • Hibernate学习笔记 caoyong Hibernate
    1>、Hibernate是数据访问层框架，是一个ORM(Object Relation Mapping)框架，作者为:Gavin King 2>、搭建Hibernate的开发环境      a>、添加jar包:      aa>、hibernatte开发包中/lib/required/所
  • 设计模式之装饰器模式Decorator（结构型） 漂泊一剑客 Decorator
    1. 概述        若你从事过面向对象开发，实现给一个类或对象增加行为，使用继承机制，这是所有面向对象语言的一个基本特性。如果已经存在的一个类缺少某些方法，或者须要给方法添加更多的功能（魅力），你也许会仅仅继承这个类来产生一个新类—这建立在额外的代码上。      
  • 读取磁盘文件txt，并输入String 一炮送你回车库 String
    public static void main(String[] args) throws IOException {    String fileContent = readFileContent("d:/aaa.txt");    System.out.println(fileContent);   
  • js三级联动下拉框 3213213333332132 三级联动
    //三级联动 省/直辖市<select id="province"></select> 市/省直辖<select id="city"></select> 县/区 <select id="area"></select>
  • erlang之parse_transform编译选项的应用 616050468 parse_transform游戏服务器属性同步abstract_code
             最近使用erlang重构了游戏服务器的所有代码，之前看过C++/lua写的服务器引擎代码，引擎实现了玩家属性自动同步给前端和增量更新玩家数据到数据库的功能，这也是现在很多游戏服务器的优化方向，在引擎层面去解决数据同步和数据持久化，数据发生变化了业务层不需要关心怎么去同步给前端。由于游戏过程中玩家每个业务中玩家数据更改的量其实是很少
  • JAVA JSON的解析 darkranger java
    // { // “Total”：“条数”， // Code: 1, // // “PaymentItems”:[ // { // “PaymentItemID”:”支款单ID”, // “PaymentCode”:”支款单编号”, // “PaymentTime”:”支款日期”, // ”ContractNo”:”合同号”， //
  • POJ-1273-Drainage Ditches aijuans ACM_POJ
    POJ-1273-Drainage Ditches http://poj.org/problem?id=1273 基本的最大流，按LRJ的白书写的 #include<iostream> #include<cstring> #include<queue> using namespace std; #define INF 0x7fffffff int ma
  • 工作流Activiti5表的命名及含义 atongyeye 工作流Activiti
    activiti5 - http://activiti.org/designer/update在线插件安装 activiti5一共23张表 Activiti的表都以ACT_开头。 第二部分是表示表的用途的两个字母标识。 用途也和服务的API对应。 ACT_RE_*: 'RE'表示repository。 这个前缀的表包含了流程定义和流程静态资源 （图片，规则，等等）。 A
  • android的广播机制和广播的简单使用 百合不是茶 android广播机制广播的注册
          Android广播机制简介 在Android中，有一些操作完成以后，会发送广播，比如说发出一条短信，或打出一个电话，如果某个程序接收了这个广播，就会做相应的处理。这个广播跟我们传统意义中的电台广播有些相似之处。之所以叫做广播，就是因为它只负责“说”而不管你“听不听”，也就是不管你接收方如何处理。另外，广播可以被不只一个应用程序所接收，当然也可能不被任何应
  • Spring事务传播行为详解 bijian1013 javaspring事务传播行为
            在service类前加上@Transactional，声明这个service所有方法需要事务管理。每一个业务方法开始时都会打开一个事务。         Spring默认情况下会对运行期例外(RunTimeException)进行事务回滚。这
  • eidtplus operate 征客丶 eidtplus
    开启列模式: Alt+C 鼠标选择   OR   Alt+鼠标左键拖动 列模式替换或复制内容(多行): 右键-->格式-->填充所选内容-->选择相应操作 OR Ctrl+Shift+V(复制多行数据,必须行数一致) -------------------------------------------------------
  • 【Kafka一】Kafka入门 bit1129 kafka
    这篇文章来自Spark集成Kafka(http://bit1129.iteye.com/blog/2174765)，这里把它单独取出来，作为Kafka的入门吧   下载Kafka http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.10-0.8.1.1.tgz 2.10表示Scala的版本，而0.8.1.1表示Kafka
  • Spring 事务实现机制 BlueSkator spring代理事务
    Spring是以代理的方式实现对事务的管理。我们在Action中所使用的Service对象，其实是代理对象的实例，并不是我们所写的Service对象实例。既然是两个不同的对象，那为什么我们在Action中可以象使用Service对象一样的使用代理对象呢？为了说明问题，假设有个Service类叫AService，它的Spring事务代理类为AProxyService，AService实现了一个接口
  • bootstrap源码学习与示例：bootstrap-dropdown（转帖） BreakingBad bootstrapdropdown
    bootstrap-dropdown组件是个烂东西，我读后的整体感觉。 一个下拉开菜单的设计： <ul class="nav pull-right"> <li id="fat-menu" class="dropdown">
  • 读《研磨设计模式》-代码笔记-中介者模式-Mediator bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /* * 中介者模式（Mediator）：用一个中介对象来封装一系列的对象交互。 * 中介者使各对象不需要显式地相互引用，从而使其耦合松散，而且可以独立地改变它们之间的交互。 * * 在我看来，Mediator模式是把多个对象（
  • 常用代码记录 chenjunt3 UIExcelJ#
      1、单据设置某行或某字段不能修改 //i是行号,"cash"是字段名称 getBillCardPanelWrapper().getBillCardPanel().getBillModel().setCellEditable(i, "cash", false); //取得单据表体所有项用以上语句做循环就能设置整行了 getBillC
  • 搜索引擎与工作流引擎 comsci 算法工作搜索引擎网络应用
          最近在公司做和搜索有关的工作，(只是简单的应用开源工具集成到自己的产品中)工作流系统的进一步设计暂时放在一边了，偶然看到谷歌的研究员吴军写的数学之美系列中的搜索引擎与图论这篇文章中的介绍，我发现这样一个关系(仅仅是猜想)   -----搜索引擎和流程引擎的基础--都是图论，至少像在我在JWFD中引擎算法中用到的是自定义的广度优先
  • oracle Health Monitor daizj oracleHealth Monitor
    About Health Monitor Beginning with Release 11g, Oracle Database includes a framework called Health Monitor for running diagnostic checks on the database. About Health Monitor Checks Health M
  • JSON字符串转换为对象 dieslrae javajson
        作为前言,首先是要吐槽一下公司的脑残编译部署方式,web和core分开部署本来没什么问题,但是这丫居然不把json的包作为基础包而作为web的包,导致了core端不能使用,而且我们的core是可以当web来用的(不要在意这些细节),所以在core中处理json串就是个问题.没办法,跟编译那帮人也扯不清楚,只有自己写json的解析了.   
  • C语言学习八结构体，综合应用，学生管理系统 dcj3sjt126com C语言
    实现功能的代码： # include <stdio.h> # include <malloc.h> struct Student { int age; float score; char name[100]; }; int main(void) { int len; struct Student * pArr; int i,
  • vagrant学习笔记 dcj3sjt126com vagrant
    想了解多主机是如何定义和使用的, 所以又学习了一遍vagrant   1. vagrant virtualbox 下载安装 https://www.vagrantup.com/downloads.html https://www.virtualbox.org/wiki/Downloads   查看安装在命令行输入vagrant     2.
  • 14.性能优化-优化-软件配置优化 frank1234 软件配置性能优化
    1.Tomcat线程池 修改tomcat的server.xml文件： <Connector port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" maxThreads="1200" m
  • 一个不错的shell 脚本教程 入门级 HarborChung linuxshell
    一个不错的shell 脚本教程 入门级 建立一个脚本 　　Linux中有好多中不同的shell，但是通常我们使用bash (bourne again shell) 进行shell编程，因为bash是免费的并且很容易使用。所以在本文中笔者所提供的脚本都是使用bash（但是在大多数情况下，这些脚本同样可以在 bash的大姐，bourne shell中运行）。 　　如同其他语言一样
  • Spring4新特性——核心容器的其他改进 jinnianshilongnian spring动态代理spring4依赖注入
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • Linux设置tomcat开机启动 liuxingguome tomcatlinux开机自启动
    执行命令sudo gedit /etc/init.d/tomcat6 然后把以下英文部分复制过去。（注意第一句#!/bin/sh如果不写，就不是一个shell文件。然后将对应的jdk和tomcat换成你自己的目录就行了。 #!/bin/bash # # /etc/rc.d/init.d/tomcat # init script for tomcat precesses
  • 第13章 Ajax进阶（下） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Troubleshooting Crystal Reports off BW blueoxygen BO
    http://wiki.sdn.sap.com/wiki/display/BOBJ/Troubleshooting+Crystal+Reports+off+BW#TroubleshootingCrystalReportsoffBW-TracingBOE   Quite useful, especially this part: SAP BW connectivity For t
  • Java开发熟手该当心的11个错误 tomcat_oracle javajvm多线程单元测试
    #1、不在属性文件或XML文件中外化配置属性。比如，没有把批处理使用的线程数设置成可在属性文件中配置。你的批处理程序无论在DEV环境中，还是UAT（用户验收 测试）环境中，都可以顺畅无阻地运行，但是一旦部署在PROD 上，把它作为多线程程序处理更大的数据集时，就会抛出IOException，原因可能是JDBC驱动版本不同，也可能是#2中讨论的问题。如果线程数目 可以在属性文件中配置，那么使它成为
  • 正则表达式大全 yang852220741 html编程正则表达式
    今天向大家分享正则表达式大全，它可以大提高你的工作效率 正则表达式也可以被当作是一门语言，当你学习一门新的编程语言的时候，他们是一个小的子语言。初看时觉得它没有任何的意义，但是很多时候，你不得不阅读一些教程，或文章来理解这些简单的描述模式。 一、校验数字的表达式 数字：^[0-9]*$ n位的数字：^\d{n}$ 至少n位的数字：^\d{n,}$ m-n位的数字：^\d{m,n}$
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他