gwpscut

ROS学习笔记之——EKF （Extended Kalman Filter） node 扩展卡尔曼滤波

最近正好准备想试试利用EKF实现多传感器的融合。但没想到本身ROS里面就已经有EKF的功能包了。这个包用于评估机器人的3D位姿，使用了来自不同源的位姿测量信息，它使用带有6D（3D position and 3D orientation）模型信息的扩展卡尔曼滤波器来整合来自轮子里程计，IMU传感器和视觉里程计的数据信息。基本思路就是用松耦合方式融合不同传感器信息实现位姿估计。下面来学习一下

robot_pose_ekf节点

概要

配置

节点订阅的topic

odom（nav_msgs/Odometry.msg）

imu_data(sensor_msgs/Imu.msg)

VO/视觉里程计（nav_msgs/Odometry.msg）

发布的topics

robot_pose_ekf/odom_combined（geometry_msgs/PoseWithCovarianceStamped.msg）

tf变换

robot_pose_ekf节点的工作原理

姿势解释Pose interpretation

协方差解释Covariance interpretation

Timing

扩展卡尔曼滤波的原理介绍

线性化卡尔曼滤波

泰勒级数展开

EKF

代码解读

将想使用的传感器加入到EKF的输入源中

参考资料

robot_pose_ekf节点

概要

robot_pose_ekf 是 ROS Navigation stack 中的一个包,通过扩展卡尔曼滤波器对 imu、里程计 odom、视觉里程计 vo 的数据进行融合,来估计平面移动机器人的真实位置姿态,输出 odom_combined 消息。

Robot Pose EKF 包用于评估机器人的3D位姿，基于来自不同来源的位姿测量信息。
它使用带有6D（3D position and 3D orientation）模型信息的扩展卡尔曼滤波器来整合来自轮式里程计，IMU传感器和视觉里程计的数据信息。换言之，如果要改造这个包，则需要其他传感器输出的位姿也按照它的结构。
基本思路就是用松耦合方式融合不同传感器信息实现位姿估计。

配置

该包的源码： https://github.com/ros-planning/robot_pose_ekf

先将这个包下载下来,然后放置于工作空间。EKF节点的默认启动文件位于robot_pose_ekf包目录中

先打开启动文件robot_pose_ekf.launch，里面有些参数是可以被修改的

可以使用 remap 将其映射到新名称的 topic上。重映射是基于替换的思想,每个重映射包含一个原始名称和一个新名称。每当节点使用重映射中的原始名称时,ROS 客户端库就会将它默默地替换成其对应的新名称。

cm一下即可编辑该功能包，但是报错了

原来是需要先安装

rosdep install robot_pose_ekf

然后在cm则成功了哈～

节点订阅的topic

odom（nav_msgs/Odometry.msg）

2D pose (used by wheel odometry): 该2D pose包含了机器人在地面的位置（position）和方位（orientation）信息以及该位姿的协方差（covariance）。
用来发送该2D位姿的消息实际上表示了一个3D位姿，只不过把z，pitch和roll分量简单忽略了。

原始消息定义如下所示

# This represents an estimate of a position and velocity (速度) in free space.  
# The pose in this message should be specified in the coordinate frame given by header.frame_id.
# The twist in this message should be specified in the coordinate frame given by the child_frame_id
Header header
string child_frame_id
geometry_msgs/PoseWithCovariance pose
geometry_msgs/TwistWithCovariance twist

缩消息定义

std_msgs/Header header
string child_frame_id
geometry_msgs/PoseWithCovariance pose
geometry_msgs/TwistWithCovariance twist

imu_data(sensor_msgs/Imu.msg)

3D orientation (used by the IMU): 3D方位提供机器人底座相对于世界坐标系的Roll, Pitch and Yaw偏角。 Roll and Pitch角是绝对角度（因为IMU使用了重力参考），而YAW角是相对角度。协方差矩阵用来指定方位测量的不确定度。当仅仅收到这个主题消息时，机器人位姿ekf还不会启动，因为它还需要来自主题’vo’或者’odom’的消息。

关于欧拉角的求解，可以参考博客《ROS学习笔记之——机器人航向角的求解》和《 ROS学习笔记之——机器人初始姿态角的确定》

原始消息定义如下所示

# This is a message to hold data from an IMU (Inertial Measurement Unit)
#
# Accelerations should be in m/s^2 (not in g's), and rotational velocity should be in rad/sec
#
# If the covariance of the measurement is known, it should be filled in (if all you know is the 
# variance of each measurement, e.g. from the datasheet, just put those along the diagonal)
# A covariance matrix of all zeros will be interpreted as "covariance unknown", and to use the
# data a covariance will have to be assumed or gotten from some other source
#
# If you have no estimate for one of the data elements (e.g. your IMU doesn't produce an orientation 
# estimate), please set element 0 of the associated covariance matrix to -1
# If you are interpreting this message, please check for a value of -1 in the first element of each 
# covariance matrix, and disregard the associated estimate.

Header header

geometry_msgs/Quaternion orientation
float64[9] orientation_covariance # Row major about x, y, z axes

geometry_msgs/Vector3 angular_velocity
float64[9] angular_velocity_covariance # Row major about x, y, z axes

geometry_msgs/Vector3 linear_acceleration
float64[9] linear_acceleration_covariance # Row major x, y z

缩消息定义

std_msgs/Header header
geometry_msgs/Quaternion orientation
float64[9] orientation_covariance
geometry_msgs/Vector3 angular_velocity
float64[9] angular_velocity_covariance
geometry_msgs/Vector3 linear_acceleration
float64[9] linear_acceleration_covariance

VO/视觉里程计（nav_msgs/Odometry.msg）

3D pose (used by Visual Odometry): 3D位姿可以完整表示机器人的位置和方位并给出位姿协方差。当用传感器只测量部分3D位姿(e.g. the wheel odometry only measures a 2D pose)时候, 可以给还未真正开始测量的部分3D位姿先简单指定一个大的协方差。

原始消息定义如下所示

# This represents an estimate of a position and velocity in free space.  
# The pose in this message should be specified in the coordinate frame given by header.frame_id.
# The twist in this message should be specified in the coordinate frame given by the child_frame_id
Header header
string child_frame_id
geometry_msgs/PoseWithCovariance pose
geometry_msgs/TwistWithCovariance twist

缩消息定义

std_msgs/Header header
string child_frame_id
geometry_msgs/PoseWithCovariance pose
geometry_msgs/TwistWithCovariance twist

robot_pose_ekf node并不需要所有3个传感器源一直同时可用。每个源都能提供位姿和协方差，且这些源以不同速率和延时工作。随着时间推移某个源可能出现和消失（比如某个传感器突然不工作了），该node可以自动探测当前可用的源。如果要把自己想使用的传感器加入到输入源中，请参考指南（http://wiki.ros.org/robot_pose_ekf/Tutorials/AddingGpsSensor）

发布的topics

robot_pose_ekf/odom_combined（geometry_msgs/PoseWithCovarianceStamped.msg）

滤波器输出 (估计的3D机器人位姿)

原始消息定义如下所示

# This expresses an estimated pose with a reference coordinate frame and timestamp

Header header
PoseWithCovariance pose

缩消息定义

std_msgs/Header header
geometry_msgs/PoseWithCovariance pose

tf变换

odom_combined → base_footprint

robot_pose_ekf节点的工作原理

姿势解释Pose interpretation

给滤波器node提供信息的所有传感器源都有自己的参考坐标系，并且随着时间推移都可能出现漂移现象。因此，每个传感器发出来的绝对位姿不能直接对比。因此该node使用每个传感器的相对位姿差异来更新扩展卡尔曼滤波器。

协方差解释Covariance interpretation

当机器人在四周移动时候，随着时间推移位姿不确定性会变得越来越大，协方差将无限增长。这样一来发布位姿自身协方差没有意义，因此传感器源公布协方差如何随时间变化（例如，速度的协方差）。请注意，使用世界观测（例如测量到已知墙的距离）将减少机器人姿势的不确定性; 然而，这是定位，而不是里程计

Timing

假定机器人上次更新位姿滤波器在t_0时刻，该node只有在收到每个传感器测量值（时间戳>t_0）之后才会进行下一次的滤波器更新。例如，在odom topic收到一条消息时间戳（t_1 > t_0）, 且在imu_data topic上也收到一条消息（其时间戳t_2 > t_1 > t_0）, 滤波器将被更新到所有传感器信息可用的最新时刻，这个时刻是t_1。在t_1时刻odom位姿直接给出了，但是imu位姿需要通过在t_0和t_2两时刻之间进行线性插值求得。在t_0到 t_1时间段，机器人位姿滤波器使用odom和IMU相对位姿进行更新。

下图是PR2机器人机器人的实验结果显示，从绿色初始位置开始移动最后回到出发位置。完美的odometry x-y曲线图应该是一个精确的闭环曲线图。上图蓝色线是轮式里程计的输入，蓝色点是其估计的结束位置。红色线是robot_pose_ekf的输出, robot_pose_ekf整合了轮式里程计和IMU的信息，给出了红色的结束位置点。

扩展卡尔曼滤波的原理介绍

这部分是数学部分，其实之前博客《学习笔记之——基于粒子滤波器的目标跟踪算法（内含卡尔曼滤波的学习笔记）》就学习过卡尔曼滤波了，来看看二者的区别吧～

对于kalman滤波，从一开始就是为线性系统设计的算法，不能用于非线性系统。在kalman滤波中，对于小车当前的状态（x，v），预测其下一秒的位置为这个就是一个线性系统的预测。而实际中往往都是非线性系统。

Kalman滤波

（一个不错的视频https://www.bilibili.com/video/av4356232?from=search&seid=7045130318637455155）

再付上几个不错的参考资料

http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/

https://blog.csdn.net/u010720661/article/details/63253509

https://en.wikipedia.org/wiki/Extended_Kalman_filter

线性化卡尔曼滤波

线性化卡尔曼滤波和线性卡尔曼滤波器在滤波器的算法方面有同样的算法结构。不一样的地方在于这两者的系统模型不同。线性卡尔曼滤波器的系统本身就是线性系统，而线性化卡尔曼滤波器的系统本身是非线性系统，但是机智的大神们将非线性的系统进行了线性化，于是卡尔曼滤波就可以用在非线性系统中了。

但是我们在对非线性系统进行线性化的过程中，只有被线性化的那个点附近的线性化模型和真实的模型相近，远的误差就大了，那么这个时候卡尔曼滤波器的效果就不好。估计线性化卡尔曼滤波器会发散。而线性化卡尔曼的表现取决于线性化做得好不好

泰勒级数展开

泰勒级数展开是将一个在 $x=x_{0}$ 处具有阶导数的函数，利用关于 $(x-x_{0})$ 的次多项式逼近函数值的方法。

若函数在包含 $x_{0}$ 的某个闭区间上具有阶导数，且在开区间上具有阶导数，则对闭区间上的任意一点，都有：

$f(x)=\frac{f({{x}_{0}})}{0!}+\frac{f'({{x}_{0}})}{1!}(x-{{x}_{0}})+...+\frac{{{f}^{(n)}}({{x}_{0}})}{n!}{{(x-{{x}_{0}})}^{n}}+{{R}_{n}}(x)$

其中 ${{f}^{(n)}}({{x}_{0}})$ 表示函数在 $x=x_{0}$ 处的阶导数，等式右边成为泰勒展开式，剩余的 ${{R}_{n}}(x)$ 是泰勒展开式的余项，是 $(x-x_{0})^{n}$ 的高阶无穷小。

（著名的欧拉公式 ${{e}^{ix}}=\cos x +i\sin x$ 就是利用 ${{e}^{ix}}$ ， $\cos x$ 和 $\sin x$ 的泰勒展开式得来的！）

当变量是多维向量时，一维的泰勒展开就需要做拓展，具体形式如下：

$f(\mathbf{x})=f({{\mathbf{x}}_{k}})+{{[\nabla f({{\mathbf{x}}_{k}})]}^{T}}(\mathbf{x}-{{\mathbf{x}}_{k}})+\frac{1}{2!}{{(\mathbf{x}-{{\mathbf{x}}_{k}})}^{T}}H({{\mathbf{x}}_{k}})(\mathbf{x}-{{\mathbf{x}}_{k}})+{{o}^{n}}$

其中， ${{[\nabla f({{\mathbf{x}}_{k}})]}^{T}}={{\mathbf{J}}_{F}}$ 表示雅克比矩阵， $\mathbf{H}({{\mathbf{x}}_{k}})$ 表示海塞矩阵， ${{\mathbf{o}}^{n}}$ 表示高阶无穷小。

${[\nabla f({{\bf{x}}_k})]^T} = {{\bf{J}}_F} = \left[ {\begin{array}{*{20}{c}} {\frac{{\partial f{{({{\bf{x}}_k})}_1}}}{{\partial {x_1}}}}&{\frac{{\partial f{{({{\bf{x}}_k})}_1}}}{{\partial {x_2}}}}& \cdots &{\frac{{\partial f{{({{\bf{x}}_k})}_1}}}{{\partial {x_n}}}}\\ {\frac{{\partial f{{({{\bf{x}}_k})}_2}}}{{\partial {x_1}}}}&{\frac{{\partial f{{({{\bf{x}}_k})}_2}}}{{\partial {x_2}}}}& \cdots &{\frac{{\partial f{{({{\bf{x}}_k})}_2}}}{{\partial {x_n}}}}\\ \vdots & \vdots & \ddots & \vdots \\ {\frac{{\partial f{{({{\bf{x}}_k})}_m}}}{{\partial {x_1}}}}&{\frac{{\partial f{{({{\bf{x}}_k})}_m}}}{{\partial {x_2}}}}& \cdots &{\frac{{\partial f{{({{\bf{x}}_k})}_m}}}{{\partial {x_n}}}} \end{array}} \right]$

${\bf{H}}({{\bf{x}}_k}) = \left[ {\begin{array}{*{20}{c}} {\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial x_1^2}}}&{\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_1}\partial {x_2}}}}& \cdots &{\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_1}\partial {x_n}}}}\\ {\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_2}\partial {x_1}}}}&{\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial x_2^2}}}& \cdots &{\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_2}\partial {x_n}}}}\\ \vdots & \vdots & \ddots & \vdots \\ {\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_n}\partial {x_1}}}}&{\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_n}\partial {x_2}}}}& \cdots &{\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial x_n^2}}} \end{array}} \right]$

这里， $f({{\bf{x}}_k})$ 为维， ${{\bf{x}}_k}$ 状态向量为维， $\frac{{{\partial ^2}f({{\bf{x}}_k})}}{{\partial {x_m}\partial {x_n}}} = \frac{{\partial f{{({{\bf{x}}_k})}^T}}}{{\partial {x_m}}}\frac{{\partial f({{\bf{x}}_k})}}{{\partial {x_n}}}$

一般来说，EKF在对非线性函数做泰勒展开时，只取到一阶导和二阶导，而由于二阶导的计算复杂性，更多的实际应用只取到一阶导，同样也能有较好的结果。取一阶导时，状态转移方程和观测方程就近似为线性方程，高斯分布的变量经过线性变换之后仍然是高斯分布，这样就能够延用标准卡尔曼滤波的框架。

EKF

扩展卡尔曼算法是一种近似的状态估计方法，它是将非线性系统模型在状态估计值附近进行泰勒级数展幵，并在一阶截断，然后用得到的一阶泰勒展开式的近似项作为原状态方程和测量方程的线性逼近方程。泰勒展开式线性化过程是通过计算状态方程和测
量方程偏导的雅克比矩阵实现非线性系统的线性化。传统的卡尔曼滤波器只适合线性系统的状态估计，因此卡尔曼滤波完成非线性系统的线性化后则可依据传统卡尔曼滤波算法实现状态估计。

标准卡尔曼滤波KF的状态转移方程和观测方程为

${{\mathbf{\theta }}_{k}}=\mathbf{A}{{\mathbf{\theta }}_{k-1}}+\mathbf{B}{{\mathbf{u}}_{k-1}}+{{\mathbf{s}}_{k}}$

${{\mathbf{z}}_{k}}=\mathbf{C}{{\mathbf{\theta }}_{k}}+{{\mathbf{v}}_{k}}$

真实的状态值 ${{\mathbf{\theta }}_{k}}$ ，预测的状态值 $\mathbf{\theta }_{k}^{'}$ ，估计的状态值 $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle$ ，观测值 ${{\mathbf{z}}_{k}}$ ，观测值的预测 $\mathbf{\hat{z}}_{k}$ ，估计值与真实值之间的误差协方差矩阵 ${{\mathbf{\Sigma }}_{k}}$ ，求期望的符号 $\left\langle \cdot \right\rangle$ 。.扩展卡尔曼滤波EKF的状态转移方程和观测方程为:

${{\mathbf{\theta }}_{k}}=f({{\mathbf{\theta }}_{k-1}})+{{\mathbf{s}}_{k}}$ （1）（状态值）状态转移方程

${{\mathbf{z}}_{k}}=h({{\mathbf{\theta }}_{k}})+{{\mathbf{v}}_{k}}$ （2）（测量值）观测方程

其中， ${{\mathbf{s}}_{k}}\sim \mathcal{N}(0,\mathbf{Q})$ 以及 ${{\mathbf{v}}_{k}}\sim \mathcal{N}(0,\mathbf{R})$ 为加性高斯噪声

利用泰勒展开式对（1）式在上一次的估计值 $\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle$ 处展开得

${{\mathbf{\theta }}_{k}}=f({{\mathbf{\theta }}_{k-1}})+{{\mathbf{s}}_{k}}=f(\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle )+{{\mathbf{F}}_{k-1}}\left( {{\mathbf{\theta }}_{k-1}}-\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle \right)+{{\mathbf{s}}_{k}}$ （3）

再利用泰勒展开式对（2）式在本轮的状态预测值 $\mathbf{\theta }_{k}^{'}$ 处展开得

${{\mathbf{z}}_{k}}=h({{\mathbf{\theta }}_{k}})+{{\mathbf{v}}_{k}}=h\left( \mathbf{\theta }_{{k}}^{\mathbf{'}} \right)+{{\mathbf{H}}_{k}}\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{{k}}^{\mathbf{'}} \right)+{{\mathbf{v}}_{k}}$ （4）

其中， ${\mathbf{F}}_{k-1}$ 和 ${\mathbf{H}}_{k}$ 分别表示函数 $f(\mathbf{\theta })$ 和 $h(\mathbf{\theta })$ 在 $\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle$ 和 $\mathbf{\theta }_{k}^{'}$ 处的雅克比矩阵。这里对泰勒展开式只保留到一阶导，二阶导数以上的都舍去，噪声假设均为加性高斯噪声

由公式3、4可以得到下面两个等式

$f({{\mathbf{\theta }}_{k-1}})-f(\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle )={{\mathbf{F}}_{k-1}}\left( {{\mathbf{\theta }}_{k-1}}-\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle \right)$ （6）注意：为上一状态的估计值

$h({{\mathbf{\theta }}_{k}})-h\left( \mathbf{\theta }_{{k}}^{\mathbf{'}} \right)={{\mathbf{H}}_{k}}\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{{k}}^{{'}} \right)$ （7）注意：真实的状态值 ${{\mathbf{\theta }}_{k}}$ ，预测的状态值 $\mathbf{\theta }_{k}^{'}$

基于以上的公式，给出EKF的预测（Predict）和更新（Update）两个步骤：

Propagation：

$\mathbf{\theta }_{k}^{'}=f(\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle)$ 上一个状态的估计值，通过f函数来预测当前的状态值

下面计算一下估计值 $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle$ 与真实值 ${{\mathbf{\theta }}_{k}}$ 之间的误差协方差矩阵 ${{\mathbf{\Sigma }}_{k}}$

观测方程在本轮的状态预测值 $\mathbf{\theta }_{k}^{'}$ 处展开得 ${{\mathbf{z}}_{k}}=h({{\mathbf{\theta }}_{k}})+{{\mathbf{v}}_{k}}=h\left( \mathbf{\theta }_{{k}}^{\mathbf{'}} \right)+{{\mathbf{H}}_{k}}\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{{k}}^{\mathbf{'}} \right)+{{\mathbf{v}}_{k}}$
通过负反馈引入估计的状态值 $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle$ 为： $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle =\mathbf{\theta }_{k}^{'}+{{\mathbf{K}}_{k}}\left( {{\mathbf{z}}_{k}}-{{{\mathbf{\hat{z}}}}_{k}} \right)=\mathbf{\theta }_{k}^{'}+{{\mathbf{K}}_{k}}\left( {{\mathbf{z}}_{k}}-h(\theta _{k}^{'} )\right)$
$h({{\mathbf{\theta }}_{k}})-h\left( \mathbf{\theta }_{{k}}^{\mathbf{'}} \right)={{\mathbf{H}}_{k}}\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{{k}}^{{'}} \right)$

有：

估计值 $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle$ 与真实值 ${{\mathbf{\theta }}_{k}}$ 之间的误差协方差矩阵 ${{\mathbf{\Sigma }}_{k}}$ ${{\mathbf{\Sigma }}_{k}}=\left\langle {{\mathbf{e}}_{k}}\mathbf{e}_{k}^{T} \right\rangle =\left\langle \left( {{\mathbf{\theta }}_{k}}-\left\langle {{\mathbf{\theta }}_{k}} \right\rangle \right){{\left( {{\mathbf{\theta }}_{k}}-\left\langle {{\mathbf{\theta }}_{k}} \right\rangle \right)}^{T}} \right\rangle$

${{\mathbf{\Sigma }}_{k}}=\left\langle \left[ {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'}-{{\mathbf{K}}_{k}}\left( {{\mathbf{z}}_{k}}-h\left( \mathbf{\theta }_{k}^{'} \right) \right) \right]{{\left[ {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'}-{{\mathbf{K}}_{k}}\left( {{\mathbf{z}}_{k}}-h\left( \mathbf{\theta }_{k}^{'} \right) \right) \right]}^{T}} \right\rangle$

${{\mathbf{\Sigma }}_{k}}=\left\langle \left[ {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'}-{{\mathbf{K}}_{k}}\left( h\left( {{\mathbf{\theta }}_{k}} \right)-h\left( \mathbf{\theta }_{k}^{'} \right)+{{\mathbf{v}}_{k}} \right) \right]{{\left[ {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'}-{{\mathbf{K}}_{k}}\left( h\left( {{\mathbf{\theta }}_{k}} \right)-h\left( \mathbf{\theta }_{k}^{'} \right)+{{\mathbf{v}}_{k}} \right) \right]}^{T}} \right\rangle$

${{\mathbf{\Sigma }}_{k}}=\left\langle \left[ \left( \mathbf{I}-{{\mathbf{K}}_{k}}{{\mathbf{H}}_{k}} \right)\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'} \right)+{{\mathbf{K}}_{k}}{\mathbf{v}}_{k}} \right]{{\left[ \left( \mathbf{I}-{{\mathbf{K}}_{k}}{{\mathbf{H}}_{k}} \right)\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'} \right)+{{\mathbf{K}}_{k}}{\mathbf{v}}_{k}} \right]}^{T}} \right\rangle$

${{\mathbf{\Sigma }}_{k}}=\left( \mathbf{I}-{{\mathbf{K}}_{k}}{{\mathbf{H}}_{k}} \right)\left\langle \left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'} \right){{\left( {{\mathbf{\theta }}_{k}}-\mathbf{\theta }_{k}^{'} \right)}^{T}} \right\rangle {{\left( \mathbf{I}-{{\mathbf{K}}_{k}}{{\mathbf{H}}_{k}} \right)}^{T}}+{\mathbf{K}}_{k}}{\mathbf{R}}{\mathbf{K}}_{k}}^{T}$

${{\mathbf{\Sigma }}_{k}}=\left( \mathbf{I}-{{\mathbf{K}}_{k}}{{\mathbf{H}}_{k}} \right)\mathbf{\Sigma }_{k}^{'}{{\left( \mathbf{I}-{{\mathbf{K}}_{k}}{{\mathbf{H}}_{k}} \right)}^{T}}+{\mathbf{K}}_{k}}{\mathbf{R}}{\mathbf{K}}_{k}}^{T}$

其中 $\mathbf{\Sigma }_{k}^{'}$ 表示真实的状态值 ${{\mathbf{\theta }}_{k}}$ 与预测的状态值 $\mathbf{\theta }_{k}^{'}$ 之间的误差协方差矩阵。于是得到式

${{\mathbf{\Sigma }}_{k}}=\mathbf{\Sigma }_{k}^{'}-{{\mathbf{K}}_{k}}\mathbf{H}_{k}{\mathbf{\Sigma } }_{k}^{'}-\mathbf{\Sigma }_{k}^{'}{{\mathbf{H}_{k}^{T}}}\mathbf{K}_{k}^{T}+{{\mathbf{K}}_{k}}\left( \mathbf{H}_{k}\mathbf{\Sigma }_{k}^{'}{{\mathbf{H}_{k}}^{T}}+\mathbf{R} \right)\mathbf{K}_{k}^{T}$ （8）

因为 ${{\mathbf{\Sigma }}_{k}}$ 的对角元即为真实值与估计值的误差的平方，矩阵的迹（用表示）即为总误差的平方和，即

$T\left[ {{\mathbf{\Sigma }}_{k}} \right]=T\left[ \mathbf{\Sigma }_{k}^{'} \right]+T\left[ {{\mathbf{K}}_{k}}\left( \mathbf{H}_{k}{\mathbf{\Sigma } }_{k}^{'}{{\mathbf{H}_{k}}^{T}}+\mathbf{R} \right)\mathbf{K}_{k}^{T} \right]-2T\left[ {{\mathbf{K}}_{k}}\mathbf{H}_{k}\mathbf{\Sigma }_{k}^{'} \right]$

利用以下矩阵迹的求导公式（其中 $\mathbf{A}$ 和 $\mathbf{B}$ 表示矩阵， $\mathbf{a}$ 表示列向量）：

$Tr(\mathbf{A}+\mathbf{B})=Tr(\mathbf{A})+Tr(\mathbf{B})$

$Tr(\mathbf{AB})=Tr(\mathbf{BA})$

$\mathbf{a}^{T} \mathbf{a}=Tr(\mathbf{a}\mathbf{a}^{T})$

$\frac{\partial }{\partial \mathbf{X}} Tr(\mathbf{XBX}^{T})=\mathbf{XB}^{T}+\mathbf{XB}$

$\frac{\partial }{\partial \mathbf{X}} Tr(\mathbf{AX}^{T})=\mathbf{A}$

$\frac{\partial }{\partial \mathbf{X}} Tr(\mathbf{XA})=\mathbf{A}^{T}$

要让估计值更接近于真实值，就要使上面的迹尽可能的小，因此要取得合适的卡尔曼增益 ${{\mathbf{K}}_{k}}$ ，使得迹得到最小，言外之意就是使得迹对 ${{\mathbf{K}}_{k}}$ 的偏导为0，即

$\frac{dT\left[ {{\mathbf{\Sigma }}_{k}} \right]}{d{{\mathbf{K}}_{k}}}=2{{\mathbf{K}}_{k}}\left( \mathbf{H}_{k}{\mathbf{\Sigma }}_{k}^{'}{{\mathbf{H}}_{k}^{T}}+\mathbf{R} \right)-2{{\left( \mathbf{H}_{k}{\mathbf{\Sigma }}_{k}^{'} \right)}^{T}}=0$

这样就能算出合适的卡尔曼增益了，即

${{\mathbf{K}}_{k}}=\mathbf{\Sigma }_{k}^{'}{{\mathbf{H}}_{k}^{T}}{{\left( \mathbf{H}_{k}{\mathbf\Sigma }_{k}^{'}{{\mathbf{H}}_{k}^{T}}+\mathbf{R} \right)}^{-1}}$

代回式（8）得到

${{\mathbf{\Sigma }}_{k}}=\mathbf{\Sigma }_{k}^{'}-\mathbf{\Sigma }_{k}^{'}{{\mathbf{H}}_{k}^{T}}{{\left( \mathbf{H}_{k}{\mathbf\Sigma }_{k}^{'}{{\mathbf{H}}_{k}^{T}}+\mathbf{R} \right)}^{-1}}\mathbf{H}_{k}{\mathbf\Sigma }_{k}^{'}=\left( \mathbf{I}-{{\mathbf{K}}_{k}}\mathbf{H}_{k} \right)\mathbf{\Sigma }_{k}^{'}$

接下来就差真实值与预测值之间的协方差矩阵 $\mathbf{\Sigma }_{k}^{'}$ 的求值公式了

$\mathbf{\Sigma }_{_{k}}^{'}=\left\langle \mathbf{e}_{k}^{'}\mathbf{e}{{_{k}^{'}}^{T}} \right\rangle =\left\langle \left( {{\theta }_{k}}-\theta _{k}^{'} \right){{\left( {{\theta }_{k}}-\theta _{k}^{'} \right)}^{T}} \right\rangle$

将以下两个等式代入到上式，

${{\mathbf{\theta }}_{k}}=f({{\mathbf{\theta }}_{k-1}})+{{\mathbf{s}}_{k}}$ ， $\mathbf{\theta }_{k}^{'}=f(\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle )$

$\mathbf{\Sigma }_{k}^{'}=\mathbf{F}_{k-1}{{\mathbf{\Sigma }}_{k-1}}{{\mathbf{F}}_{k-1}^{T}}+\mathbf{Q}$

可以得到

$\mathbf{\Sigma }_{_{k}}^{'}=\left\langle \left[f({{\mathbf{\theta }}_{k-1}})-f(\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle )+{{\mathbf{s}}_{k}} \right]{{\left[ f({{\mathbf{\theta }}_{k-1}})-f(\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle )+{{\mathbf{s}}_{k}} \right]}^{T}} \right\rangle$

有 ${{\mathbf{\theta }}_{k}}$ 、 $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle$ 与观测噪声 ${{\mathbf{s}}_{k}}$ 是独立的，求期望等于零;； $\left\langle {{\mathbf{s}}_{k}}{{\mathbf{s}}_{k}}^{T} \right\rangle$ 表示观测噪声的协方差矩阵，用 ${\mathbf{Q}}$ 表示。于是得到

$\mathbf{\Sigma }_{_{k}}^{'}=\mathbf{F}_{k-1}\left\langle \left( {{\theta }_{k-1}}-\left\langle {{\theta }_{k-1}} \right\rangle \right){{\left( {{\theta }_{k-1}}-\left\langle {{\theta }_{k-1}} \right\rangle \right)}^{T}} \right\rangle {{\mathbf{F}}_{k-1}^{T}}+\left\langle {{\mathbf{s}}_{k}}\mathbf{s}_{k}^{T} \right\rangle \\ =\mathbf{F}_{k-1}{{\mathbf{\Sigma }}_{k-1}}{{\mathbf{F}}_{k-1}^{T}}+\mathbf{Q}$

其中的协方差矩阵的转置矩阵就是它本身。

从而得到Update：

$\mathbf{S}_{k}^{'}={{\left( \mathbf{H_{k}\Sigma }_{k}^{'}{{\mathbf{H}}_{k}^{T}}+\mathbf{R} \right)}^{-1}}$

$\mathbf{K}_{k}^{'}=\mathbf{\Sigma }_{k}^{'}{{\mathbf{H}}_{k}^{T}}\mathbf{S}_{k}^{'}$

引入反馈，估计的状态值 $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle$ 为： $\left\langle {{\mathbf{\theta }}_{k}} \right\rangle =\mathbf{\theta }_{k}^{'}+{{\mathbf{K}}_{k}}\left( {{\mathbf{z}}_{k}}-{{{\mathbf{\hat{z}}}}_{k}} \right)=\mathbf{\theta }_{k}^{'}+{{\mathbf{K}}_{k}}\left( {{\mathbf{z}}_{k}}-h(\theta _{k}^{'} )\right)$ （5）

${{\mathbf{\Sigma }}_{k}}=\left( \mathbf{I}-\mathbf{K}_{k}^{'}\mathbf{H}_{k} \right)\mathbf{\Sigma }_{k}^{'}$

其中的雅克比矩阵 ${\mathbf{F}}_{k-1}$ 和 ${\mathbf{H}}_{k}$ 分别为

${{\mathbf{F}}_{k-1}}={{\left. \frac{\partial f}{\partial \mathbf{\theta }} \right|}_{\left\langle {{\mathbf{\theta }}_{k-1}} \right\rangle }}$ ， ${{\mathbf{H}}_{k}}={{\left. \frac{\partial h}{\partial \mathbf{\theta }} \right|}_{\mathbf{\theta }_{k}^{'}}}$

代码解读

代码解读这块我就直接把注释解读放上来了哈～

将想使用的传感器加入到EKF的输入源中

（http://wiki.ros.org/robot_pose_ekf/Tutorials/AddingGpsSensor）

参考资料

http://wiki.ros.org/robot_pose_ekf （官方文档）

https://github.com/ros-planning/navigation（ROS导航）

https://blog.csdn.net/zhczz1994/article/details/89790570

https://blog.csdn.net/eaibot/article/details/51405152

https://www.ncnynl.com/archives/201708/1909.html

https://blog.csdn.net/Qm13416479599/article/details/90056741?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-4.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-4.nonecase

https://blog.csdn.net/shenghuaijing3314/article/details/78220151

https://answers.ros.org/question/11682/robot_pose_ekf-with-an-external-sensor/?answer=17402#post-id-17402

https://zhuanlan.zhihu.com/p/67138271

https://blog.csdn.net/weixin_42647783/article/details/89054641

https://www.cnblogs.com/ymxiansen/p/5368547.html

https://zhuanlan.zhihu.com/p/70605004

你可能感兴趣的:(ROS,移动机器人)

LLaMA Factory添加新模型template的实战解析 herosunly 大模型 llama factory 新模型 template 实战解析
大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
Aigc 本地接入deepseek-api Mr_Chenph AI乱炖 AIGC deepseek pycharm python
开发环境开发环境：MacBookProSonoma14.5开发工具：PyCharm24.3.3需求整理（提示词）直接使用PyCharm安装Continue插件，配置好deepseek参数后生成代码一次：请帮我用python编写一个程序，功能如下：功能分为服务端和客户端（浏览器），服务端启动后，用户使用浏览器提出问题，服务端调用deepseek的api接口进行消息回复。二次：index页面中的英文变
【WPF命令绑定之--没有Command属性的控件如何进行命令绑定？】吾与谁归in C#学习 WPF wpf c#
前言C#WPF之命令绑定内容有些控件不支持直接绑定命令，可以调用其他依赖实现命令的绑定。依赖：Microsoft.Xaml.Behaviors.Wpf使用如下代码可以实现事件的命令绑定，及传递参数：1、引用：xmlns:behavior=“http://schemas.microsoft.com/xaml/behaviors”2、添加命令绑定代码(如：代码①)3、创建实现ICommand的类pub
当我删除word文件时无法删除，提示：操作无法完成，因为已在Microsoft Word中打开阿杜x Word word
现象：查看电脑桌面下方的任务栏，明明已经关闭了WPS和WORD软件，但是打开word文档时还是提示：解决方法步骤：1、按一下键盘上的ctrl+Shift+Esc键打开任务管理器2、在进程中找到如下：快速找到的方法：点击进程界面中最上方的一个进程，然后把自己的电脑输入法切换为英文，然后，每按1️⃣次该进程名称开头字母M，就会跳转1次并找到下一个M开头的进程，直到找到如下进程：3、鼠标放在此进程上，右
Ubuntu20.04 ros-noetic下opencv多版本问题may conflict with libopencv_highgui.so.4.2 JANGHIGH 小技巧 OpenCV opencv 人工智能计算机视觉
Ubuntu20.04ros-noetic下opencv多版本问题问题解决情况1情况2方法当前终端生效将上述命令添加到~/.bashrc中，使其永久生效问题当编译某程序包时，出现如下警告，但是编译通过。/usr/bin/ld:warning:libopencv_highgui.so.406,neededby/lidar_slam_ws/devel/lib/libvikit_common.so,ma
《ROS2 机器人开发从入门道实践》鱼香ROS2——第5章内容儒雅芝士机器人
目录第5章ROS常用开发工具5.1坐标变换工具介绍5.1.1通过命令行使用TF5.1.2对TF原理的简单探究5.2Python中的手眼坐标变换5.2.1通过Python发布静态TF5.2.2通过Python发布动态TF5.2.3通过Python查询TF关系5.3C++中的地图坐标系变化5.3.1通过C++发布静态TF5.3.2通过C++发布动态TF5.3.3通过C++查询TF关系5.4常用可视化工
python docx document 输出word 设置字体南阳范宏云 python word 开发语言
python相关学习资料：一张图生成指定动作的动态视频,MagicAnimate本地部署搭建私人助理大模型需要什么环境？GitLabCI/CD-pending的原因使用Python-docx库设置Word文档字体Python-docx是一个用于创建和更新MicrosoftWord文档的Python库。它允许我们以编程方式操作Word文档，包括设置字体样式。本文将介绍如何使用Python-docx库
安装pycrypto报错名难取aaa bug Windows 我的一生之敌 pip
报错信息解决方法网上有两种解决方案:pycrypto安装出错的问题我选择第二种（更为简单）：在安装MicrosoftVisualStudio的目录下(或者目录附近)，找到..\VC\Tools\MSVC\14.10.25017\include\stdint.h并且拷贝到..\WindowsKits\10\Include\10.0.15063.0\ucrtPS:建议用everything(一个软件)
优艾智合完成B系列超3亿元人民币融资加速移动机器人规模化落地 weixin_51795422 科技财经人工智能
12月28日，工业移动机器人头部企业优艾智合宣布近期完成B系列融资，金额累计超3亿元人民币。两轮分别由方广资本、熙诚金睿领投，IDG、松禾、SIG、蓝驰、软银、HAX等新老股东跟投，均由泰合资本担任独家财务顾问。早期投资机构包括真格、常见、英诺、招商局伯乐、西交1896。作为国内领先的移动机器人及解决方案提供商，优艾智合基于工业物流及智能巡检运维两大业务，深耕于精密电子制造与能源行业中的生产运营场
计算机网络实验一：对等网络的构建蓝多多的小仓库 CS专业课实验及秋招实录计算机网络网络对等网络构建 TCP/IP
实验一：对等网络的构建1、实验要求（1）掌握TCP/IP协议的配置；（2）掌握常见网络命令的使用；（3）掌握组建windows对等网络并配置文件共享。2、实验内容（1）以MicrosofeWinodws系统为例，对TCP/IP协议进行安装和配置；（2）学习使用常见的网络命令，并了解相关的参数；（3）组建windows对等网络。
GD32F4xx SD卡读写及FATFS移植记录 madao1024 GD32F4xx MCU GD32F4xx SDIO FATFS
最近调试了一下GD32F450Z的SDIO接口，读写microSD卡并移植了FATFS调试过程记录如下，调试时使用的是16GBKingstonTF卡。说一下思路：分3步实现1、从资料中首先学习一下SDIO接口的相关内容；2、根据例程调通SDcard的读写驱动程序；3、最后移植FATFS文件系统，文件系统来操作SD卡。目录1、GD32F4xxSDIO接口2、GD32F4xxSDIO驱动3、FAT
PCL点云系列之如何使用 Python 从 ROS Bags 中提取和可视化彩色点云数据？自动驾驶汽车如何感知周围环境知识大胖 PCL点云Point Cloud系列教程 python 自动驾驶汽车
介绍您是否曾好奇过自动驾驶汽车如何感知周围环境，或者建筑物的3D模型是如何如此精确地创建的？答案就在于点云的魔力。这些密集的数据点集合通常由LiDAR或深度相机等传感器捕获，构成了机器人、3D建模和自动驾驶汽车等各种应用的支柱。但是，如果您不仅需要捕获几何形状，还需要保留这些点的颜色信息，该怎么办？在本文中，我们将深入研究一个Python脚本，该脚本从ROS（机器人操作系统）包中提取点云数据，同时
ROS2入门教程—创建ROS2功能包（C++版） Roar冷颜 ROS2入门教程其他
ROS2入门教程—创建ROS2功能包（C++版）1ROS2中的功能包2创建功能包3编译功能包4设置环境变量5运行功能包6功能包中的内容7修改package.xml文件功能包是ROS2中组织代码的基本容器，方便我们编译、安装、分发开发的代码，一般来讲，每个功能包都是用来完成某项具体的功能相对完整的单元。1ROS2中的功能包 ROS2中的功能包可以使用CMake或者Python两种方式来编译（本
考研导师选择方法 herosunly 考名校研究生经验分享考研选择导师考研导师选择方法
大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于大模型算法的研究与应用。曾担任百度千帆大模型比赛、BPAA算法大赛评委，编写微软OpenAI考试认证指导手册。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。授权多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。
Microsoft JDBC 驱动 vs jTDS 驱动对比指南一杯小周 sqlserver
MicrosoftJDBC驱动vsjTDS驱动对比指南一、支持与维护方1.MSSQLJDBCDriver维护方：Microsoft官方维护更新频率：持续更新，支持最新SQLServer功能（如AzureSQL、AlwaysEncrypted）兼容性：专为SQLServer2012+设计，支持JDBC4.2+2.jTDS驱动维护方：开源社区（最后重大更新于2014年）适用场景：兼容旧版SQLServ
Microsoft.Office.Interop.Excel 的简单操作中游鱼 Office C#数据处理 excel Interop.Excel Excel 读写
Microsoft.Office.Interop.Excel的简单操作1、安装Microsoft.Office.Interop.Excel2、声明引用Microsoft.Office.Interop.Excel3、简单的新建EXCEL操作代码4、将DataGridView表数据写到EXCEL操作代码5、将EXCEL表数据读取到C#数据表DataTable操作代码1、安装Microsoft.Offi
利用Mybatis获取数据库表结构信息并转换【兼容多种数据库】無炆_ 数据库 mybatis java
你可以使用Mybatis提供的DatabaseMetaData类来获取数据库表结构信息。以下是一个简单的示例代码：publicclassMybatisExample{publicstaticvoidmain(String[]args)throwsSQLException{Listwarnings=newArrayListintrospectedTables=databaseIntrospector
ArcGIS Pro SDK （九）几何 7 多点 Winemonk ArcGIS Pro SDK arcgis arcgis pro sdk gis c#
ArcGISProSDK（九）几何7多点文章目录ArcGISProSDK（九）几何7多点1构造多点-从映射点的枚举2构造多点-使用MultipointBuilderEx3修改多点的点4从多点检索点、2D坐标、3D坐标环境：VisualStudio2022+.NET6+ArcGISProSDK3.01构造多点-从映射点的枚举//使用builderEx的便捷方法或者使用builderEx构造函数。Li
Flutter权限管理插件 - permission_handler完全指南丁操余
Flutter权限管理插件-permission_handler完全指南flutter-permission-handlerPermissionpluginforFlutter.Thispluginprovidesacross-platform(iOS,Android)APItorequestandcheckpermissions.项目地址:https://gitcode.com/gh_mirro
CTF-web: Rust 的过程宏 A5rZ rust 网络安全
Rust的过程宏（ProceduralMacros）是一种强大的元编程工具，允许你在编译时对代码进行操作和生成。与属性宏和派生宏不同，过程宏可以接收并处理任意Rust代码，生成新的代码片段。这里有一个简单的例子来说明Rust的过程宏。假设你想创建一个过程宏来生成一个函数，该函数返回一个固定的字符串。我们可以按如下步骤进行：创建一个新的Rust库项目：cargonewmy_proc_macro--l
WPS office根目录在哪?_WPS加载项深入开发代码解析-2 weixin_39942726 WPS office根目录在哪?
这个系列的上一篇是一个不短的视频，是我们财应同学的出镜，这一篇我找个比较典型的场景从代码层面讲讲怎么利用ribbon控制WPS加载项和WPS自身功能。ribbon是什么Ribbon是一种以面板及标签页为架构的用户界面，原先出现在MicrosoftOffice2007后续版本的Word、Excel和PowerPoint等组件中，后来也被运用到Windows7的一些附加组件等其它软件中，如画图和写字板
WGCLOUD可以支持信创操作系统吗
可以的比如麒麟、统信UOS、龙芯(mips)、深度deepin、凝思、龙蜥Anolis、EulerOS欧拉等操作系统，都可以正常部署使用WGCLOUD监控系统
JSON-to-Excel v2.0.0发布，可以在Excel内部，把JSON转换成Excel格式，嵌套的JSON也能转 wtsolutions excel与json互相转换 json excel 转换 json-to-excel
本文是JSON-to-Excel插件的官方文档https://json-to-excel.wtsolutions.cn简化浓缩翻译的中文版，仅供参考。详细的还请查看官方文档。插件简介JSON-to-Excel是一款强大的MicrosoftExcel插件，专门用于将JSON数据转换为Excel表格格式。这款插件能够帮助用户轻松处理和转换JSON数据，提高数据处理效率。插件版本20250228发布v2
ROS2软件调用架构和机制解析：Publisher创建 slam02∞ ros2 dds
术语DDS(DataDistributionService):用于实时系统的数据分发服务标准，是ROS2底层通信的基础RMW(ROSMiddleware):ROS中间件接口，提供与具体DDS实现无关的抽象APIQoS(QualityofService):服务质量策略，控制通信的可靠性、历史记录、耐久性等属性符号解析:动态库加载过程中，查找和绑定函数指针的机制1.架构概述ROS2采用分层设计，通过多
松灵机器人地盘安装 ros 驱动并且发布ros 指令进行控制 luoganttcc 机器人机器人
安装驱动$cd~/catkin_ws/src$gitclonehttps://github.com/agilexrobotics/ugv_sdk.git$gitclonehttps://github.com/agilexrobotics/scout_ros.git$cd..$catkin_make安装●使能gs_usb内核模块●设置500k波特率和使能can-to-usb适配器sudomodpro
盈利能力分析之-毛利率、销售净利率、投资回报率、权益回报率、资产回报率... 创帆云机器学习大数据数据挖掘人工智能数据安全
盈利能力分析盈利能力比率：盈利能力比率是指企业正常经营赚取利润的能力，是企业生存发展的基础，是各方面都非常关注的指标。不论是投资人、债权人还是企业经理人员，都有日益重视和关心企业的盈利能力。毛利率损益表上最简单的盈利能力指标就是毛利(grossprofit),其相对于收入所产生的百分比就是毛利率(grossprofitpercentage)。毛利率的重要性体现在,销货成本之后的所有成本都是要通过毛
PyTorch 常见的损失函数：从基础到大模型的应用阿正的梦工坊 LLM PyTorch pytorch 人工智能 python
PyTorch常见的损失函数：从基础到大模型的应用在用PyTorch训练神经网络时，损失函数（LossFunction）是不可或缺的“裁判”。它告诉模型预测结果与真实答案的差距有多大，优化器则根据这个差距调整参数。PyTorch提供了丰富而强大的损失函数接口，位于torch.nn模块中。今天我们就来聊聊几个常见的损失函数（比如nn.MSELoss和nn.CrossEntropyLoss），看看它们
正则表达式常用不平衡的叉叉树 java 正则表达式
1.正向先行断言（?=）正向先行断言用于检查某个模式在当前匹配位置后是否存在，而不包括该模式本身在内。语法：X(?=Y)这个模式将匹配X，前提是X后面必须跟着Y。但只会返回X的匹配结果。示例：\d(?=dollars)在这个例子中，\d会匹配任何单个数字，但只会在数字后面跟着"dollars"的情况下匹配。字符串5dollars可以匹配到5，而5euros则不会。2.反向先行断言（?<=）反向先行
Selenium自动化测试实战教程详解程序员杰哥 selenium 测试工具 python 软件测试职场和发展自动化测试测试用例
ChromeDevTools简介ChromeDevTools是一组直接内置在基于Chromium的浏览器（如Chrome、Opera和MicrosoftEdge）中的工具，用于帮助开发人员调试和研究网站。借助ChromeDevTools，开发人员可以更深入地访问网站，并能够：检查DOM中的元素即时编辑元素和CSS检查和监控网站的性能模拟用户的地理位置模拟更快/更慢的网络速度执行和调试JavaScr
微服务实战：Spring Boot与Spring Cloud指南萧书泓
微服务实战：SpringBoot与SpringCloud指南Microservices-with-Spring-Boot-and-Spring-Cloud-Third-EditionMicroserviceswithSpringBootandSpringCloud,ThirdEdition项目地址:https://gitcode.com/gh_mirrors/mi/Microservices-wi
mongodb3.03开启认证 21jhf mongodb
下载了最新mongodb3.03版本，当使用--auth 参数命令行开启mongodb用户认证时遇到很多问题，现总结如下：（百度上搜到的基本都是老版本的，看到db.addUser的就是，请忽略） Windows下我做了一个bat文件，用来启动mongodb，命令行如下： mongod --dbpath db\data --port 27017 --directoryperdb --logp
【Spark103】Task not serializable bit1129 Serializable
Task not serializable是Spark开发过程最令人头疼的问题之一，这里记录下出现这个问题的两个实例，一个是自己遇到的，另一个是stackoverflow上看到。等有时间了再仔细探究出现Task not serialiazable的各种原因以及出现问题后如何快速定位问题的所在，至少目前阶段碰到此类问题，没有什么章法 1. package spark.exampl
你所熟知的 LRU(最近最少使用) dalan_123 java
关于LRU这个名词在很多地方或听说，或使用，接下来看下lru缓存回收的实现 1、大体的想法 a、查询出最近最晚使用的项 b、给最近的使用的项做标记通过使用链表就可以完成这两个操作，关于最近最少使用的项只需要返回链表的尾部；标记最近使用的项，只需要将该项移除并放置到头部，那么难点就出现你如何能够快速在链表定位对应的该项？这时候多
Javascript 跨域周凡杨 JavaScript jsonp 跨域 cross-domain
linux下安装apache服务器 g21121 apache
安装apache 下载windows版本apache，下载地址：http://httpd.apache.org/download.cgi 1.windows下安装apache Windows下安装apache比较简单，注意选择路径和端口即可，这里就不再赘述了。 2.linux下安装apache：下载之后上传到linux的相关目录，这里指定为/home/apach
FineReport的JS编辑框和URL地址栏语法简介老A不折腾 finereport web报表报表软件语法总结
JS编辑框： 1.FineReport的js。作为一款BS产品，browser端的JavaScript是必不可少的。 FineReport中的js是已经调用了finereport.js的。大家知道，预览报表时，报表servlet会将cpt模板转为html，在这个html的head头部中会引入FineReport的js，这个finereport.js中包含了许多内置的fun
根据STATUS信息对MySQL进行优化墙头上一根草 status
mysql 查看当前正在执行的操作，即正在执行的sql语句的方法为: show processlist 命令 mysql> show global status;可以列出MySQL服务器运行各种状态值，我个人较喜欢的用法是show status like '查询值%';一、慢查询mysql> show variab
我的spring学习笔记7-Spring的Bean配置文件给Bean定义别名 aijuans Spring 3
本文介绍如何给Spring的Bean配置文件的Bean定义别名？原始的 <bean id="business" class="onlyfun.caterpillar.device.Business"> <property name="writer"> <ref b
高性能mysql 之性能剖析 annan211 性能 mysql mysql 性能剖析剖析
1 定义性能优化 mysql服务器性能，此处定义为响应时间。在解释性能优化之前，先来消除一个误解，很多人认为，性能优化就是降低cpu的利用率或者减少对资源的使用。这是一个陷阱。资源时用来消耗并用来工作的，所以有时候消耗更多的资源能够加快查询速度，保持cpu忙绿，这是必要的。很多时候发现编译进了新版本的InnoDB之后，cpu利用率上升的很厉害，这并不
主外键和索引唯一性约束百合不是茶索引唯一性约束主外键约束联机删除
目标;第一步;创建两张表用户表和文章表第二步;发表文章 1,建表; ---用户表 BlogUsers --userID唯一的 --userName --pwd --sex create
线程的调度 bijian1013 java 多线程 thread 线程的调度 java多线程
1. Java提供一个线程调度程序来监控程序中启动后进入可运行状态的所有线程。线程调度程序按照线程的优先级决定应调度哪些线程来执行。 2. 多数线程的调度是抢占式的（即我想中断程序运行就中断，不需要和将被中断的程序协商） a)
查看日志常用命令 bijian1013 linux 命令 unix
一.日志查找方法，可以用通配符查某台主机上的所有服务器grep "关键字" /wls/applogs/custom-*/error.log 二.查看日志常用命令1.grep '关键字' error.log：在error.log中搜索'关键字'2.grep -C10 '关键字' error.log：显示关键字前后10行记录3.grep '关键字' error.l
【持久化框架MyBatis3一】MyBatis版HelloWorld bit1129 helloworld
MyBatis这个系列的文章，主要参考《Java Persistence with MyBatis 3》。样例数据本文以MySQL数据库为例，建立一个STUDENTS表，插入两条数据，然后进行单表的增删改查 CREATE TABLE STUDENTS ( stud_id int(11) NOT NULL AUTO_INCREMENT,
【Hadoop十五】Hadoop Counter bit1129 hadoop
1. 只有Map任务的Map Reduce Job File System Counters FILE: Number of bytes read=3629530 FILE: Number of bytes written=98312 FILE: Number of read operations=0 FILE: Number of lar
解决Tomcat数据连接池无法释放 ronin47 tomcat 连接池　优化
近段时间，公司的检测中心报表系统(SMC)的开发人员时不时找到我，说用户老是出现无法登录的情况。前些日子因为手头上有Jboss集群的测试工作，发现用户不能登录时，都是在Tomcat中将这个项目Reload一下就好了，不过只是治标而已，因为大概几个小时之后又会再次出现无法登录的情况。今天上午，开发人员小毛又找到我，要我协助将这个问题根治一下，拖太久用户难保不投诉。简单分析了一
java-75-二叉树两结点的最低共同父结点 bylijinnan java
import java.util.LinkedList; import java.util.List; import ljn.help.*; public class BTreeLowestParentOfTwoNodes { public static void main(String[] args) { /* * node data is stored in
行业垂直搜索引擎网页抓取项目 carlwu Lucene Nutch Heritrix Solr
公司有一个搜索引擎项目，希望各路高人有空来帮忙指导，谢谢！这是详细需求：（1）通过提供的网站地址(大概100-200个网站)，网页抓取程序能不断抓取网页和其它类型的文件（如Excel、PDF、Word、ppt及zip类型），并且程序能够根据事先提供的规则，过滤掉不相干的下载内容。（2）程序能够搜索这些抓取的内容，并能对这些抓取文件按照油田名进行分类，然后放到服务器不同的目录中。
[通讯与服务]在总带宽资源没有大幅增加之前,不适宜大幅度降低资费 comsci 资源
降低通讯服务资费，就意味着有更多的用户进入，就意味着通讯服务提供商要接待和服务更多的用户，在总体运维成本没有由于技术升级而大幅下降的情况下，这种降低资费的行为将导致每个用户的平均带宽不断下降，而享受到的服务质量也在下降，这对用户和服务商都是不利的。。。。。。。。 &nbs
Java时区转换及时间格式 Cwind java
本文介绍Java API 中 Date, Calendar, TimeZone和DateFormat的使用，以及不同时区时间相互转化的方法和原理。问题描述：向处于不同时区的服务器发请求时需要考虑时区转换的问题。譬如，服务器位于东八区（北京时间，GMT+8:00），而身处东四区的用户想要查询当天的销售记录。则需把东四区的“今天”这个时间范围转换为服务器所在时区的时间范围。
readonly,只读，不可用 dashuaifu js jsp disable readOnly readOnly
readOnly 和 readonly 不同，在做js开发时一定要注意函数大小写和jsp黄线的警告！！！我就经历过这么一件事：使用readOnly在某些浏览器或同一浏览器不同版本有的可以实现“只读”功能，有的就不行，而且函数readOnly有黄线警告！！！就这样被折磨了不短时间！！！（期间使用过disable函数，但是发现disable函数之后后台接收不到前台的的数据！！！）
LABjs、RequireJS、SeaJS 介绍 dcj3sjt126com js Web
LABjs 的核心是 LAB（Loading and Blocking）：Loading 指异步并行加载，Blocking 是指同步等待执行。LABjs 通过优雅的语法（script 和 wait）实现了这两大特性，核心价值是性能优化。LABjs 是一个文件加载器。RequireJS 和 SeaJS 则是模块加载器，倡导的是一种模块化开发理念，核心价值是让 JavaScript 的模块化开发变得更
[应用结构]入口脚本 dcj3sjt126com PHP yii2
入口脚本入口脚本是应用启动流程中的第一环，一个应用（不管是网页应用还是控制台应用）只有一个入口脚本。终端用户的请求通过入口脚本实例化应用并将将请求转发到应用。 Web 应用的入口脚本必须放在终端用户能够访问的目录下，通常命名为 index.php，也可以使用 Web 服务器能定位到的其他名称。控制台应用的入口脚本一般在应用根目录下命名为 yii（后缀为.php），该文
haoop shell命令 eksliang hadoop hadoop shell
cat chgrp chmod chown copyFromLocal copyToLocal cp du dus expunge get getmerge ls lsr mkdir movefromLocal mv put rm rmr setrep stat tail test text
MultiStateView不同的状态下显示不同的界面 gundumw100 android
只要将指定的view放在该控件里面，可以该view在不同的状态下显示不同的界面，这对ListView很有用，比如加载界面，空白界面，错误界面。而且这些见面由你指定布局，非常灵活。 PS：ListView虽然可以设置一个EmptyView，但使用起来不方便，不灵活，有点累赘。 <com.kennyc.view.MultiStateView xmlns:android=&qu
jQuery实现页面内锚点平滑跳转 ini JavaScript html jquery html5 css
平时我们做导航滚动到内容都是通过锚点来做，刷的一下就直接跳到内容了，没有一丝的滚动效果，而且 url 链接最后会有“小尾巴”，就像#keleyi，今天我就介绍一款 jquery 做的滚动的特效，既可以设置滚动速度，又可以在 url 链接上没有“小尾巴”。效果体验：http://keleyi.com/keleyi/phtml/jqtexiao/37.htmHTML文件代码： &
kafka offset迁移 kane_xie kafka
在早前的kafka版本中（0.8.0），offset是被存储在zookeeper中的。到当前版本（0.8.2）为止，kafka同时支持offset存储在zookeeper和offset manager（broker）中。从官方的说明来看，未来offset的zookeeper存储将会被弃用。因此现有的基于kafka的项目如果今后计划保持更新的话，可以考虑在合适
android > 搭建 cordova 环境 mft8899 android
1 , 安装 node.js http://nodejs.org node -v 查看版本 2, 安装 npm 可以先从 https://github.com/isaacs/npm/tags 下载源码解压到
java封装的比较器，比较是否全相同，获取不同字段名字 qifeifei
非常实用的java比较器，贴上代码： import java.util.HashSet; import java.util.List; import java.util.Set; import net.sf.json.JSONArray; import net.sf.json.JSONObject; import net.sf.json.JsonConfig; i
记录一些函数用法 .Aky. 位运算 PHP 数据库函数 IP
高手们照旧忽略。想弄个全天朝IP段数据库，找了个今天最新更新的国内所有运营商IP段，copy到文件，用文件函数，字符串函数把玩下。分割出startIp和endIp这样格式写入.txt文件，直接用phpmyadmin导入.csv文件的形式导入。（生命在于折腾，也许你们觉得我傻X，直接下载人家弄好的导入不就可以，做自己的菜鸟，让别人去说吧）当然用到了ip2long()函数把字符串转为整型数
sublime text 3 rust wudixiaotie Sublime Text
1.sublime text 3 => install package => Rust 2.cd ~/.config/sublime-text-3/Packages 3.mkdir rust 4.git clone https://github.com/sp0/rust-style 5.cd rust-style 6.cargo build --release 7.ctrl