- 博客(9)
- 收藏
- 关注
RSS订阅原创 轨迹规划论文代码的简单实现
对论文"Planning Dynamically Feasible Trajectories for Quadrotors Using Safe Flight Corridors in 3-D Complex"进行简单实现（进行了一些修改和简化）。3）trajectory_optmization.py是轨迹优化的实现。轨迹使用的是分段五次贝塞尔曲线，优化器使用的是osqp。2） convex_decomp.py是根据给定的路径，对空间进行凸分解的方法实现；
2023-11-08 10:44:30
98
1
原创 TEB局部轨迹规划代码解读
teb局部规划代码地址：https://github.com/rst-tu-dortmund/teb_local_plannerteb局部规划算法是通过松弛约束的方法将规划问题转为了无约束优化问题，之后通过图优化的方法完成对于无约束优化问题的求解，图优化的求解使用的g2o库，优化使用的算法是LM算法。在进行代码解读之前，需要先了解图优化与g2o库。所谓的图优化，就是把一个常规的优化问题，以图（Graph）的形式来表述。图优化适用于无约束优化问题，并且保证该优化的目标函数的海森矩阵存在且是稀疏的。g2
2021-11-25 19:57:20
5261
2
原创 粒子群优化路径规划算法代码
粒子群优化路径规划算法代码代码地址：https://github.com/flztiii/MDPSO-Path-Planning
2021-03-04 11:26:13
1965
4
原创 数值优化方法:梯度下降，最速梯度下降与共轭梯度下降
数值优化方法笔记本文对常见的数值优化方法进行总结，重点关注优化方法的原理、迭代过程和计算复杂度。常见的数值优化方法包括梯度下降法（最速梯度下降法）、牛顿法、共轭梯度下降法等。梯度下降算法算法思路考虑到以下问题,找到一个x∗x^*x∗使f(x∗)<f(x),∀x∈Rnf(x^*) < f(x), \forall x \in R^nf(x∗)<f(x),∀x∈Rn。梯度下降算法的思路很简单：每一次迭代的点要比上一次次迭代点的值更小。用公式表达就是 $f(x_{k+1})$ <
2020-06-11 16:38:05
1470
原创 DCT变换和JPEG量化对图像质量的影响
a)框架：图一 基于块变换编码的系统框架本实验在此系统框架的基础上，删除了二进制编解码的过程，仅通过DCT变换和JPEG量化表进行量化，并进行恢复，以对比恢复图和原图之间的质量差距。b)原理分析首先将图像分为8X8大小的非重叠块，对每个块进行DCT变换，变换公式为变换完成之后，对于每个块进行量化，量化表为量化完成后，正向过程结束。接下来是恢复过程，恢复过程分为...
2019-03-23 11:23:56
3316
2
原创 SLAM中的一些知识点记录
相机内参：像素坐标（u，v）到相机坐标（x, y, z）变换，fx和fy为焦距在x,y上投影，u0和v0为偏移量u = x/z*fx+u0v = y/z*fy+v0相机外参：相机坐标（x, y, z）到世界坐标（X,Y,Z）变换，包括{R，t}点云之间的合并需要相机外参，相机外参也就是相机的pose Slam算法中的PnP：用来计算相机外参，已知一些点的3d位置（x, y, z）和图像中2d位置相...
2018-03-15 22:23:33
609
原创 ssd训练kiiti数据集和测试过程
训练过程训练过程可以参考http://blog.csdn.net/Jesse_Mx/article/details/65634482，这篇博客从kitti数据集的转化到训练文件的修改，训练过程，乃至训练的结果都写的十分详细，很有参考价值。测试过程单张图片的测试过程使用了examples/ssd/ssd_detect.py文件，这里对该文件的修改如下（整个测试过程用到的文件都是参考上面这
2017-08-07 16:19:47
1842
1
原创 yolo v2文件结构和源码的简单梳理
前言在2017年6月30日，yolo在github上的源码进行了一次更新，有许多文件的位置都改变了。导致我在使用yolo v2训练自己的数据的时候遇到了许多麻烦（网上给的许多解决方案都不太完美）。在这次经历中，我充分认识到了了解源码对于成功训练自己数据的重要作用，所以我决定要把yolo v2的代码为大家简单梳理一下，便于大家对于yolo官网上训练方法的理解。（因为是代码梳理，所以对源码就不一一
2017-07-03 20:09:30
10070
6
原创 在cuda8.0+faster-rcnn（python版）下使用kitti数据集进行训练
最近因为在做车辆检测问题，于是想测试了一下faster-rcnn使用kitti数据会有什么样的效果。结果不用不知道，里面出现了无数的坑（主要是因为环境的不同），为了避免大家遇到同样了问题，于是本人决定将自己的测试过程写下来，供大家参考。当然，本文参考了许多其他大佬的博客文章，最后我会给出链接，大家有兴趣可以看一看。
2017-06-29 11:14:26
6393
13
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