- 博客(58)
- 资源 (4)
- 收藏
- 关注
原创 ROS 教程之 vision : 用各种摄像头获取图像
可能有很多人想在ROS下学习视觉,先用摄像头获取图像,再用opencv做相应算法处理,可是ROS下图像的采集可不像平常的read一下那么简单,需要借助外部package的使用。而摄像头即可以用笔记本自带的摄像头,也可以用外部的kinect,当然还可以是外部接入的usb接口的摄像头。前两者照着《ROS by Example 1》的 第10章来学习,安装一下相应的package很容易上手。但是Lz在用ROS操作外部接入的摄像头时遇到了一些问题,用书中的uvc_cam package读入不了图像,Lz采用的镜头是
2014-12-27 18:46:50 45817 16
原创 ROS 教程之 network:多台计算机之间网络通信(2)
在上一篇文章中我们已经搭建好了两台计算机间通信的条件,但是每次都需要在新的终端里输入一长串export ROS_MASTER_URI之类的。实际弄起来的时候也不方便,因此在本文中,我们更进一步,简化两台计算机通信的操作。并通过两个例子,让你感受感受ROS这种分布式架构和网络通信的强大,使得你的两台计算机就像一台计算机一样处理程序。通过网络通信,所有的节点你可以运行在任意一台电脑上。
2014-12-22 16:52:08 13412 10
原创 ROS 教程之 network:多台计算机之间网络通信(1)
LZ在实验室环境下要实现一台台式主机和移动机器人上的笔记本通信。台式机作为主机,用rviz监控和无线操作移动机器人,笔记本上通过ROS实现移动机器人的自主定位和路径规划等程序。主机上用的虚拟机装的ubuntu 12.04,通过有线连接一个无线路由,而笔记本端是通过这个路由的wifi上网,台式机和笔记本是在同一个路由下。
2014-12-22 11:33:02 39159 20
原创 ROS 教程之 navigation : 用 move_base 控制自己的机器人(1)
前言: 相信大家在用《ROS by example》学习ROS的过程中,基本上都是使用书本中的例程,在终端输入几行别人已经写好的代码,看看仿真效果。可是这样一来,笔者在跟着书本初略过了一遍后,却还是不知道如何通过ROS去具体操作实实在在的机器人,譬如想做导航和定位,自己的机器人该如何跟ROS这个框架结合起来,网上这方面中文教程很少,同时,英文教程里关于navigation有一个很系统的教
2014-12-10 14:49:48 60428 40
原创 ROS 教程之 navigation : 用 move_base 控制自己的机器人(2)
在这一篇文章中,将主要介绍如何将DSP上采集到的速度转化为Odom,让move_base可以订阅到这个信息。在wiki论坛上有一个很详细的例程是关于如何发布Odometry信息的。在这个程序里,它把转化好的Odom信息发布到了两个地方,第一个是广播了tf关系,即每次机器人移动以后,/odom坐标系和/base_linke的关系,第二个是将消息发布到odom topic上。这两个东西都将是move_base需要的。
2014-12-10 14:33:12 20122 24
原创 ROS:定制自己的消息类型msg
在实际应用中,我们可能想发布自己的消息类型,就像众所周知的Twist类型或者航向信息Ometroy一样,那么到底如何定制自己想要的消息类型?本文楼主以自己调试过程中监控机器人左右轮速度来进行演示。 文章内容包括:消息的定制和使用,以及使用rqt_plot来绘制曲线。
2014-12-10 11:23:53 15278 7
原创 Particle Filter Tutorial 粒子滤波:从推导到应用(四)
六、Sampling Importance Resampling Filter (SIR) SIR滤波器很容易由前面的基本粒子滤波推导出来,只要对粒子的重要性概率密度函数做出特定的选择即可。在SIR中,选取: p( x(k)|x(k-1) )这是先验概率,在第一章贝叶斯滤波预测部分已经说过怎么用状态方程来得到它。将这个式子代入到第二章SIS推导出的权重公式中:...
2014-11-15 11:58:20 35736 140
原创 Particle Filter Tutorial 粒子滤波:从推导到应用(三)
五、重采样 在应用SIS 滤波的过程中,存在一个退化的问题。就是经过几次迭代以后,很多粒子的权重都变得很小,可以忽略了,只有少数粒子的权重比较大。并且粒子权值的方差随着时间增大,状态空间中的有效粒子数较少。随着无效采样粒子数目的增加,使得大量的计算浪费在对估计后验滤波概率分布几乎不起作用的粒子上,使得估计性能下降,如图所示。
2014-11-14 22:50:04 43726 24
原创 Particle Filter Tutorial 粒子滤波:从推导到应用(二)
二、蒙特卡洛采样假设我们能从一个目标概率分布p(x)中采样到一系列的样本(粒子),(至于怎么生成服从p(x)分布的样本,这个问题先放一放),那么就能利用这些样本去估计这个分布的某些函数的期望值。譬如:
2014-11-14 17:50:00 45403 61
原创 Particle Filter Tutorial 粒子滤波:从推导到应用(一)
前言: 博主在自主学习粒子滤波的过程中,看了很多文献或博客,不知道是看文献时粗心大意还是悟性太低,看着那么多公式,总是无法把握住粒子滤波的思路,也无法将理论和实践对应起来。比如:理论推导过程中那么多概率公式,为什么计算出后验概率就能估计出系统状态呢,概率怎么和系统的状态变量对应上了?实际编程中,状态粒子是怎么一步步采样出来的,为什么程序里面都是直接用状态方程来计算,不是说采样嘛?经过
2014-11-08 22:24:25 110624 113
原创 径向基(Radial basis function)神经网络、核函数的一些理解
径向基函数(RBF)在神经网络领域扮演着重要的角色,如RBF神经网络具有唯一最佳逼近的特性,径向基作为核函数在SVM中能将输入样本映射到高维特征空间,解决一些原本线性不可分的问题。 本文主要讨论: 1. 先讨论核函数是如何把数据映射到高维空间的,然后引入径向基函数作核函数,并特别说明高斯径向基函数的几何意义,以及它作为核函数时为什么能把数据映射到无限维空间。 2.提到了径向基函数,就继续讨论下径向基函数神经网络为什么能用来逼近。
2014-07-24 23:01:13 47177 7
原创 SVD 与 PCA 的直观解释(3): SVD的直观解释及推导
引子:SVD分解就是把一个实数矩阵M分拆成UDV。U,V都是正交旋转矩阵。这个分拆可以形象的理解为,我要看看这个空间M性质怎么样?那我可以用标准笛卡尔空间来构造出一个一模一样的M空间。想象M空间是个特殊形状的泥塑,笛卡尔空间是块标准的正方形泥块。把笛卡尔空间放在手里,先旋转着看看(即左乘V),再找合适的地方捏捏它(再左乘D),好让它和M一样。最后再旋转(再左乘U),把它摆得和M一样。这样就360度无死角的构造了一个M空间。如果发现M空间有的地方很扁,那么我就掉丢这个维度,这就是SVD的降维,也是SVD的核心
2014-05-24 00:31:27 4065
原创 SVD 与 PCA 的直观解释(1): 线性变换
一直想弄明白SVD分解后面蕴含的直观意义,可这牵扯到矩阵乘法和线性变换物理含义的理解。在考虑SVD用途时又牵扯到PCA降维,而PCA降维里又扯到特征值和特征向量。于是,索性全记下来,供诸位探讨学习。
2014-05-24 00:03:27 7885 1
原创 卡尔曼滤波 -- 从推导到应用(二)
这部分主要是通过对第一部分中提到的匀加速小车模型进行位移预测。先来看看状态方程能建立准确的时候,状态方程见第一部分分割线以后内容,小车做匀加速运动的位移的预测仿真如下。
2013-12-30 11:08:21 54409 53
原创 卡尔曼滤波 -- 从推导到应用(一)
前言 卡尔曼滤波器是在估计线性系统状态的过程中,以最小均方差为目的而推导出的几个递推数学等式,也可以从贝叶斯推断的角度来推导。 本文将分为两部分:第一部分,结合例子,从最小均方差的角度,直观地介绍卡尔曼滤波的原理,并给出较为详细的数学推导。第二部分,通过两个例子给出卡尔曼滤波的实际应用。其中将详细介绍一个匀加速模型,并直观的对比系统状态模型的建立对滤波的影响。
2013-12-30 01:26:46 245075 158
svo depth filter 推导补充材料
2016-07-25
李代数与计算机视觉
2016-01-03
粒子滤波代码
2014-11-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人