qq91752728的博客

下面是看论文的一些心得 论文原文地址risetti07troSection One 首先指出了Rao-Blackwellized particle filters存在的问题 1. 大量的粒子滤波会使得计算过程相当复杂，主要挑战在减少粒子数量 2. 重采样的步骤可能会消灭正确的粒子（This effect is also known as the particle depletio...

首先了解一下滤波滤波：filtering is weighting（滤波即加权）。 滤波的作用就是给不同的信号分量不同的权重。最简单的loss pass filter， 就是直接把低频的信号给0权重，而给高频部分1权重。常见的贝叶斯滤波和卡尔曼滤波 贝叶斯滤波我觉得关键在于对先验概率和后验概率的理解上，就是随着事件的发生，对后验概率一个不断修正的过程(个人理解)。图中的P(x|y...

在之前的一篇文章里面，有写到了马尔可夫定位和卡尔曼滤波定位。 我们可以这样理解一下： 马尔可夫定位可以看做是贝叶斯滤波在定位上的一个应用 卡尔曼滤波定位也就是卡尔曼滤波在定位上的应用 很显然这两种都是高斯滤波在定位上的应用，也就是说，这两种都是参数滤波，依赖于一些参数的，而且都是单峰高斯分布。下面提到的这两种定位方式，栅格定位和蒙特卡洛定位，不同于之前两种方式的一个显著特点就是，这...

我们平时熟知的卡尔曼滤波就是高斯滤波的一种，因为它是基于高斯分布的。用高斯函数来表示后验具有很好的影响，因为它的是单峰，有单一的极大值。高斯滤波中的参数的均值和方差称为矩参数，分别为一阶矩和二阶矩(PS：这一点的理解上非常重要)。卡尔曼滤波就是在线性高斯假设的基础上建立起来的 1。状态转移概率p(x_t | u_t,x_t-1) 是带有随机高斯噪声的参数的线性函数 xt 为状态向量，u...

稀疏扩展信息滤波(Sparse Extended Information Filter,SEIF)首先对比一下EKF-SLAM和Graph-SLAM， EKF-SLAM算法是主动的，它需要获取每一时刻的信息，把信息分解为概率分布，但是因此计算代价也昂贵。 Graph-SLAM只是简单的将信息累积，之后为了将信息变成地图才进行处理过程，可以看做是一种离线方法。总结了上述两种方法之后，那么...

1.一阶二阶梯度法 求解的最直观方法就是将目标函数(线性优化最常见的那种目标函数，下面式子中左边那个)在x附近进行泰勒展开 其中J就是目标函数||f(x)||^2关于x的导数(雅克比矩阵)，H则是二阶导数(海森Hessian矩阵).。 如果这个式子只保留一阶梯度，然后对右边的式子对Δx求导得导数等于J(x)，这意味着当Δx = J(x)的时候，这个函数最大。那么如果我们想要这个函数最小的...

首先我们明确几个重要的坐标系 1.base_link 移动机器人的当前坐标系 2.odom 里程计坐标系，一般由里程计运动模型来计算，不过不同的地方可能会有不同的计算方法，比如有的可能是编码器计算。 这个坐标系的特点就是，会有累计误差，并不能做为一个长期的参考坐标系，但是优点则是连续，无跳变 3.map 地图坐标系，可以作为一个长期的参考坐标系，但是不连续。原因是，在定位模块中会根据...

1.Apollo架构总述首先主要提到的就是关于一些对比ROS做出改进的地方1.1单点故障问题在一些通信架构中，单点故障问题是我们不可忽视的，而在ROS中，通信都是经过master节点进行发布和订阅消息。很显然如果master挂掉就会出现这个单点故障的问题。而apollo中每个节点会互相保存其他节点的信息 1.2使用共享内存加快各节点的通信速度1.3用protobuf来序列...