二毛的博客

介绍量化交易的主要策略

blibli软件客户端仿真源码

树莓派Jessie安装ROS

Elmo电机驱动电路图

基于ROS的机械臂抓取移动物体代码

机器视觉知识总结

工业相机总结，关于相机的各种参数进行了详细介绍

计算机知识体系结构

2019SLAM综述 摘要：slam是同步定位和建图的缩写，它包含定位和建图两个主要任务。这是移动机器人学中一个重要的开放性问题：要精确地移动，移动机器人必须有一个精确的环境地图；然而，要建立一个精确的地图，移动机器人的感知位置必须精确地知道。

Abstract— In this paper, we develop a low-cost stereo visualinertial localization system, which leverages efficient multistate constraint Kalman filter (MSCKF)-based visual-inertial odometry (VIO) while utilizing an a priori LiDAR map to provide bounded-error 3D navigation. Besides the standard sparse visual feature measurements used in VIO, the global registrations of visual semi-dense clouds to the prior LiDAR map are also exploited in a tightly-coupled MSCKF update, thus correcting accumulated drift. This cross-modality constraint between visual and LiDAR pointclouds is particularly addressed. The proposed approach is validated on both Monte Carlo simulations and real-world experiments, showing that LiDAR map constraints between clouds created through different sensing modalities greatly improve the standard VIO and provide bounded-error performance.

本文提出了一种低成本的立体视觉惯性定位系统，该系统利用有效的基于多状态约束卡尔曼滤波（msckf）的视觉惯性里程计（vio），同时利用先验lidar地图提供有界误差的三维导航。除了VIO中使用的标准稀疏视觉特征测量外，在紧密耦合的MSCKF更新中，还利用视觉半稠密云到先前激光雷达地图的全局注册，从而校正累积漂移。特别讨论了视觉点云和激光雷达点云之间的交叉模态约束。通过蒙特卡洛模拟和实际实验验证了该方法的有效性，结果表明，通过不同的感知方式建立的云之间的lidar地图约束极大地提高了标准vio，并提供了有界误差性能。

结合多传感设备以实现高级的感知能力是自动驾驶汽车导航的关键要求。传感器融合用于获取有关周围环境的丰富信息。摄像头和激光雷达传感器的融合可获取精确的范围信息，该信息可以投影到可视图像数据上。这样可以对场景有一个高层次的认识，可以用来启用基于上下文的算法，例如避免碰撞更好的导航。组合这些传感器时的主要挑战是将数据对齐到一个公共域中。由于照相机的内部校准中的误差，照相机与激光雷达之间的外部校准以及平台运动导致的误差，因此这可能很困难。在本文中，我们研究了为激光雷达传感器提供运动校正所需的算法。由于不可能完全消除由于激光雷达的测量值投影到同一里程计框架中而导致的误差，因此，在融合两个不同的传感器时，必须考虑该投影的不确定性。这项工作提出了一个新的框架，用于预测投影到移动平台图像帧（2D）中的激光雷达测量值（3D）的不确定性。所提出的方法将运动校正的不确定性与外部和内部校准中的误差所导致的不确定性相融合。通过合并投影误差的主要成分，可以更好地表示估计过程的不确定性。我们的运动校正算法和提出的扩展不确定性模型的实验结果通过在电动汽车上收集的真实数据进行了演示，该电动汽车配备了可覆盖180度视野的广角摄像头和16线扫描激光雷达。

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿态的随机约束来实现。本文提出了一种在se（2）上直接参数化地面车辆姿态的简单算法。该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿态和3d地标关联起来。对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

本文主要研究基于里程计和单目视觉传感器的地面车辆定位与地图构建问题。为了提高地面车辆视觉估计的精度，研究人员利用了近似平面运动的约束，并且通常将其作为SE（3）姿态的随机约束来实现。本文提出了一种在se（2）上直接参数化地面车辆姿态的简单算法。该方法不忽略se（2）运动扰动，而是将其引入一个新的se（2）-xyz约束的综合噪声项中，通过图像特征测量将se（2）姿态和3d地标关联起来。对于里程测量处理，我们还提出了一种有效的se（2）预积分算法。利用这些约束条件，以一种常用的图优化结构，开发了一个完整的视觉里程定位与映射系统。在工业室内环境下的实际实验验证了该方法在精度和鲁棒性方面的优越性。

针对移动机器人使用三维地图进行路径规划的问题，研究了使用三维栅格地图的路径规划算法。该算法将装载三维激光扫描仪的移动机器人得到的三维点云转换成为八叉树结构的三维栅格地图；扩展了 Ｄ＊ 算法使之考虑机器人的尺寸，检测每种位姿状态下是否与环境发生碰撞，生成多条可行路径可以在栅格地图中直接生成机器人的运动轨迹，保证运动过程中机器人自身及物体的安全。实验结果表明：该算法不需要对地图具有先验认识，并且考虑了机器人的实际尺寸，具有较强的可靠性和实用性，已经在真实环境中进行了实验。

本文主要讲了ORB-SLAM，一个基于特征识别的单目slam系统，可以实时运行，适用于各种场合，室内的或者室外的，大场景或小场景。系统具有很强的鲁棒性，可以很好地处理剧烈运动图像、可以有比较大的余地自由处理闭环控制、重定位、甚至全自动位置初始化。基于近年来的优秀算法，我们对系统做了精简，采用了所有SLAM相同功能：追踪，地图构建，重定位和闭环控制。选用了比较适合的策略，地图重构的方法采用云点和关键帧技术，具有很好的鲁棒性，生成了精简的、可追踪的地图，当场景的内容改变时，地图构建可持续工作。我们用最流行的图像数据集测试了27个图像序列。相比最新的单目SLAM，ORB SLAM性能优势明显。我们在网站上公布了源代码。

Abstract— This paper presents a robotic pick-and-place system that is capable of grasping and recognizing both known and novel objects in cluttered environments. The key new feature of the system is that it handles a wide range of object categories without needing any task-specific training data for novel objects. To achieve this, it first uses an object-agnostic grasping framework to map from visual observations to actions: inferring dense pixel-wise probability maps of the affordances for four different grasping primitive actions. It then executes the action with the highest affordance and recognizes picked objects with a cross-domain image classification framework that matches observed images to product images. Since product images are readily available for a wide range of objects (e.g., from the web), the system works out-of-the-box for novel objects without requiring any additional data collection or re-training. Exhaustive experimental results demonstrate that our multiaffordance grasping achieves high success rates for a wide variety of objects in clutter, and our recognition algorithm achieves high accuracy for both known and novel grasped objects. The approach was part of the MIT-Princeton Team system that took 1st place in the stowing task at the 2017 Amazon Robotics Challenge. All code, datasets, and pre-trained models are available online at http://arc.cs.princeton.edu

Endnote X8高效利用及功能简介，包括文献库的建立，管理，文献导入，文献索引等。

使用野火的K60库和开发板，调用鹰眼摄像头进项数据采集并显示到液晶上

遥控各种不同的家电产品。您只需要修改代码里面的一些红外遥控码，便可以遥控各种产品。

视觉软件 人工智能 机器视觉 QT

Arduino Nano 电路原理图及其bom清单，电路器件说明 Arduino Nano v3.0版本原理图 Arduino Nano v2.0版本原理图 ATmege328芯片

语音合成工具软件(科大讯飞引擎)

深蓝学院《多传感器融合定位与建图》课程的作业笔记总结

常规光源系列 常见光源颜色 光源的照明方法 明视野照明、暗视野照明、背光照明 高角度直射光 低角度漫射光 条型照明(直接光) 背光的应用案例：检查塑封内的药片有无、FPC间距检测、螺纹尺寸测量、螺纹尺寸测量、平行背光效果图、软扁电线导线的破损检测、玛瑙颜色识别 手机摄像头检测案例 激光防伪喷印的字符检测案例 读取果冻盖上的出厂日期案例 贺卡珠子检测案例 紫外光的应用案例 透明塑料台面的压痕案例 UV胶水有无检测案例 防伪标签检测案例 触摸屏案例 BGA焊点检测案例 不同材质的反射成像介绍

开发环境为18.04 LTS [ROS Melodic] 或Ubuntu 16.04 LTS [ROS Kinetic] 支持单台叉车导航，多台叉车导航 识别栈板，识别障碍物，贝塞尔曲线路径规划等功能。 在配置好环境后，依次执行如下命名： roslaunch orunav_launch single_truck.launch roslaunch orunav_launch multiple_trucks.launch roslaunch orunav_launch click_n_pick.launch

Database 就业率 OECD (2023), Employment rate (indicator). doi: 10.1787/1de68a9b-en (Accessed on 01 April 2023) Gross_Domestic_Product World Development Indicators - World Bank (2022.05.26) https://datacatalog.worldbank.org/search/dataset/0037712/World-Development-Indicators GDP增长 International Monetary Fund, World Economic Outlook (October 2022) https://www.imf.org/external/datamapper/datasets/WEO international-tourist-arrivals Yearbook of Tourism Statistics - World Tourism Organization, Compend

蓝桥杯备赛：蓝桥杯备赛练习题与答案 目录： 00开发环境 01数据结构 02枚举和计数 03搜索 04动态规划 05贪心算法 06图论 07数论 08字符串 09线段树

使用python编写的烟花程序 运行方法： pip install pygame python fireworks.py

本系统以STM32F103C8T6单片机最小系统作为控制核心，由K210视觉模块，激光笔模块，舵机云台模块，降压模块等模块组成。红色激光云台通过建立云台坐标与实际视觉坐标的映射关系，可实现原点复位功能，绕屏幕边框运动，可以识别屏幕任意位置角度的A4靶纸，并做到控制红红色光斑沿靶纸黑色边框做顺时针移动。绿色激光云台可实时识别红色激光落点，控制绿色激光点完成对红色光斑自动追踪，追踪响应时间小于2 秒。系统功能通过按键独立控制，且均设有急停按钮，可随时切换，急停。系统具有半自动机械校准模式，以达到更精确的运动目标控制指标。系统结构简单，稳定性好,易于使用。

大麦抢票脚本。可以增加选座购买，暂时只支持抢购指定价格下的座位，且暂不支持连坐购买。

租房小程序，uniapp+若依，易于维护和扩展

主要功能： - 系统管理 - 主数据 - 物料产品管理 - 工作站设置 - 生产管理 - 生产排产 - 节假日/工作日设置 - 排班日历 - 仓储管理 - 库存现有量 - 条码管理 - 设备管理 - 统计报表 - 大屏展示

项目使用的软件工具： 1、Intellij IDEA 2、Visual Studio Code 3、HBuilder X 4、微信开发者工具 5、Navicat Premium 6、PDManer 7、Xshell 项目运行环境（本地环境windows，部署环境Linux）： 1、JDK 1.8+ 2、node.js 12.x + (本地开发需要，部署服务器可不安装) 3、Mysql 8+ 4、Redis 5、Maven 6、字体库（文件：simsun.ttc，执行：fc-cache） 7、框架：springboot mybatis + redis +mysql + VUE + uniapp 8、默认登录账号密码：admin 123456 密码如果不对，就是 jtom123456 登录后 自己 修改一下 文件包含以下文件： 1、database（数据库设计文件） 2、ruoyi-master（后端代码） 3、ruoyi-ui（管理后台前端代码） 4、wms-mobile（移动端微信小程序代码） 5、nginx.conf（ngin

开源mes系统：Java springboot + layui + mysql,看板和后端独立 。 目前MES系统的功能 ： 1、 产品和原材料双向溯源 （支持二维码扫描输入后的自动解析，设备自动上传产品数据）， 2、工艺流程定义， 3、生产计划， 4、工作过程监控， 5、工作进度监控， 6、设备管理， 7、班组管理， 8、质量管理（质量检测使用了产品参数自动测量技术，包括图像自动识别技术）、 9、报工 （包含在产品管理模块中，自动报工） 10、现场数据采集（PLC设备，网口/串口通讯，二维码扫描等）， 11、可视化展示（订单编号，生产线，班组，计划产量，实际产量，次品数量，合格率，完工率，设备状态和稼动率，工艺工序，现场视频 ，等） 12、系统管理（用户管理，菜单，基础数据，日志）， 13、报表和数据导入导出。 14、兼容多条产品线 15、 后端和ERP的对接。

常用的接插件集成库，包含排针封装，5557封装等

RK3399核心板，此板有金手指，金手指位置镀硬金，总共8层板，可以直接发送工厂打样，也有详细的信息可以修改。 最小通孔：外径0.35mm, 内径0.2mm. 走线4MIL间距4 MIL 差分90 OHM阻抗控制（偏差正负10%）黄色高亮部分

arthas-boot.jar 阿里的Java程序诊断工具

期权和利率的量子金融路径积分和哈密顿量