多线程c++ 1. join会阻塞当前的线程，直到运行的线程结束。（例如上面第二段代码主线程被阻塞，直到子线程执行完才会执行join之后的主线程代码）2.detach从线程对象中分离出执行线程，允许线程独立的执行。（上面第三段代码，主线程和两个子线程独立的执行）
ROS2学习记录 1.创建编辑.msg文件功能包下新建msg文件夹，文件夹中创建.msg文件2.编辑配置文件package.xml中添加依赖包--编译依赖-->--执行依赖-->--声明当前包所属的功能包组--><export></export></package>cmakelists.txt添加编译colcon build --packages-select 功能包3.测试编译完成，在工作空间下的install目录下将生成xxx.msg文件对应的C++和Python文件。
STL--关联式容器底层实现 unordered_set、unordered_map、unordered_multiset和unordered_multimap。结合数组查找数据快和链表插入删除效率高优点得到一个寻址容易，插⼊删除也容易的数据结构。查找、增删数据时间复杂度(O(1))红黑树的查找，插入和删除操作，时间复杂度都是O(logn)。红⿊树的每个节点上都有存储位表示节点的颜⾊，可以是红或⿊。：set、map、multiset和multimap ②。
OrbbecSDK_ros关于imu数据的发布 orbbec官方提供ros版本的sdk还不支持imu数据获取，貌似下个版本更新后就可以得到imu数据的话题。参考c++版本的sdk对ros的sdk进行修改，最后将imu数据以topic的形式发布。参考的c++_sdk关于imu数据获取代码。
使用kalibr对相机和IMU标定 分别是包含标定相机和IMU数据的rosbag，IMU内参yaml，相机内外参yaml，标定板yaml.②IMU内参yaml、相机内外参yaml、标定板yaml。标定好的参数包括各方向的随机噪声与随机游走。acc_w 加速计偏置随机工作噪声标准偏差。gyr_w 陀螺仪偏差随机工作噪音标准偏差。acc_n 加速度计测量噪音标准偏差。关于需要下载的环境和具体的包参考【gyr_n 陀螺仪测量噪音标准偏差。相机-IMU联合标定总共需要准备好。2）相机内外参yaml用之前得到的。①录制相机和imu的rosbag。
视觉SLAM ch13 设计SLAM系统 （一种特殊的函数，它作为参数传递给另一个函数，并在被调用函数执行完毕后被调用）如果是类的成员函数，这时想把成员函数设置给一个回调函数指针往往是不行的。：插入图像帧，提取图像特征，然后与上一帧进行光流追踪，通过光流结果计算该帧的位姿。必要时补充新的特征点并作三角化。前后端在分别的线程中处理数据，前端负责在地图中添加路标点，后端检测到地图更新以后优化路标点，并将旧的路标点删除掉，保持一定的规模。地图以hash的形式记录了所有的关键帧和对应的路标点，同时维护一个被激活的关键帧和地图点，激活的意思就是。
多线程、智能指针以及工厂模式 weak_ptr 可以使用一个非常重要的成员函数lock()，从被观测的 shared_ptr 获得一个可用的 shared_ptr 管理的对象， 从而操作资源。weak_ptr 被设计为与 shared_ptr 共同工作，可以从一个 shared_ptr 或者另一个 weak_ptr 对象构造而来。：某厂有两个加工厂A和B分别生产鞋和衣服，随着订单的增加，A厂所在地有了衣服的订单，B厂所在地有了鞋子的订单，再开新的工厂显然是不现实的，因此在原来的工厂增加生产需求的功能，即A生产鞋+衣服，B生产衣服+鞋。
记录关于GPT的应用 但是也有一些缺点：代码不能保证准确性，对于较难的代码需要很多时间，python相对其他代码更准确。也可以全选输入Ctrl + K，对代码进行修改，如图片路径为 D:\\image。：openai账户里应该是送了18刀，每次提问都会扣除一定费用，N不要太大。如果运行的时候代码有问题，可以把问题丢给它，让它帮我们debug.选中某一行代码进行解释: Ctrl + L。如果让他写代码，生成的内容保存在。
opencv实现卡尔曼滤波 opencv自带程序：建立一个绕某一圆心做匀速圆周运动的小球，但是实际中它会受到系统噪声影响从而其角度和角速度有所变化，通过带有噪声的观测值（真实值+观测噪声）和匀速运动模型的预测值为输入使用KF得到估计值。原有的代码中比较的是真实值与预测值、真实值与观测值的偏差，没有用到估计值，因此我在上述代码中加入了真实值与估计值的比较。在更新阶段，滤波器利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。x(k) = A*x(k-1) + B*u(k)+w(k) 运动方程。
视觉SLAM ch12 建图（RGB-D） 假设每个点与临近点之间的距离是一个高斯分布，那么平均距离就是均值，并且可以根据均值和每一个距离求得标准差，那么平均距离在标准范围之外的点，可以被定义为离群点并从数据中去除。：取决与前端视觉里程计的处理方式。如果是基于特征点的视觉里程计，由于点云中没有存储特征点的信息，则无法用于基于特征点的定位方式。:点云无法直接用于避障，纯粹的点云无法表示“是否有障碍物",不过，可以在点云的基础上加工，得到更适合导航避障的地图形式。：根据估计的相机位姿，将RGB-D数据转化为点云，然后进行拼接，最终得到由离散的点组成的。
opencv双线性插值 对于float类型的像素，使用双线性插值方法求灰度。如下图所示，求P点灰度时找到附近的四个。设P(x+xx,y+yy),P1(x+xx,y), P2(x+xx,y+1) (int函数和floor函数区别：int函数返回的值是整型，floor函数返回值是浮点型。坐标的像素点A(x,y) B(x，y+1) C(x+1,y) D(x+1,y+1)，双线性插值就是在x、y轴进行了三次单线性插值。这里的xx和yy指的是x和y的小数部分。关于单线性插值和双线性插值的概念参考。
视觉SLAMch12 建图（单目） 稠密重建需要知道参考帧所有像素点的深度，由于大部分像素点都不是特征点，对于这些点通过极线搜索和快匹配方法确定在其他帧图像位置。选择最高点当投影点计算深度值，但是某个像素点不可能只被观测两次，导致计算的深度值不一样。缩小不确定度是通过如下方式进行的：不断求出三维点的坐标，更新这个分布，直到这个分布的不确定性小于你希望的阈值，就认为是收敛了，收敛以后的均值，就不再改动了，当做是你确定下来的深度值。单目通过三角化得到像素的距离，双目通过左右目的视差计算像素的距离，这两种方式称为。，书中给出了具体的计算方法，
c++面试总结（二） 为什么使用智能指针智能指针其作⽤是管理⼀个指针，避免申请的空间在函数结束时忘记释放，造成内存泄漏。使⽤智能指针可以很⼤程度上的避免这个问题，因为智能指针就是⼀个类，当超出了类的作⽤域类会⾃动调⽤析构函数，从而⾃动释放资源。当需要独占资源的所有权的时候（即保证同一时间内只有一个智能指针可以指向该对象），可以使用 unique_ptr 对资源进行管理——离开 unique_ptr 对象的作用域时，会自动释放资源。两个unique_ptr 不能指向一个对象，即 unique_ptr 不共享它所管理的对象。
关注
