学习历程导航

✨前言✨
以下内容是关于本人的一个学习过程,便于自己复习以及有兴趣的小伙伴快捷寻找自己想要看的内容!

📘 博客主页:to Keep博客主页
🙆欢迎关注,👍点赞,📝留言评论
⏳时间:持续更新中
📨 博主码云地址:博主码云地址
📕参考书籍:java核心技术 卷1
📢编程练习:牛客网+力扣网
由于博主目前也是处于一个学习的状态,如有讲的不对的地方,请一定联系我予以改正!!!

一【JavaSE初阶学习】

1 记事本下运行Java文件
2 Java中基本类型与运算符
3 Java中程序逻辑分类
4 Java中的方法与递归
5 Java中的数组
6 类与对象
7 继承+多态
8 多态+抽象类+接口
9 Java异常处理机制
10 源码必备知识:泛型
11 java内部类

二 【数据结构】

1 时间复杂度与空间复杂度
2 栈与队列
3 二叉树的基本操作与概念
4 优先级队列
5 Java中对象的比较
6 常见的排序算法(1)
7 常见的排序算法(2)
8 Map与Set
9 二叉搜素树

三 【MySQL】

1 初识MySQL
2 基本的增删改查
3 数据库约束+进阶版新增与查询
4 MySQL的索引与事务
5 JDBC编程

四【计算机网络与操作系统】

  • 3
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
激光SLAM(Simultaneous Localization and Mapping)算法是一利用激光雷达数据进行同时定位和地图构建的技术。它在机器人导航和自主驾驶等领域具有重要应用。下面是激光SLAM算法的发展历程: 1. 早期算法:最早的激光SLAM算法是基于扫描匹配的方法,通过比较两次激光扫描数据的差异来进行定位和地图构建。这些算法包括ICP(Iterative Closest Point)和Scan Matching等。 2. EKF-SLAM:扩展卡尔曼滤波(Extended Kalman Filter,EKF)是一种常用的状态估计方法,被应用于SLAM中。EKF-SLAM通过将机器人的状态和地图的特征点同时估计,实现了同时定位和地图构建。 3. RBPF-SLAM:粒子滤波(Particle Filter)是一种基于蒙特卡洛采样的滤波方法,被应用于SLAM中。RBPF-SLAM(Rao-Blackwellized Particle Filter SLAM)将机器人的轨迹和地图的特征点分别用不同的粒子表示,通过重采样和更新步骤来实现同时定位和地图构建。 4. Graph-SLAM:图优化(Graph Optimization)是一种基于图模型的SLAM方法。Graph-SLAM将机器人的轨迹和地图的特征点表示为图的节点,通过最小化误差函数来进行优化。常用的图优化算法包括最小二乘法(Least Squares)、因子图(Factor Graph)和非线性优化等。 5. 基于深度学习的SLAM:近年来,深度学习技术在SLAM中得到了广泛应用。通过使用深度神经网络对激光雷达数据进行特征提取和匹配,可以提高SLAM算法的鲁棒性和精度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

to Keep

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值