sinat_38685124的博客

使用torch.jit.script转的时候，出现错误。

在windows终端键入nvidia-smi，查看nvidia显卡驱动。显卡驱动的版本决定了CUDA的版本下限。如果出现上述的问题，则终端进入文件夹内，再键入nvidia-smi，可以看到我的驱动版本是472.84，最高可以支持CUDA11.4.

torchpytorch中定义张量，要确定好正确的数据类型，否则会出现float32-float64之间的强转偏差，虽然误差很小，但是在某些场合（模型推理、imu预积分等）会出现比较大的累计误差。pytorch定义张量，默认的数据类型为torch.float32.g1 = torch.tensor([9.8065000000]) # 默认torch.float32print(format(g1.item(), '.10f'))# 9.8065004349g2 = torch.tensor([9

yolov5的loss.py中的build_targets函数中由两处扩充正样本的地方：因为anchor有３个，所以将targets扩充成３份，每一份共享一个anchor；假设一共有20个targets目标框，则将目标数扩充至[3, 20],共６０个目标；第一份的２０个目标与第一个anchor匹配，第二份的２０个目标与第二个anchor匹配，第三份的２０个目标与第三个anchor匹配，那么会有一部分目标没有匹配上(目标框与anchor的宽比或高比超出阈值)，则最后可能会只有３０个目标匹配成功，剩余的ta

该模块接收前一模块scanRegistration发布的几个主题，对相邻两帧的特征点进行匹配，通过优化点到线、点到面的距离，求得激光的位姿增量；主要逻辑：订阅scanRegistration发布的曲率极大点集，曲率次极大点集，曲率极小点集和次极小点集，压入队列；保证这几个点集时间戳是同步的；当前帧的极大点P找前一帧中的最近邻点A(在次极大点集中寻找)，在A点的附近线上寻找点B，构建对P与AB线的距离优化的问题；当前帧的极小点P找前一帧中的最近邻点A(在次极小点集中寻找)，在A点附近线上寻找点B、

最近有项目要用激光建图与定位(SLAM)，花了一周把aloam源码读了一遍；后来开了几次项目会议，才发现用不到激光slam，于是对激光slam的研究暂时搁浅。参考了其他aloam源码的理解的文章，这里是我理解的部分。主要的逻辑：订阅激光点云数据;剔除无效点与离传感器过近的点；确定点云的起始方位角和结束方位角，令结束方位角与开始方位角差值控制在(PI,3*PI)范围计算每个点的仰角，根据仰角为每个点找到了对应的扫描线;每条扫瞄线分成6段扇区，每个扇区选出2个曲率极大点和20个曲率次极大点，同时

打开终端，进入工作空间/catkin_ws`source devel/setup.bash`在该终端运行clion.sh（clion.sh在clion安装目录下）此时clion已打开，File/Open， 选择功能包的CMakeLists.txt，Open as Project即可。(可选)修改编译目录。File/Settings.../Build,Execution,Deployment令CMake options为-DCATKIN_DEVEL_PREFIX:PATH=..

按照官网指导上的指令安装下来，在个别步骤上可能会因为长城的缘故，导致安装失败，一波三折。费了一天时间，终于把cartographer安装成功，翻阅了各种博客文章，结合自己碰到的问题，总结记录一下。安装依赖包sudo apt-get updatesudo apt-get install -y python-wstool python-rosdep ninja-build stow创建工作空间与下载安装包mkdir catkin_wscd catkin_wswstool init src

boost::filesystem是Boost C++ Libraries中的一个模块，主要作用是处理文件（Files）和目录(Directories)。在c++中使用boost库遍历文件目录。demo// demo.cpp#include <iostream>#include <boost/filesystem.hpp>#include <boost/algorithm/string/classification.hpp>#include <bo

在使用tensorrt的时候，将opencv的Mat格式处理成tensorrt输入方式。中间还有图像预处理，包括通道的变换、图像尺寸变形，最重要的是如何将Mat格式处理成tensorrt 可接受的输入格式。Mat的图像数据，每个像素的三个通道是相邻存储的，因此要将Mat通道分离；使用split函数分离通道std::vector<float> prepareImage(std::vector<cv::Mat> &vec_img) { std::vector&l

torch.nn.functional.normalize(input, p=2, dim=1, eps=1e-12, out=None)其中，p表示范数(这里是2范数)，dim表示计算范数的维度(默认为1)，eps是为了防止分母为0；pytorch中的normalize函数本质上就是针对某个维度进行归一化，公式为：ν=νmax(∣∣ν∣∣p,ϵ)
u = \frac{
u}{max(||
u||_p,\epsilon)}ν=max(∣∣ν∣∣p​,ϵ)ν​示例a = F.softmax(

多线程编程在计算机领域常用到的一种技术。多线程，顾名思义，指在单个系统里同时启动多个独立的线程，每个线程各干各的，互不影响。显然它的效率要比单线程工作效率高的多。比如，要导入处理10万条数据，一个线程既负责导入数据又兼具处理数据的任务，是一个串行处理的流程，运行效率低下。如果用多个线程工作，部分线程负责导入数据，另一部分线程负责处理数据，实现并行处理，运行效率可以提升数倍。自从c++11开始，c++开始在语言级别上支持多线程，为多线程编程提供了极大的便利。1. Hello world#include

opencv的DNN推理模块是不直接支持pytorch训练出来的pth文件。一般来说，可以将pth文件转成onnx格式，再用opencv调用onnx文件，即可实现推理。pth文件转onnx文件时，因为onnx对于pth中某些定义的层是不支持的，难免会碰到一些问题。近期，对一些分割网络进行了部署，碰到的一些问题记录在下。RuntimeError: ONNX export failed: Couldn’t export operator aten::adaptive_avg_pool2donnx不支持

High-Resoultion Net(HRNet)由微软亚洲研究院和中科大提出，发表在CVPR2019。HRNet的网络在CV领域，越来越得到关注，因为很多用HRNet作为骨架网络的方案在语义分割、目标检测、分类、分割、人体姿态估计等领域均取得瞩目的成绩。文章名称：Deep High-Resolution Representation Learning for Human Pose Estimation本文主要内容是展示HRNet在分割领域的模型结构，下面的例子选用HRNet_w48模型。Githu

问题1：编译kalibr时，出现问题：fatal error: libv4l2.h解决方法：sudo apt install libv4l-dev问题2：使用kalibr生成棋盘时，出现问题：ImportError：No module named pyx 解决方法：sudo apt-get install python-pyx问题3：使用以下命令标定时，kalibr_calibrate_cameras --target '/home/robot/kalibr_ws/src/kal

编译librealsense，cmake失败，出现下述问题：Could NOT find OpenSSL, try to set the path to OpenSSL root folder in the system variable OPENSSL_ROOT_DIR (missing: OPENSSL_CRYPTO_LIBRARY OPENSSL_INCLUDE_DIR)解决办法sudo apt-get install opensslsudo apt-get install lib

前提：用原装usb-typeC线连接host机和AGX,启动AGX恢复模式（AGX上有3个键，先按住中间键2秒，再按左键2秒，进入恢复模式）cd ~/nvidia/nvidia_sdk/JetPack_4.4.1_Linux_JETSON_AGX_XAVIER/Linux_for_Tegra/sudo ./flash.sh -r jetson-xavier mmcblk0p1注：JetPack_4.4.1_Linux_JETSON_AGX_XAVIER/Linux_for_Tegra/ 文件夹是ho

由于python设计的初衷是开源，因此py文件是可以直接看到源码的。但用在商业用途时，就需要对代码进行加密保护。本文使用Cython库将py文件编译成二进制so动态库，达到对python源码的保护。1. 安装Cythonpip install Cython2. 编译py文件生成so库Cython可以帮助程序带来性能的提升，主要原理是：先将py文件转换成c文件，再将c文件编译成so(Unix)或pyd(windows)。其带来的另一个好处是难以破解。from distutils.core impo

在AGX编译安装opencv-python及opencv-contrib-python有两个途径一、pip安装(以4.4.0.46版本为例)sudo pip3 install opencv-python==4.4.0.46sudo pip3 install opencv-contrib-python==4.4.0.46pip安装只适合python接口调用，若用c++接口，则需要源码编译安装。二、源码编译安装源码编译安装在终端输入cmake预编译指令，编译出来即可满足c++，python接口调用

BatchNorm是深度学习网络中必不可少的层，可以起到加速收敛的作用。由于每一个Batch的数据都具有不同的分布，为了加速模型的学习能力，对数据进行归一化。此外，由于又不能完全归一化，需要根据当前数据分布对数据进行缩放和偏移。因此，BatchNorm主要有两个步骤：求解数据的均值和方差，并归一化；对归一化的数据缩放和偏移。在caffe源码中，对BatchNorm也是分开描述的，步骤一体现在batch_norm_layer.cpp(.cu)中，步骤二体现在scale_layer.cpp(.cu)。