zhanglehes的专栏

***/class VertexCircle : public g2o::BaseVertex { // 顶点包含3个参数public:void setToOriginImpl() override { // 设置顶点的初始值void oplusImpl(const double* update) override { // 增量更新函数/***/

***/class VertexParams : public g2o::BaseVertex { // 它包含三个参数public:void setToOriginImpl() override {} // 设定参数的原始值void oplusImpl(const double* update) override { // 增量更新函数，调整当前参数的值// 构造参数增量/***/

概要个人理解Icp是一种location算法。我们先将全局的事物特征化，提取出特征点。在求解过程中，将观察的的图像，同样进行特征化。将全局点与当前特征点进行匹配，就可以求得观察者当前的位姿。Icp算法通常分为粗匹配和精细匹配两部分。粗匹配是将观察特征点移动到对应全局特征点的附近，而精细匹配这是将一个一个对应的特征点，使用最小二乘优化进行调整。在精细匹配的过程中，特征点对的选取也很重要，icp是一套迭代的算法，每次变换后都需要重新选取特征点对。

g2o是常用的图优化理论c++库，其自带了很多example讲解如何使用该库文件，本文分析其中ba的示例代码。所谓的图优化，就是把一个常规的优化问题，以图（Graph）的形式来表述。在图中，以顶点表示优化变量，以边表示观测方程。于是总体优化问题变为n条边加和的形式边是约束在具体编写g2o代码时，我们也需要明确哪些是顶点（优化项），哪些是边（约束项）。

三维空间中有两个向量，它们的夹角为θ假设单位向量n垂直于两个向量形成的平面（满足右手螺旋法则）

欧拉角，四元数，旋转矩阵以及它们的转换关系

numpy库是python语言处理矩阵运算常用的工具，本文对其常用命令进行简单的介绍。zeros,ones,empty[初始化数组]ravel[多维数组转换为一维数组]argwhere[满足条件的索引]reshape[改变列表的结构]delete[删除任意行｜列]shape[数组的维度]array[创建数组]mean[求取平均值]diff[计算差值]

前文介绍了贝叶斯公式基础以及在统计领域的基本应用，本文将介绍它的一种新的转换形式，以及在机器分类领域的应用。

举个例子，如果A和B发生的概率都是50%，但两者是强相关的，A出现时B必然出现，那么P(A and B)=50%；从机器学习的角度，从全局无法知道事件（A）发生的概率，但是如果能确认一些事情发生，如事件（B），那么就可以更新事件（A）发生的概率，从而逼近真实值。解答：首先P(A)=20%, P(B)=50%, P(C)=30%，另一个条件，假设缺陷产品的事件为D，则P(D|A)=2%, P(D|B)=1%, P(D|C)=3%, 问题是P(B|D)边际概率是一个事件的概率，与另一个变量的结果无关。