- 博客(14)
- 收藏
- 关注
RSS订阅原创 EKF协方差矩阵理解
对角元素代表整体的不确定度，画成椭圆就是和椭圆的平均半径有关。 非对角元素越大，椭圆越椭。一方面说明某些变量的相关度变大了，但本质是本来一个大大的正圆的两侧被消掉了，所以变成了椭圆，所以本质是不确定度变小了。 所以使用EKF的时候观察协方差的变化，经常是一个对角矩阵，对角元素的值越来越小，非对角元素的值越来越大 观察方程中只要一个观察值同时有多个状态影响，就会在这些状态间产生相关性。所以如果...
2019-01-31 23:51:55
3909
原创 Probabilistic Robotics读书笔记：Recursive State Estimation
每次观察之间都是相互独立的，所以p(z|x)和历史无关。但如果问题还涉及到系统的状态。一般我们假设当前时刻的系统状态完全决定当前的观测（complete state assumption）。这里要注意的是，虽然每个时刻的观测相互独立，但是控制观测结果的系统状态在不同时刻间不是独立的。 条件概率不是一个概率，要成为一个概率，一定要和一个先验概率相乘。而这个先验概率又会是由其他概率变换而来：比如上一...
2019-01-28 10:44:13
204
原创 iSAM2: Incremental Smoothing and Mapping Using the Bayes Tree 阅读笔记
优化这样一个方程，其实就是解这个最小二乘问题，其实就是求A的逆。这样一个问题包括几个可研究的部分怎么把各种观测值和变量之间的关系，变成A矩阵 为啥解决一个概率的问题，但都是在处理矩阵的问题呢？ 因为我们都是解决的高斯分布的随机变量。高斯分布用一个协方差矩阵和均值向量就能完全表示了。 当我们使用矩阵变换手段，把一个矩阵变成另外一个矩阵，其实也是把一个随机变量变成另外一个随机变量了...
2019-01-24 14:44:24
2271
2
原创 通过结构图计算传感器之间的外参
相关博客：https://blog.csdn.net/ziliwangmoe/article/details/84960829假设有两个传感器B，C。我们计算C到B的变换矩阵：T_B_C。画出每个传感器的轴向： 求C到B的变换，也就是要把C坐标系模型的的原点和三个轴在B坐标系中表示出来。T_B_C的平移量正好等于C坐标系原点在B中的表示。基于C，B的轴向和相对位置可以很容易的求得...
2019-01-23 15:21:22
426
原创 矩阵分解的作用
本篇文章时对下面材料的总结：https://web.ma.utexas.edu/users/gilbert/M340L/LA07MatrixDecompositions.pdf矩阵分解的定义：把一个矩阵表示成多个矩阵连乘的形式。矩阵分解主要有两个作用：分解后的每个小矩阵能够更容易的求逆 加入我们有上面这样一个分解，这个叫LDU和LU分解。也就是分解为下三角，对角和上三角矩...
2019-01-21 12:11:05
6797
原创 线性最小二乘，线性方程组以及广义逆的关系
对于这样一个优化问题如果A是一个full rank的矩阵。那Ax-b=0一定有非零解。所以，这个函数的最小值就是0，对应的x就是Ax-b=0的解 如果A是一个非方阵，或者非full rank。 这个需要展开平方，使用最小二乘的方法求得最小值对应的x：x= 刚好也是非线性最小二乘每次迭代更新量的表达式。只是A换成了非线性方程的雅克比矩阵 并且也是矩阵A的广义逆的表达式。 总结来...
2019-01-21 02:08:18
4212
原创 变量消元(Varible Elimination)和概率边缘化(Marginalization)的关系
先定义消元：在解线性方程组的时候，把一个变量带入到另外一个变量中，达到减少变量的就结果。虽然方程数少了，但是单个方程变复杂了，所以其实方程组携带的信息并没有减少。 如果把方程组写成矩阵形式，就对应之前线性代数学的高斯消元。 消元的一个作用是把方程变成上三角形式，就可以很轻松的计算出方程组的解。能计算出解，那么也能求出对应矩阵的逆。这就是为什么消元很重要的原因。再定义边缘化：边缘化的普通定...
2019-01-21 01:35:51
2173
原创 G2o，GTSAM，Ceres，Tensorflow优化器的方法比较
首先是一些背景知识： 最速梯度下降法（GD）和牛顿法可以用来优化所有种类的函数。 牛顿高斯和基于牛顿高斯的LM法只能用来优化非线性最小二乘。 SGD是最速梯度下降法的改进，也就是每次迭代随即选取一些样本进行优化。 一般大型优化问题不会用二阶的牛顿法。 Ceres是针对所有种类的函数的优化，所以只能用最速梯度下降法。 G2o是求解的一个标准的最小二乘 GTSAM准确的...
2019-01-20 13:02:49
8742
8
原创 g2o底层数据结构分析（core模块）
三种优化方法的比较：https://blog.csdn.net/ziliwangmoe/article/details/81458175G2O的使用原理简介：https://blog.csdn.net/ziliwangmoe/article/details/81460392这篇文章主要相比G2O底层实现的一些关键点整理出来。这里重新强调下：G2O只能处理非线性最小二乘的问题。所...
2019-01-19 19:42:21
1021
3
原创 通往游戏外挂的终极之路——超级游戏AI系列之二：MCTS算法
MCTS是Monte Carlo tree search的缩写，这里就不翻译了。这里我先不直接讲MCTS是什么。我们先从之前学习的minimax的缺陷出发，看下我们能够怎么去弥补这些缺陷，然后MCTS的做法和我们想到的又有什么不同。假设我们要用minimax写一个五指棋的AI，展开层数至少要对单个玩家向前看5步吧。那么对于游戏树就是10层了。假设我们用一个10×10的棋盘。那么需要展开的游戏树...
2019-01-16 10:26:14
1257
原创 通往游戏外挂的终极之路——超级游戏AI系列之一：minimax算法
先摆点龙门阵吧。前几天打了下王者荣耀的超强AI，发现腾讯居然把部分深度学习出来的AI上线到普通服务器了。之前都只有看游戏大触们在专门的舞台上大战游戏AI，居然这黑科技这么快就平民化了。然后细读了下王者荣耀的相关paper，里面又涉及到一些其台AI的知识，于是又引申出去看了很多其他资料。最后发现这里面水挺深的，已经是一派有历史有传统的学术研究领域：关于怎么让AI玩游戏的研究领域。记得还是本科的时...
2019-01-15 11:35:40
5533
7
原创 王者荣耀AI相关文章解读：Hierarchical Macro Strategy Model for MOBA Game AI
给不想看后面详细信息的人的说明：这篇文章说明了王者荣耀18年年底公布的新的AI系统中的一些重要模块。其实要完成一个完整都AI系统肯定还有很多其他的小模块需要研究。 AI的输入是游戏画面加一些UI上面可以直接读出的信息（玩家血量，击杀数等），输出是游戏操作的序列。也就是人怎么操作，AI就怎么操作。比如人要在某个地方放置某个技能，AI也需要通过控制虚拟手柄来完成，而不是调用一个游戏内部的API来...
2019-01-14 00:37:17
2118
3
原创 ffmpeg常用操作举例
https://ffmpeg.org/ffmpeg.html sudo apt-get install ffmpeg 微信只允许上传20MB的视频，为了使用微信方便传送我们的视觉数据，可以有如下几种压缩方法： 压缩比特率 截取部分视频片段 截取部分视频画面 快进视频 转化为微信支持的格式： ffmpeg -i input.mp4 -vf scale=-1:720 -b 1...
2019-01-10 15:42:49
563
原创 智能指针和普通指针混用注意之一
经常在调用三方接口的时候，难免不混用智能指针和普通指针。混用主要分为两类型：把已有的普通指针交给智能指针管理int* p_chamo;std::shared_ptr<int> p;p.reset(p_chamo)把已有智能指针管理的地址拿出来给其他程序用std::shared_ptr<int> p=std::make_shared<int...
2019-01-05 11:33:30
4116
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人