1.概述
这门课程主要讲述机器人的一些基本知识,包括运动学,动力学,机臂控制,一些前沿研究。
由于最近做定位地图,涉及较多robotic的知识,在这里直接看一下入门,之后希望可以对ROS、PCL、G2O等重要工具展开学习。
Keep Moving
这门课程主要讲述机器人的一些基本知识,包括运动学,动力学,机臂控制,一些前沿研究。
由于最近做定位地图,涉及较多robotic的知识,在这里直接看一下入门,之后希望可以对ROS、PCL、G2O等重要工具展开学习。
首先,参考学习了很多关于SLAM的内容,从理论、研究到开源软件甚至于开源的调用库都知道不少,奈何自己在这方面确实尚浅,走了不少弯路。
分为前后端,前端为点云的叠加构建地图,后端为根据位置和移动建图,并用非线性全局优化来修正叠加误差以及进行回环检测。(旧的方法还有涉及EKF的KALMAN滤波,但随着图增大算法会吃不消)
何女神,准备就期中考了,考到第7章,我有空继续看,顺便完善一下读书笔记,做人要有始有终。
提到了决策树的生成,主要是选择合理的分裂属性,并且修正合理的生成树,以获得较少的训练误差和不会过于臃肿的树结构,基于Occam’s Razor Rules,这有利于更强的泛化和预测能力。
这一章包含的内容多且重要,然而书本没有详细展开,这里我还是得仔细记录每一小节的内容。
分类模型用析取范式 $R=(r_1 \bigvee r_2 \bigvee … \bigvee r_k)$
这里R成为规则集
这里表示形式:$r_i:(条件_i)->y_i$
这里左边称为规则前提,右边为规则后件,包含预测结果。
分类规则的质量用覆盖率和准确率定义,D为数据集,A为规则前件,y为规则后件。
$$Converage(r) = \frac{|A|}{|D|}$$
$$Accuray(r)=\frac{|A\bigcap y|}{|A|}$$
基于定义,我们有互斥规则、穷举规则、有无序规则
统计的特征数据点包括:频数,众数,百分位数,位置度量:均值和中位数,散布度量:极差和方差,绝对平均偏差、中卫偏差,多元统计包括协方差矩阵。
协方差矩阵:
$$ covariance(x_i,x_j)=\frac{1}{m-1}\sum_{k=1}^m(x_{ki} - \overline{x_i})(x_{kj}-\overline{x_j}) $$
相关矩阵元素:$ r_{ij} = \frac{covariance(x_i,x_j)}{s_is_j}$
目的:1.快速吸收信息 2.充分调用人的领域知识
利用一些图示模型:叶箱图、直方图、相对频率直方图、二维直方图、盒状图、饼图、经验累计分布函数、散布图、可视高维
今天是中秋节,祝自己和家人中秋快乐。不知不觉进入理大2个月了,从大四到现在,人生一直都有点徘徊,不知道是惶恐什么还是犹豫什么。我认为应该给自己一个时间来反思,静静回顾或是重新去思考。
关于认识自己,人需要不断去认识自己,去探索自己的内心,到底自己最看重的东西是什么!这永远是一个复杂而又哲学的问题,首先说几个特点:1.懒惰 2.不能坚持 3.不足够自信 4.原则性较弱。带来了一些些的优点:1.为人谦逊 2.容易满足,忍耐性超强 3.心态特别好,很少暴躁,因为参与度低而悠然自在,超然物外 4.怡然自乐。
认识自己的方法。为此,我查看了知乎中的《怎么认识自己》。其中”悟败者“的角度让我深刻:乔布斯是一位天才的悟败者。也就是从失败中认识自我,当然还可以通过朋友的建议、拿优秀的人做参照、生活中频繁地自省等方法。然而,反思失败是更为有效的方法之类。因为一方面:人的精神世界有一套自我保护机制,一旦形成一套对自己有利的观点和认识,就会选择性地采纳职称这些观点的证据,从而忽略不利的观点。因此,带来一个弊端—自我无法看清自己的缺陷。另一方面:人际交往潜规则导致我们为了顾及对方的感受和维持良好的关系而隐瞒一些真实而负面的看法,反而利用虚假的赞美来替代真实的匹配。我们应该更多更成熟地面对人生中的失败,这些失败使我们痛苦、愤恨、自责、后悔,但也正是因为这些失败使我反思了自己,从而逼得在能力、性格和品恒等方面加以改进。相对而言,对于不自信或者自卑的人来说,多从成功中认识自己。
讲讲进来三个月的工作成果和研究进展,分享一下所学内容
这里写下日记,总结之余,也将演讲内容在这里过一遍
Target:实现无人机的自动导航以及躲避障碍物
使用SLAM:机器人从未知地点出发,运动过程中重复观测得到地图特征来定位自身未知和姿态,从而构建增量式地图,达到同时定位和地图构建的目的。
避障算法,Bug Algorithm:检测到障碍物,进行闪躲,但依然朝终点靠近
这里的起始点和终点乃至地图都可以pre-defined。
由于这里面核心用到的是环境的三维信息,所以Stereo Matching的精度技术显得尤为重要
入手了GUIDANCE一周,这里对这篇文章细细品味一下。
由于缺乏一个强大的视觉感知平台,开发了一个易于扩展的数据采集平台。
这个论文可以主要参考一下DJI人员开发GUIDANCE时候,内置了什么样的算法。
提到了VO(Visual Odometry)的概念,SLAM是VO[1]的扩展。关于SLAM[2][3],是用于机器人定位位置识别。大部分是单目的,这里也有双目的方法[4]。这里GUIDANCE包括了5个方向的双目,可以提供深度图,超声数据,障碍物距离等内容。接下来,故事的展开分为内置函数,SDK接口以及相关应用
首先分享一下好的资源Richard’s blog 《学习opencv》的第十一章,照相机匹配,还有张正友的经典论文。
从高中物理的针孔成像定理以及相似三角形定义可得,Z为到针孔距离,f为焦距:
$$-x=f\frac{X}{Z}$$
Author:Kurt Konolige
这篇文章是opencv里面的StereoMatchingBM算法的参考算法,所以特意找出来研读一番,虽然是1998的产物,但还是值得一看的,它实际有效地用于移动机器人。它的特点是快,实时。但当参数不Tuned的时候,效果不佳。所以需要进行良好的标定和参数的调整。对于一张480*320的32位深度图计算只需要30~40毫秒的时间。这与opencv里面的StereoMatchingGC算法形成对比,GC算法耗时长,以上图则需要几秒但恢复精度高。