- 博客(7)
- 收藏
- 关注
RSS订阅原创 docker拉取镜像报错：open /var/lib/docker/tmp/docker-import-2033245562/repositories: no such file or directo
然后docker images一下 就可以看到镜像拉取成功了。显示上面这个就成功啦。
2025-04-01 14:02:32
135
原创 点云配准ICP实战4：五分钟掌握精配准技术
修改参数在源码文件夹main.cpp下，修改后再make编译一次即可。然后在build文件夹下在运行即可。MaxIters为最大迭代次数，体素网格尺寸LeafSize，最小误差MinError。蓝色为匹配点云，绿色为原始点云，红色为目标点云。参数在代码内具体作用见mycpp.cpp。
2025-03-26 20:34:51
235
原创 ICP算法学习分享3：简单代码实战及算法理解
ICP：Iterative Closest Point，顾名思义，这是一种迭代的思想。通过不断地迭代，每次在前一次的计算结果之上再计算出新的变换矩阵，最终当迭代次数满足条件或者变换矩阵收敛时停止。设已经过粗配准后待进行细配准的两帧点云分别为P={p1,p2,⋯,pm},Q={q1,q2,⋯,qn}。通常情况下，由于深度相机视野不变，所以扫描出的每一帧点云中点集数量相等，即m = n m=nm=n），这里假设需要将P PP配准到Q QQ上。
2025-03-25 20:10:06
455
转载 ICP算法学习分享2：SVD奇异值分解原理推导
其中 U 是一个 m×m 的矩阵， Σ 是一个 m×n 的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值， V 是一个 n×n 的矩阵。对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。其中 A 是一个 n×n 矩阵， x 是一个 n 维向量，则 λ 是矩阵 A 的一个特征值，而 x 是矩阵 A 的特征值 λ 所对应的特征向量。
2025-03-25 15:54:37
13
转载 ICP算法学习1：原理推导
ICP算法计算简便直观，精度高。但算法运行速度及全局最优的收敛性依赖于给定的初始变换估计以及迭代过程中对应关系的确立！粗拼接技术可以提供较好的初始位置，因此迭代过程中点集的正确对应成为各种算法的关键，直接决定算法收敛速度以及拼接精度。
2025-03-17 16:50:38
29
原创 Cartographer源码阅读2：0基础小白也能上手 跑自己的机器人
为了先开始帮组里干活，我先开始学习如何用自己的机器人跑算法部分。参照官方文档，部分参照大佬的博客。
2025-03-17 15:18:59
989
原创 Cartographer源码阅读1
对BBA算法的理解：搜索窗口表达成一棵树的形式，树上每一个树枝就是这颗树干节点所有解可能性的划分，而树干对每个树枝都有一个上限得分，当有一个解比子节点（树枝）的得分高时，说明这个树枝不是最优解，就剪掉这个树枝，从而大大加快解题速度。该部分的参数定义见/src/cartographer/configuration_files/trajectory_builder_2d.lua和/src/cartographer/configuration_files/trajectory_builder_3d.lua中。
2025-03-14 18:47:05
558
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