持之以恒

辐射神经场NeRF论文原理总结，与原作者对话，原论文的精华浓缩，一句顶十句。

自动驾驶地图与感知匹配算法的业界最佳实践，原理详细解释，有代码参考。

参考的实验结果通过结果可视化直观验证了该方法在建图一致性方面的优势，并且量化对比了LOAM、SegMatch、IE与使用submap建图的精度，其中基于submap的建图精度最高，多个场景的上述方法的RMSE均值为85.4cm 89.0cm 14.5cm 5.3cm。Tectonic SAM，采用因子图模型，优化方法估计状态（地图与位姿参数），本文将submap类比于大陆板块(Tectonic)，对submap内部节点改变不明显，submap之间可大幅度调整。求解最小二乘问题，由于使用矩阵的平方根，称为。

解决：相机与INS的外参Tci中的Z轴加0.3度，平移量z轴减去0.1m,使得某设备某次的建图重投影OK；建议LiDAR与INS的标定方法与相机和INS的标定在原理保持一致。验证方法：LiDAR与INS采用连续时间系统标定，与依靠INS定位的标定参数比对；最大厚度、90%最大厚度、厚度标准差与RMS等，类似标志牌的点云厚度评测。基本过程描述：某一时刻图像，查询INS位姿，利用Tci计算相机位姿，分析：LiDAR与INS的外参或INS与相机的外参误差过大。点云从世界坐标转换到相机坐标，利用齐次坐标表达，

大规模点云地图的点云数量一般为10的6+次方量级，直接而全部加载对内存大小要求高， 空间尺度大，不便于快速变换视角，为便于可视化，提高查看效率，可将原始点云按网格分组，如以20m见方将点云分划为不同的submap，可视化“缩略地图”，每个submap以单个点显示，一瞥全貌，同时可选中感兴趣的区域，“放大”，可显示选中区域的原始点云细节。为相机坐标系下B相应局部坐标系的姿态变换矩阵；陆标点在待投影相机的坐标系下表示为。为相机坐标系下B相应局部坐标系的原点坐标，则在相机坐标系下的表达，，投影方程表达如下，

Int64存储bool、Enum、uint32、int32、int64、uint64，Bytes存储字符串、二进制，Float存储float（float32）和double（float64）。tensorflow定义的数据格式，一种二进制文件格式，用于保存和读取图像和文本数据。tfrecord文件包含了tf.train.Example protobuf数据。不同点：变量可被TensorFlow的自动求导机制求导，常被用于机器学习模型的参数。采用tfrecord的数据协议，Dataset结构需参考。

样本少的类别较难分类，Focal loss有助于提高样本少类别的准确率；但难分样本不局限于样本数少的类别。Focal loss从分类难易程度加权loss，使得loss聚焦于难分样本。正负样本个数不均，导致训练反馈偏重于样本多的类别。采用加权，平衡交叉熵。

Ceres中CostFunction即factor：ceres::Problem::AddResidualBlock()。为了估计IMU和相机的时延，需要从IMU的Pose样条取出多段，即不单是采样时刻所在的一段，Bspline表示IMU的bias，BsplinePose表示Pose。根据采样时刻不断更新样条段，并构造样条方程。aslam_backend实现优化。所在样条段的时长，和该段对应的索引。knots即节点，是控制分段的点。coeff需要多个列构成。

Dempster-Shafer理论

外参标定采用长方形模板进行标定，分别获得相机的外参数和激光雷达的外参数；一种基于任意三面体的雷达-相机系统外部参数标定方法：利用环境的三面体，以其设世界坐标系，将激光点云拟合三个平面，求得平面参数，并求得两帧间的雷达的相对位姿，同时，利用射极几何模型，获得图像传感器的相对位姿运动，AX=XB。...