<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ergevv的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ergevv</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ergevv]]></copyright><item><title><![CDATA[回环之后，语义地图为什么不能直接修改所有物体的世界坐标]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/168335904</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/168335904</guid><author>ergevv</author><pubDate>Sat, 24 Oct 2026 13:15:00 +0800</pubDate><description><![CDATA[回环后不能直接修改所有物体的世界坐标，因会导致同一物体被重复建模、关系图混乱。正确做法是将物体保留在子地图局部坐标系中，通过动态更新子地图位姿（$T_{wi}$）自动推算世界坐标，实现一致性传播。结合几何、外观、语义与时间的多模态数据关联，确保身份唯一性。同时，通过协方差传播（如定位误差、检测误差、旋转影响）量化语义对象不确定性，使规划器使用置信椭圆或膨胀区域，而非精确点。静态对象长期保留，动态对象则用状态预测模型管理，避免污染静态地图。]]></description><category></category></item><item><title><![CDATA[如何使用 NIS 判断观测是否可靠：从卡尔曼滤波推导到机器人实践]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/167176187</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/167176187</guid><author>ergevv</author><pubDate>Sat, 24 Oct 2026 11:00:00 +0800</pubDate><description><![CDATA[本文从卡尔曼滤波出发，系统推导NIS（归一化创新平方）的统计原理：通过比较观测与预测之间的创新及其协方差 $S = JP^-J^T + R$，评估观测与模型的一致性。NIS 统计量 $\nu^TS^{-1}\nu$ 衡量差异是否超出预期不确定性，服从卡方分布，用于在线门控。其核心在于判断“预测与观测是否在噪声模型下合理”，而非直接验证观测精度或真实状态。数值示例说明，忽略预测不确定性会导致误判。强调NIS需结合多帧统计、可观性分析使用，单次超限不等于传感器故障。]]></description><category></category></item><item><title><![CDATA[RSSM 与卡尔曼滤波：相似的思想，不同的世界模型]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/165003280</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/165003280</guid><author>ergevv</author><pubDate>Sat, 12 Sep 2026 21:00:00 +0800</pubDate><description><![CDATA[RSSM与卡尔曼滤波共享“基于历史预测、用观测修正信念”的核心思想，均在处理不可见状态的估计问题。二者皆通过动态模型预测状态，并结合新观测更新信念，但实现方式迥异：卡尔曼滤波依赖已知的线性高斯模型，以均值与协方差精确表示不确定性；而RSSM则用神经网络学习非线性动态与观测关系，在潜空间中维护可递推的随机状态，通过先验（Prior）与后验（Posterior）的KL约束实现信念更新。本质差异在于：前者是解析建模，后者是数据驱动的近似推理。]]></description><category></category></item><item><title><![CDATA[Hydra 完整案例：机器人穿过两间房和长走廊，怎样生成并校正认知地图]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164229266</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164229266</guid><author>ergevv</author><pubDate>Tue, 08 Sep 2026 09:00:00 +0800</pubDate><description><![CDATA[本文通过一个机器人穿越两间房和长走廊的完整案例，串联Hydra系统从输入帧到认知地图的全流程：TSDF建图、ESDF/GVD提取、Place与Object生成、Agent轨迹及Room层级，并重点演示重访时的回环检测与后端校正，最终实现稠密网格和场景图的全局一致。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（九）：从 Agent 回环残差到控制点旋转和平移]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164229252</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164229252</guid><author>ergevv</author><pubDate>Tue, 08 Sep 2026 08:45:00 +0800</pubDate><description><![CDATA[回环残差虽只含Agent位姿，但其梯度经由Agent-Control双向因子产生的交叉Hessian，在联合优化中将更新传递给直接相连控制点，再通过Control-Control因子及ARAP约束传播至更远控制点，从而改变其平移和旋转。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（八）：联合后端优化：回环怎样校正轨迹、Mesh 与场景图]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164229192</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164229192</guid><author>ergevv</author><pubDate>Tue, 08 Sep 2026 08:30:00 +0800</pubDate><description><![CDATA[Hydra 后端通过联合因子图优化轨迹、稀疏控制点与临时 Place，将回环误差沿时空连续分配，而非整体刚体变换。控制点由 Mesh 压缩生成，插值驱动稠密 Mesh 变形，再分层更新 Places、Objects、Rooms 与 Building，并合并重复节点]]></description><category></category></item><item><title><![CDATA[Hydra 教程（七）：场景图回环：从历史子图检索到鲁棒几何配准]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164229159</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164229159</guid><author>ergevv</author><pubDate>Mon, 07 Sep 2026 09:00:00 +0800</pubDate><description><![CDATA[本文介绍Hydra场景图回环（LCD），解决累计漂移导致同一地点重复的问题。流程分三步：检索候选历史子图、几何验证、生成Agent间相对位姿约束。强调描述子分数仅作候选，需用TEASER++等几何配准验证]]></description><category></category></item><item><title><![CDATA[Hydra 教程（六）：从 Places 到 Rooms、Building 与房间语义]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164229009</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164229009</guid><author>ergevv</author><pubDate>Mon, 07 Sep 2026 08:30:00 +0800</pubDate><description><![CDATA[本文讲解Hydra如何将大规模Places图组织为少量可理解房间：先按清障阈值过滤出高净空连通分量作为房间核心，再生长外围Places，并借助持久性区分稳定结构；随后经Neural Tree分类和B0聚合，形成Room-Building层级。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（五）：Frontier 怎样把未知空间变成探索目标]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164226656</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164226656</guid><author>ergevv</author><pubDate>Sun, 06 Sep 2026 08:45:00 +0800</pubDate><description><![CDATA[Hydra中Frontier的生成方法：结合TSDF权重识别未知体素，用Place清障球表示已知自由空间，提取球外紧邻未知层作为候选探索目标。通过高度限制与扫描未分配block，确保候选可接近且有价值。生成的Frontier挂载至最近真实Place，为探索器提供安全观察方向，避免把未知误当可通行空间。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（四）：从网格与位姿到 Objects、Mesh Places 和 Agents]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164226578</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164226578</guid><author>ergevv</author><pubDate>Sun, 06 Sep 2026 08:00:00 +0800</pubDate><description><![CDATA[本文介绍Hydra如何从网格和位姿生成Object、Mesh Place与Agent图实体，强调高层节点引用底层证据而非替代，并简述对象聚类、表面区域与轨迹节点的前端关联方法。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（三）：从 ESDF、GVD 到 Places 图]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164225811</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164225811</guid><author>ergevv</author><pubDate>Sat, 05 Sep 2026 20:23:31 +0800</pubDate><description><![CDATA[本文介绍 Hydra 从 TSDF 到 Places 图的自由空间表示：ESDF 提供体素到最近障碍的欧氏距离，GVD 提取多障碍竞争的中轴候选，Places 图将其压缩为可搜索的拓扑结构。重点阐述 ESDF 不能由 TSDF 逐点转换，需通过表面种子传播距离，以及 GVD/ESDF 的体素字段设计。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（二）：从传感器观测到度量-语义地图]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/164225452</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/164225452</guid><author>ergevv</author><pubDate>Sat, 05 Sep 2026 20:22:59 +0800</pubDate><description><![CDATA[Hydra通过构建稀疏体素块中的TSDF、颜色和语义状态，将传感器观测融合为带颜色和语义的三角网格，并输出仅含变化的active-window。教程覆盖位姿同步、射线观测生成、体素分配及长期运行的工程机制。]]></description><category></category></item><item><title><![CDATA[Hydra 教程（一）：为什么机器人需要三维场景图]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/163375362</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/163375362</guid><author>ergevv</author><pubDate>Fri, 31 Jul 2026 23:16:05 +0800</pubDate><description><![CDATA[认知地图：hydra]]></description><category></category></item><item><title><![CDATA[从大模型到空间智能：未来机器人的终极架构畅想]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/163273854</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/163273854</guid><author>ergevv</author><pubDate>Fri, 31 Jul 2026 23:15:24 +0800</pubDate><description><![CDATA[文章摘要：从大模型到空间智能——未来机器人的三层架构 本文探讨了机器人技术从传统感知向空间智能的范式转变。传统机器人虽具备SLAM等空间感知能力，但缺乏对世界的深度理解。作者提出未来机器人将具备三层智能架构：1）世界模型（预测物理规律），2）认知地图（空间记忆系统），3）VLA执行系统（视觉-语言-动作转换）。三者分别对应预测、记忆和行动功能，共同构成空间智能的核心。]]></description><category></category></item><item><title><![CDATA[ESKF 姿态误差注入与协方差重置原理]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/162635512</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/162635512</guid><author>ergevv</author><pubDate>Sat, 11 Jul 2026 22:30:00 +0800</pubDate><description><![CDATA[ESKF姿态误差注入与协方差重置原理 本文探讨了误差状态卡尔曼滤波(ESKF)中姿态误差的特殊处理方式。由于姿态属于SO(3)李群而非欧式向量空间，其误差修正需采用指数映射而非简单加法。当滤波器估计出姿态误差δθ后，需通过右扰动模型注入名义姿态：R⁺ = R̂·exp(δθ)。这种非线性操作导致误差协方差矩阵需要相应变换，满足P⁺=JPJᵀ，其中雅可比矩阵Jθ≈I-(1/2)δθ∧。文章系统推导了这一过程，解释了协方差重置的必要性，并对比了普通欧式变量与姿态变量的不同更新机制。]]></description><category></category></item><item><title><![CDATA[SLAM 中重力建模对 IMU 零偏的影响]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/162635348</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/162635348</guid><author>ergevv</author><pubDate>Sat, 11 Jul 2026 22:00:00 +0800</pubDate><description><![CDATA[SLAM中重力建模对IMU零偏的影响分析 核心结论： 当姿态固定时，重力大小建模错误可表现为加速度计零偏 一旦姿态变化导致重力投影方向改变，该误差便无法被固定零偏完全吸收 关键要点： 重力误差通过姿态矩阵投影到IMU坐标系：$\hat{b}a^B = b_a^B + R{WB}^T\Delta g^W$ 静止状态下重力误差可被零偏吸收，因旋转矩阵近似不变 姿态变化时，重力误差在IMU坐标系的投影方向会改变，与固定零偏模型冲突 典型表现：运动时加速度残差增大，零偏估计值随姿态呈现异常漂移]]></description><category></category></item><item><title><![CDATA[06 关于边缘化、FEJ、可观性的讨论（2）]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/162372306</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/162372306</guid><author>ergevv</author><pubDate>Mon, 29 Jun 2026 08:45:00 +0800</pubDate><description><![CDATA[本文分析了边缘化操作如何破坏系统可观性的机理。关键点在于：边缘化本身（Schur补）在初始线性化点并不直接破坏可观性，问题出在后续优化过程中系统状态发生变化时，先验信息的零空间与新状态的零空间不再一致。具体表现为： 边缘化会生成一个固定不变的先验Hessian矩阵，该矩阵仅在边缘化时刻的线性化点保证对当时不可观方向的零响应； 当系统状态更新后，真正的不可观方向会随状态变化而改变； 但冻结的先验矩阵无法适应这种变化，导致其对新的不可观方向产生非零响应，错误地惩罚了本应不可观的方向； ]]></description><category></category></item><item><title><![CDATA[06 关于边缘化、FEJ、可观性的讨论（1）]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/162372293</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/162372293</guid><author>ergevv</author><pubDate>Mon, 29 Jun 2026 08:00:00 +0800</pubDate><description><![CDATA[本文探讨了状态估计中的一致性、弱可观性与接触约束问题，围绕四个核心问题展开分析： 为什么FEJ能改善一致性？ 为什么边缘化会破坏可观性？ 为什么某些状态是弱可观而非完全可观？ 接触约束如何提高腿式里程计的秩？ 关键点包括： 测量信息对状态空间不同方向的影响决定了可观性 零空间对应完全不可观方向，弱可观方向对应很小的奇异值 估计一致性要求算法对不可观方向保持合理的不确定性 FEJ通过固定线性化点避免虚假信息积累，保持一致性 接触约束通过提供独立测量信息提高系统可观测性 分析基于Hessian矩阵和奇异值分解。]]></description><category></category></item><item><title><![CDATA[05 可观性分析：VIO 不应该凭空知道什么]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/162372110</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/162372110</guid><author>ergevv</author><pubDate>Sun, 28 Jun 2026 12:30:00 +0800</pubDate><description><![CDATA[摘要 本文讨论了视觉惯性里程计（VIO）中的可观性问题。可观性分析关注的是给定系统模型和传感器测量时，某些状态量能否被测量信息唯一确定。VIO仅依赖相机、IMU和重力方向信息，无法恢复完整的全局位姿。文章具体分析了单目VIO的两种不可观方向：全局三维平移和绕重力方向的全局yaw旋转。通过数学推导证明，这两类变换不会改变视觉和IMU的相对测量，因此系统无法唯一确定这些状态量。文章最后给出了这些不可观方向的数学表达形式。]]></description><category></category></item><item><title><![CDATA[04 FEJ：为什么边缘化先验要固定第一次线性化点]]></title><link>https://blog.youkuaiyun.com/ergevv/article/details/162352789</link><guid>https://blog.youkuaiyun.com/ergevv/article/details/162352789</guid><author>ergevv</author><pubDate>Sun, 28 Jun 2026 12:00:00 +0800</pubDate><description><![CDATA[本文探讨了FEJ（First Estimate Jacobian）策略在边缘化先验中的应用。FEJ的核心思想是在首次估计点处计算并固定雅克比矩阵，避免后续优化中反复重算。在滑动窗口优化中，边缘化先验一旦形成，其线性化点和雅克比结构需要保持固定，以维持一致的线性化结构。 文章区分了VINS-Mono中的两种做法：固定边缘化先验的线性化点（类似FEJ）与严格的全局FEJ策略。VINS-Mono仅固定了边缘化先验的雅克比，而没有对所有窗口内因子都采用first-estimate Jacobian。]]></description><category></category></item></channel></rss>