node.js protocol buffer与json

LIO_SAM跑KITTI数据集,为什么你的轨迹评估总出错?聊聊时间戳与数据对齐那些坑 本文深入探讨了LIO_SAM在KITTI数据集上运行时常见的时间戳与数据对齐问题,提供了详细的避坑指南和实用解决方案。通过分析odometry与raw data的差异、时间戳对齐技巧以及格式转换陷阱,帮助开发者准确评估SLAM算法性能,避免轨迹评估中的常见错误。 阅读详情

其实不太愿意在博客是写这种太过于偏用的博文,更喜欢写一些源码分析一类的。。。但是发现偏应用的看的人更多一些。。。于是就两者结合一下吧。。。

因为做的东西需要用到protocol buffer,以前试着在github上面找过node.js的protocol buffer的库,不过发现没有好用的,因为现在马上就要用到了,又上github上面去找了一下,发现原来那个不好用的现在还不错了。。地址:

https://github.com/dcodeIO/ProtoBuf.js


这里就对比一下对于相同的内容,分别用protocol buffer的decode与node.js自己的JSON.parse,看看谁的表现更好吧,对比代码如下:

var http = require("http"),
    fs = require("fs"),
        ProtoBuf = require("protobufjs");

var Message = ProtoBuf.protoFromFile("example.proto").build("Message");

if (Message.encode) {
	console.log(1111111);
}


var before = new Date().getTime();
for (var i = 0; i < 10000; i++) {
	var data = fs.readFileSync("fjs.dat");
 	var msg = Message.decode(data);

 	//var data = fs.readFileSync("fjs.txt");
 	//var msg = JSON.parse(data);

 	//console.log(msg);
}
var after = new Date().getTime();
console.log((after - before) / 1000)

其中message的定义如下:

message Message {
    required string text = 1;
}

其实很简单吧,他们最终要解析的数据如下:

{"text" : "aaa"}

最后结果。。。

像上面的代码那样,循环1w次,

protocol buffer用了1.387秒,

JSON.parse用了0.74秒,


那么在node.js中谁的效率更高应该一目了然了吧。。。。

毕竟json本来是javascript原生的东西,parse走的都是javascript引擎的流程,而protocol buffer毕竟还在上层写了那么多的javascript代码。。。


当然这种现象在node.js中适用,在别的语言中就不适用啦。。。以前做过java的对比,分别用protocol buffer与json,最后protocol buffer无论是在decode还是encode上面都有很大的优势。。。

Ubuntu20.04实战:基于KITTI-07序列的LIO-SAM部署与evo精度分析 本文提供了在Ubuntu20.04系统上部署LIO-SAM算法并使用KITTI-07序列进行实战评测的完整指南。详细介绍了从环境准备、数据转换、源码编译到参数调整的全过程,并重点讲解了如何使用evo工具对算法输出的轨迹进行精度分析,量化评估其建图与定位性能。 阅读详情

相关推荐

基于FAST_LIO与evo工具的激光雷达-IMU数据融合轨迹评估实战指南

本文提供了一份基于FAST_LIO与evo工具的激光雷达-IMU数据融合轨迹评估实战指南。详细介绍了从环境搭建、数据准备、运行FAST_LIO提取轨迹,到使用evo工具进行APE、RPE等多维度精度评估与可视化的完整流程,并分享了性能调优与常见问题排查经验,帮助开发者科学评估SLAM算法性能。

weixin_29202213的博客 462

nodejs微服务:关于Protobuf的使用

如果需要将message与RPC一起使用,则可以在 .proto 文件中定义RPC服务接口。

Wang的专栏 1781

SLAM系统评估实战:从ATE/RPE指标到LVI-SAM性能深度分析

在机器人定位与建图(SLAM)领域,系统性能评估是连接算法理论与工程应用的关键环节。其核心原理在于通过量化指标衡量状态估计的精度与鲁棒性,技术价值在于为自动驾驶、无人机等实际应用提供可靠的算法选型与部署依据。评估通常围绕绝对轨迹误差(ATE)和相对位姿误差(RPE)等核心指标展开,并依赖evo等工具在KAIST Urban这类多传感器基准数据集上进行验证。本文聚焦于LVI-SAM这一经典激光-视觉-惯性紧耦合框架,深入探讨其评估方法体系,涵盖从基础精度测试到多场景鲁棒性压力测试、模块化消融实验的全流程,旨在

weixin_34268310的博客 401

Protobuf和json有什么区别

protoProtobuf适合于对数据传输效率和解析性能有较高要求的场景,而JSON则更适合于简单的数据交换和易读性要求较高的场景。

weixin_68115991的博客 1895

evo——lio_sam——NCLT数据集

转换后的名字默认为odometry.tum,可修改名为NCLT4_old_1.tum,后与真值groundtruth.txt对比。ncltTum.cpp——将原作者的groundtruth格式转换为tum格式的程序文件。1.新建ncltTum.cpp文件和groundtruth_tum.txt文件。附件:groundtruth.csv格式转换为tum格式(7列转为8列)groundtruth_tum.txt——用于存放tum格式的真值文件。4.录制结束后,将bag包格式转化成tum格式。

weixin_68647501的博客 847

开源 AHB不对称半桥反激电路设计(六)死区时间,谐振腔电流,谐振电感函数表达式

电流跌落可以使副边电流峰值和有效值降低,减小损耗,但如果开关管 S2 导通期间,谐振电流谐等于励磁电流,即副边电流A 点降至 0,会在原边变压器内形成环流,产生损耗,同时也不利于副边同步整流管驱动的正常工作,为了保证开关管 S2 导通期。在开关管 S1 和开关管 S2 均关断的死区时间内,谐振电流给原边开关管结电容和副边整流管结电容充放电,因此会引起开关 S1 关断瞬间电流跌落与开关 S2 关断瞬间电流震荡现象,受寄生参数影响原边谐振电流波形和副边电流波形如图。降到最低,变压器以最高效率向副边传递能量。

【Simon】的博客 1231

nodejs 使用protobufjs

安装 protobufjs npm install -g protobufjs lm.message.proto package lm;  message helloworld  {     required int32     id = 1;  // ID     required string    str = 2;  // str     optional int32     op...

guoyilongedu的专栏 2526

ComfyUI 的 LoRA 训练:秋叶 LoRA-scripts 参数设置与测试方法详解

秋叶 LoRA-scripts 的参数设置需结合理论(如模型原理、优化器机制)和硬件条件(显存、算力),新手可先按推荐值起步,再逐步调整。测试时,loss 值帮你判断训练是否正常,XYZ 图表法帮你找到最佳使用参数。掌握这些知识,你就能避开 LoRA 训练的常见坑,从 “盲目调参” 变为 “精准训练”。

2301_78150483的博客 2405

nodejs解析protobuf文件

一、protobuf介绍: 1. 什么是protbuf 是google 的一种数据交换的格式,它独立于语言,独立于平台。google 提供了多种语言的实现:java、c#、c++、go 和 python,每一种实现都包含了相应语言的编译器以及库文件。由于它是一种二进制的格式,比使用 xml 进行数据交换快许多。可以把它用于分布式应用之间的数据通信或者异构环境下的数据交换。作为一种效率和兼容性都很...

len_yue_mo_fu的博客 2824

【随机过程】第二章——随机过程概论

随机过程概论,说明《随机过程》课程的教学大纲,对随机过程概念、研究对象和研究方法做了简要介绍。

weixin_45225032的博客 1367

如何有效使用Project(1)——编制进度计划、保存基准

1.前言: 软件产品的研发、升级、定制等,一般都是以项目的形式进行,此时项目进度计划以及资源使用情况就变成了项目经理关注的重点。如何让项目计划有效可控,及时暴露问题?如何查看资源的负荷情况,看资源分配是否合理。 当然,如果你的公司已经实施了专门的PM软件来监督管控,可以忽略本文。否则,你可以用微软的Project来做到这一工作。 我也算是一个专业的从事PM软件产品的人(虽然我们的客户都是制造...

weixin_34236869的博客 2115

Protobuf 和JSON 性能分析

从官方页面:协议缓冲区是 GOOGLE 用于序列化结构化数据的语言中立、平台中立、可扩展机制——想想 XML,但更小、更快、更简单。您只需定义一次数据的结构化方式,然后就可以使用特殊生成的源代码轻松地将结构化数据写入和读取各种数据流,并使用各种语言。因此,协议缓冲区是一种有效编码结构化数据的方法。它提供了通过使用规范语言定义其模式来创建数据结构的灵活性。规范语言不是用任何语言编写的,您可以使用 proto 文件语法定义消息。这些消息用于以特定格式对数据进行编码,以使消息大小更小。...

3077

Abel逆变换及其求解方法

Abel逆变换常应用在轴对称的、光学薄的火焰、羽流或等离子体重建。

weixin_49783507的博客 8386

从轨迹文件到性能图表:手把手教你用evo全面评测LIO-SAM在KITTI上的表现

本文详细介绍了如何使用evo工具集对LIO-SAM在KITTI-07数据集上的轨迹文件进行全面评测,包括基础指标计算、高级图表生成以及结果解读。通过ATE和RPE分析,帮助研究者量化SLAM算法的定位精度和建图质量,并提供优化建议。

weixin_42531516的博客 428

【4. BSP开发指南 - [4.6. 安全启动使用说明]】

【4. BSP开发指南 - [4.6. 安全启动使用说明]】

Sugar_wolf的博客 276

全网最详细教程,手把书教你使用YOLOv10训练自己的数据集和推理(附YOLOv10网络结构图)

YOLOv10,由清华大学多媒体智能组只开发,是一款亳秒级实时端到端目标检测的开源模型。该模型在保持性能不变的情况下,与YOLOv9相比,延迟减少了46%,参数减少了25%,非常适合需要快速检测物体的应用,如实时视频分析、自动驾驶和智能医疗等领域。这些改进使得YOLOv10在实时物体检测领域达到了新的技术水平。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1万+

避坑指南:LIO_SAM评估KITTI轨迹时,你可能会遇到的格式与时间戳对齐难题

本文深入解析了LIO_SAM算法在评估KITTI数据集轨迹时遇到的格式转换与时间戳同步难题。通过对比KITTI odometry与raw data的差异,详细介绍了TUM格式与KITTI 12列格式的转换方法,并提供了时间戳同步的实用技巧,帮助开发者避免评估误差,提升SLAM算法评估的准确性。

weixin_29587015的博客 237

RV1126笔记二十七:MetaRTC6移植

MetaRTC6移植

6038

避坑指南:用EVO评估FAST-LIO2精度时,你的Ground Truth数据格式真的对了吗?

本文详细解析了使用EVO工具评估FAST-LIO2精度时常见的Ground Truth数据格式问题,包括时间戳对齐、坐标系定义差异和姿态表示方式等关键因素。通过对比主流格式和提供转换示例,帮助开发者避免评估误差,确保SLAM系统精度评估的准确性。

weixin_30772105的博客 401

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

保姆级教程:手把手教你用LIO_SAM跑通KITTI 08序列(附完整数据下载与格式转换指南)

本文提供了一份详细的LIO-SAM在KITTI 08序列上的实战指南,涵盖环境配置、数据获取、格式转换、系统运行及轨迹评估全流程。特别针对SLAM技术中的时间戳同步和点云数据处理等关键问题提供解决方案,帮助开发者高效实现激光雷达惯性里程计与建图。

weixin_33158887的博客 347

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

SLAM轨迹评估神器evo:从安装到实战,5个常用命令详解(附避坑指南)

本文详细介绍了SLAM轨迹评估工具evo的安装配置与核心使用方法。针对中高级开发者,重点解析了evo_traj、evo_ape、evo_rpe、evo_res五大命令的实战应用,涵盖轨迹可视化、绝对/相对位姿误差分析及多结果对比,并提供了处理常见数据格式和同步问题的避坑指南,帮助量化评估SLAM算法性能。

banana的博客 182

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

保姆级教程:手把手教你用LIO_SAM复现KITTI 08序列(附完整数据下载与处理流程)

本文提供了一份详细的LIO_SAM在KITTI 08序列上的复现指南,涵盖环境配置、数据下载与预处理、LIO_SAM安装与配置、运行评估及常见问题排查。通过手把手教学,帮助初学者掌握SLAM算法在KITTI数据集上的应用实践,提升自动驾驶领域的开发能力。

weixin_34122532的博客 305

别再为9轴IMU发愁了!用LIO-SAM_6AXIS开源项目,5分钟适配你的6轴传感器

本文介绍了如何利用LIO-SAM_6AXIS开源项目快速适配6轴IMU传感器,解决传统LIO-SAM在6轴设备上的适配难题。通过虚拟姿态生成和动态权重调节等创新方法,开发者可在5分钟内完成部署,显著提升SLAM系统的稳定性和精度。文章还提供了详细的配置指南、性能对比及典型问题解决方案,助力机器人导航和定位项目高效实施。

weixin_30851867的博客 594

开源SLAM选型全攻略:从传感器约束到evo实测评估

SLAM是机器人自主定位与建图的基础技术能力,在室内配送机器人、扫地机器人、无人机和AR设备中,定位精度与地图质量直接决定后续导航与避障的成败。视觉SLAM依赖环境纹理,激光SLAM在几何退化场景下易丢失约束,视觉惯性紧耦合与多传感器融合方案正成为提升鲁棒性的主流趋势。不同传感器组合、计算平台和应用场景,决定了ORB-SLAM3、VINS-Fusion、LIO-SAM、Cartographer等开源方案的适用边界。开源SLAM生态繁荣,但方案评估成本高,仅凭GitHub star数无法判断在自有硬件与场景中

weixin_42528090的博客 215

从KITTI-04到07:一次LIO-SAM参数调试与数据集选择的实战复盘

本文深入探讨了LIO-SAM算法在KITTI-04和KITTI-07数据集上的参数调试与适配实践。通过分析不同序列的运动特性,优化IMU噪声参数、运动约束和点云匹配设置,显著提升了算法在高速场景下的稳定性。使用evo工具进行定量评估,展示了优化前后的性能对比,为激光雷达惯性里程计的工程实践提供了宝贵经验。

weixin_30664051的博客 321

Ubuntu20.04实战:基于KITTI-07数据集的LIO-SAM部署与evo精度评测全流程解析

本文详细解析了在Ubuntu20.04系统上基于KITTI-07数据集部署LIO-SAM并进行evo精度评测的全流程。从环境准备、数据集处理到源码适配和性能优化,提供了实战经验与排错指南,帮助开发者高效实现激光惯性里程计系统的部署与评估。

weixin_33735077的博客 450
上一篇: 红黑树与小根堆性能对比(java)
下一篇: java volatile关键字详解
fjs_cloud
博客等级 码龄15年 248粉丝 192原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值