guoyunlei的博客

这是介绍机器人定位算法的第四篇-粒子滤波。相对之前提到的卡尔曼滤波，它没有线性高斯分布的假设；相对于直方图滤波，它不需要对状态空间进行区间划分。粒子滤波的思想粒子滤波算法采用很多粒子对置信度bel(x(t))进行近似,每个粒子都是对t时刻机器人实际状态的一个猜测。越接近t时刻的正确状态描述的粒子，生成的概率越大。粒子更新的过程类似于达尔文的自然选择机制，与当前Sensor测量状态越匹配的粒子，有更...

问问题描述发生时间：2018年4月5日系统版本：Ubuntu16.04和win10双系统安装方法：完完全全按照百度经验进行安装问题描述：安装完成重启之后，出现了黑屏现象，而且屏幕左上角一直有白色光标闪动，等了很久没有变化。解决方法1、将刚刚安装系统用过的Ubuntu启动盘插在电脑上，电脑开机，从这个启动盘启动，方法和安装系统时一样；2、这次不是选在安装Ubuntu，而是选择试用Ubuntu；3、进...

Introduction        卷积神经网络CNN，虽然它听起来就像是生物学、数学和计算机的奇怪混杂产物，但在近些年的机器视觉领域，它是最具影响力的创新结果。随着Alex Krizhevsky开始使用神经网络，将分类错误率由26%降到15%并赢得2012年度ImageNet竞赛（相当于机器视觉界的奥林匹克）时，它就开始声名大噪了。从那时起，一票公司开始在它们的核心服务中使用深度学习技术。例...

目前视觉方案做ADAS既有双目也有单目，两者在距离检测上用了不同的技术路线，产品化时也存在各自优缺点ADAS功能的第一步是感知，也就是观察车辆周边负责的路况环境。在这个基础上才能做出相应的路径规划和驾驶行为决策。目前感知所采用的传感器包含各种形式的雷达、单目摄像头、双目摄像头等，或是由这些传感器进行不同组合形成的感知系统，而这些传感器件各有利弊，传感器融合是大势所趋。在这其中，摄像头不可或缺，可以

例子滤波方法入门：分析典型非线性系统数学模型     主要内容：     1、非线性数学模型     2、

1. 写在前面最近在看视频跟踪方面的一些硕博士毕业论文，几乎看到的每一篇都会涉及到粒子滤波算法，所以这段时间花了很多时间在看相关的内容。浏览了大量的博客和文章，跟着不停推导公式，感觉还是无法完全掌握，无法将这个抽象的数学模型和实际应用中联系起来，不过随着时间推移，推导的更多，思考的更多，理解的也越来越透彻了，这里做一下笔记，一方面整理一下思路加深自己的理解，另一方面也给这篇

前言    模板匹配是在图像中寻找目标的方法之一。Come On, Boy.我们一起来看看模板匹配到底是怎么回事。 模板匹配的工作方式    模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。    假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：  （

在学习指针的时候，得到指针的定义和数组的定义一样，但是这时候就很好奇，指针只是一个地址，那数组和指针一样的话，sizeof时怎么得知其长度呢。于是百度了下面的回复： 千万不要把数组名看成指针，尽管有些时候他们是相通的，但也仅限某些时候而已。sizeof是一个奇特的函数，告诉你你也许不相信——sizeof在编译的时候就已经确定sizeof的结果了，这有点类似于宏。

运动目标跟踪算法综述　　运动目标跟踪是视频监控系统中不可缺少的环节。在特定的场景中，有一些经典的算法可以实现比较好的目标跟踪效果。本文介绍了一般的目标跟踪算法，对几个常用的算法进行对比，并详细介绍了粒子滤波算法和基于轮廓的目标跟踪算法。最后简单介绍了目标遮挡的处理、多摄像头目标跟踪和摄像头运动下的目标跟踪。一、一般的目标跟踪算法　　一般将目标跟踪分为两个部分:特征提取、目标

原文地址：http://blog.youkuaiyun.com/jinshengtao/article/details/30970733推荐大家看论文《An adaptive color-based particle filter》这次我直接截图我的硕士毕业论文的第二章的一部分，应该讲得比较详细了。最后给出我当时在pudn找到的最适合学习的实现代码

参考地址1：https://wenku.baidu.com/view/c5b1da2f524de518974b7d3d.html参考地址2：http://www.cnblogs.com/190260995xixi/p/5945652.html参考地址3：http://www.cnblogs.com/ybjourney/p/4702562.html

导航技术前言： 导航技术的移动机器人技术的核心和关键技术。自主移动机器人的导航就是让机器人可以自主按照内部预定的信息，或者依据传感器获取外部环境进行相应的引导，从而规划出一条适合机器人在环境中行走的路径。定位，就是机器人通过已经观测到的环境信息，结合自身已知的状态进行准确的极端出自身的位姿信息。室内移动机器人导航框架图： 、 导航过程首先要获得相关的地图信息，然后进行路径规划，最后发送数据给机器人...

最小二乘是每个上过大学的同学都接触过的概念与知识点(当然可能纯文科的同学没接触过，但是一般纯文科的同学也不会看这篇文章好像)。最小二乘理论其实很简单，用途也很广泛。但是每次说到最小二乘，总感觉差了点什么似的，好像对于最小二乘的前世今生没有一个特别详细与系统的了解。so，本博主趁着周末的时间，赶紧给详细整理整理，力争把最小二乘是个什么鬼做一个特别详细的说明，争取让学英语学中文学历史学画画唱歌的同学都...

本节我们介绍机器人定位中技术中的卡尔曼滤波(Kalman Filter)，卡尔曼滤波作为连续状态空间问题的一种解决方案，已经成功运用在火星登陆和自动导弹制导等领域。本质上卡尔曼滤波(Kalman Filter)是一置信度为正态分布的贝叶斯(Bayes Filter)滤波器，它的置信度可以表示为一个均值向量和协方差矩阵的形式，均值向量表示可能的状态，协方差矩阵表示该状态的不确定度。前提假设卡尔曼滤波...

在随后的几篇文章中，陆续介绍一些无人驾驶汽车中高精定位相关的技术原理，包括贝叶斯滤波器(Bayes Filter)、直方图滤波器(Histogram Filter)、卡尔曼滤波(Kalman Filter)、粒子滤波(Particle Filter)，这些算法也都是机器人技术中的基础算法。如图，开始机器人不知道自己在哪里，跟人在陌生的环境中一样，一脸茫然，觉得四周哪里都一样，对机器人来说就是在任何...

机器人运动估计系列（番外篇）——从贝叶斯滤波到卡尔曼（中）上一篇文章里介绍了贝叶斯滤波的理论框架，知道了贝叶斯滤波假设了机器人的状态服从某个概率分布，并且知道了如何利用Bayes公式对其概率分布更新。然而，前面的内容仅仅是介绍了其完美的数学原理，实际计算起来却并不适用。在这篇文章中，就将介绍如何通过一系列假设去简化贝叶斯滤波的计算过程。我们将介绍卡尔曼滤波器、扩展卡尔曼滤波器以及无迹卡尔曼滤波器的...

机器人运动估计系列（二）——运动学方程（上）

机器人运动估计系列（二）——运动学方程（上）前言在上一篇文章中，我们了解了用于表示机器人位置、速度的坐标系的定义，学习了如何表示姿态，也就是旋转的三种表达方式：旋转矩阵、欧拉角以及四元数。在这一节的第一部分中，我们将继续讨论在三种旋转表达之间互相转换的方法。之后，我们将以四麦轮小车以及四旋翼为例，推导二者的运动学模型，并分享一些我在学习过程中的一些心得体会。1 各旋转表达方式的转换1.1 欧拉角 ...

机器人运动估计系列（一）——基础介绍作为航空航天类专业毕业，马上要入机器人坑、直博坑的小本科生，要来写这样一个系列的文章，我感到诚惶诚恐。不过，人还是得有一些追求的，写这样一系列文章很难，但是相信对我自己的提升也会不少。当然，作为一名资深小白，出点错误、理解得不透彻的情况很有可能会在这个系列的文章中屡屡出现，到时候还望各位看官不吝赐教。当然，我也将会在未来的学习过程不断勘误。1 什么是机器人的运...

ROS导航包的应用接触ROS系统已经很久了，前段时间终于排除万难，利用ROS Navigation功能包集跑通了基于rplidar 的slam，把自己的一些相关经验可以搬到这里来，记录分享加交流。开发环境Ubuntu14.04+ROS indigo Navigation stack：amcl | base_local_planner | carrot_planner | clear_costmap...

关于amclamcl的英文全称是adaptive Monte Carlo localization，其实就是蒙特卡洛定位方法的一种升级版，使用自适应的KLD方法来更新粒子，这里不再多说（主要我也不熟），有兴趣的可以去看：KLD。 而mcl（蒙特卡洛定位）法使用的是粒子滤波的方法来进行定位的。而粒子滤波很粗浅的说就是一开始在地图空间很均匀的撒一把粒子，然后通过获取机器人的motion来移动粒子，比如...

这个包提供了一种2D代价地图的实现方案，该方案利用输入传感器数据，构建数据2D或者3D（依赖于是否使用基于voxel的实现）占用珊格，以及基于占用珊格和用户定义膨胀半径的2D代价地图的膨胀代价。 此外，该包也支持利用map_server初始化代价地图，支持滚动窗口的代价地图，支持参数化订阅和配置传感器主题。1 概述注意: 在上图中，红色cell代表的是代价地图中的障碍，蓝色cell代表的是通过机器...

一个例子搞清楚（先验分布/后验分布/似然估计）preface： 无论是《通信原理》、《信息论》、《信道编码》还是《概率与统计理论》，或者在现在流行的《模式识别》和《Machine Learning》中总会遇到这么几个概念：先验分布/后验分布/似然估计。如果大家不熟悉这几个词，相信大家熟知贝叶斯公式，该公式涉及到了以上几个概念。但是学完本科课程，也会算题，就是在实际情境中总感觉理不清这几个概念的关...

基于粒子滤波的物体跟踪http://v.youku.com/v_show/id_XMTc1NDQ2ODky.html一直都觉得粒子滤波是个挺牛的东西，每次试图看文献都被复杂的数学符号搞得看不下去。一个偶然的机会发现了Rob Hess(http://web.engr.oregonstate.edu/~hess/)实现的这个粒子滤波。从代码入手，一下子就明白了粒子滤波的原理。根据维基百科上对粒子滤波的...

前言：真实世界中人类的路径规划是对记忆信息和实时感知信息综合分析的过程，在虚拟技术中属于行为控制层级的技术。一，机器人路径规划分类：      1.全局路径规划（环境完全已知）      2.局部路径规划（环境未知或部分未知，通过感知实时获取环境信息）      另外环境又分静态与动态，所以任何路径规划问题均可细分为如下四类之一：      1)全局静态环境路径规划：构型空间法，自由空间法，栅格法...

条件概率首先，理解这两个公式的前提是理解条件概率，因此先复习条件概率。P(A|B)=P(AB)P(B)理解这个可以从两个角度来看。 第一个角度：在B发生的基础上，A发生的概率。那么B发生这件事已经是个基础的条件了，现在进入B已经发生的世界，看看A发生的概率是多少。那么分子就是B发生A也发生，分母就是B这个世界发生的概率了。分母如果是1，那么成了什么意思呢？另一个

物体识别实际上是通过模式识别来是实现的。举个简单的例子，要想识别刚生下来的婴儿是男孩还是女孩，生物书本上有记载，很简单，可以通过生殖器的不同来判别。这是两者的本质区别。但是长大后要想判断是男生还是女生，肯定不能直接扒光人家衣服来判断，这时候就会借助衣着，打扮，头发等特征来判断。这就说明了，有时候要区分两个东西，并不是靠最本质的区别来判定的，毕竟不方便或者很麻烦。这时候就得借助一些所谓的特征来判定。

SOM自组织特征映射神经网络-MATLAB-NCTOOLIn clustering problems, you want a neural network to group data by similarity.A self-organizing map (newsom) consists of a competitive layer which can classify a

广义回归神经网络（GRNN）一、GRNN神经网络概述        二、GRNN神经网络理论基础（如果对理论不感兴趣可直接看GRNN网络结构，网络结构理解更直观）三、GRNN的网络结构注意：一定要理解第三个求和层的概念，求和层有两类，第一类有一个，第二类有T个，T与输出样本的维数有关系，把每个模式层（或隐藏层）当做一个样本输（因为模式层每

竞争神经网络              竞争型神经网络是基于无监督学习（Unsupervised learning）方法的神经网络的一种重要类型，它经常作为基本的网络形式，构成其它一些具有自组织能力的网络，如自组织映射网络、自适应共振理论网络、学习向量量化网络等。       生物神经网络存在一种侧抑制的现象，即一个神经细胞兴奋后，通过它的分支会对周围其他神经细脑产生抑制，这种

ind2vec和vec2ind比较简单，搞明白其中一个，反之另一个就明白了。 先说容易理解的vec2ind吧，从命令名字上可以看出是“向量变索引”，假设一个3*6的稀疏矩阵T(1,:)=[0 1 0 0 1 0];T(2,:)=[1 0 1 1 0 0];T(3,:)=[0 0 0 0 0 1],通过vec2ind(T)将会得到什么？因为通过矩阵知道T是6列

众所周知，Matlab中的rand()函数产生的是伪随机数，但一般用来也可以接受。但是，如果我们知道伪随机数的初始状态，那么产生的伪随机数是唯一确定的。问题来了，Matlab每次启动会重置rand()和randn()的初始状态(重置为0)，也就是说，你产生的随机数会出现两次随机数一模一样的情况，如：[plain] view plain copy

再论RBF神经网络      前言：在此之前也看了不少的博文，但是总是觉得相同的概念不同的博文表达总是不同，同样的RBF神经网路，不同的博文会总结出不同的网络结构，再此还是自己总结一下比较好。本文参考：《Matlab神经网络原理与实例精解》一、RBF神经网络的特点  1、结构简单、收敛速度快、能够逼近任意非线性函数。  2、与BP伸经网络的区别还是输入层与隐含层传递的是范数（之

径向基函数（RBF）神经网络自己的总结：1、输入层到隐藏层之间不是通过权值和阈值进行连接的，而是通过输入样本与隐藏层点之间的距离（与中心点的距离）连接的。2、得到距离之后，将距离代入径向基函数，得到一个数值。数值再与后边的权值相乘再求总和，就得到了相应输入的输出。3、在训练网络之前，需要确定中心点的个数，和中心点的位置。以及求出隐藏层各径向基函数的方差（宽窄

相信每位刚接触神经网络的时候都会先碰到BP算法的问题，如何形象快速地理解BP神经网络就是我们学习的高级乐趣了（画外音：乐趣？你在跟我谈乐趣？）本篇博文就是要简单粗暴地帮助各位童鞋快速入门采取BP算法的神经网络。BP神经网络是怎样的一种定义？看这句话：一种按“误差逆传播算法训练”的多层前馈网络。        BP的思想就是：利用输出后的误差来估计输出层前一层的误差，再用这层

引言在学习线性回归模型的时候就会遇到基函数，可能我们会遇到多项式基函数、高斯基函数、sigmoid基函数，当然在高等数学和信号系统中还经常会碰到傅里叶基。有时候，不禁要问，这些基函数为什么这么设计？这些基函数的作用是什么？后来发现基函数是核方法和字典训练的基础，于是乎，我逐渐有了一些例如特征转换和映射、字典元素的概念。不过还是对基函数与函数空间的关系、基函数的深层认识模棱两可。我希望能

最近在看机器学习的东西发现验证集的（Validation set） 有时候被提起到，以时间没明白验证集的真正用途。首先，这三个名词在机器学习领域的文章中是很常见的，以下是这三个词的定义。 Training set: A set of examples used for learning, which is to fit the parameters [i.e., weights

转载地址：http://blog.youkuaiyun.com/acdreamers/article/details/44657439今天来讲BP神经网络，神经网络在机器学习中应用比较广泛，比如函数逼近，模式识别，分类，数据压缩，数据挖掘等领域。接下来介绍BP神经网络的原理及实现。总结：简单的描述就是，输入层将刺激传递给隐藏层，隐藏层通过神经元之间联系的强度（权重）和传递规

目标跟踪学习笔记_5(opencv中kalman点跟踪例子) 　   一些网络资料　　关于Kalman滤波器的理论,其数学公式太多,大家可以去查看一些这方面的文献.下面这篇文章对Kalman滤波做了个通俗易懂的介绍,通过文章举的例子可以宏观上理解一下该滤波器,很不错,推荐一看: http://www.cnblogs.com/feisky/archive/2009/11/09/159

自组织特征映射网络（SOFM）一、网络结构二、学习算法%% Matlab神经网络43个案例分析% 单层竞争神经网络的数据分类—患者癌症发病预测%% 清空环境变量clcclear%% 录入输入数据% 载入数据load p;%转置后符合神经网络的输入格式P=P';%% 网络建立和训练%