<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[haishaoli的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/haishaoli</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; haishaoli]]></copyright><item><title><![CDATA[智能硬件新产品开发逻辑]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/103046433</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/103046433</guid><author>haishaoli</author><pubDate>Wed, 13 Nov 2019 11:53:30 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[信息与不确定性]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/96590021</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/96590021</guid><author>haishaoli</author><pubDate>Sat, 20 Jul 2019 14:43:45 +0800</pubDate><description><![CDATA[最近学习了吴军的《信息论40讲》，深有感触，有感而发！

本博文想要给你传递（或者说洗脑）两个主要观点：

“信息是可以量化的，用事件的不确定性表示”，

“增加相关信息，会减小其不确定性”。

咱们先搞清楚以下五个概念，他们是层层递进的。

信息量
	信息熵
	交叉熵
	相对熵
	互信息
一、信息量

咱们一起来玩一玩Yes or No的游戏。随便你问什么都可以，但我的答案只有YES或者NO。
...]]></description><category></category></item><item><title><![CDATA[粒子滤波实现及推导]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/80044976</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/80044976</guid><author>haishaoli</author><pubDate>Mon, 23 Apr 2018 00:00:31 +0800</pubDate><description><![CDATA[一、应用example：机器人全局定位粒子滤波实现过程解读二、推导从贝叶斯到粒子滤波三、工程化细节探讨这是草稿，待完善。]]></description><category></category></item><item><title><![CDATA[占据栅格地图（occupancy grid maps） -- 二值贝叶斯滤波应用]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/79647594</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/79647594</guid><author>haishaoli</author><pubDate>Thu, 22 Mar 2018 00:09:40 +0800</pubDate><description><![CDATA[    其实，我想讲的关键点是二值状态的最优估计问题，而不仅仅是栅格地图。    Anyway，that is a good example.    机器人的地图表示方式有多种，如拓扑地图、特征地图、直接表征法、栅格地图等。其中，栅格地图应用广泛，方便用于机器人的导航规划中（我也比较喜欢）。以下地图就是栅格图表示（每一个像素可以认为是一个格子），图一是概率机器人书本中的例子，图二是国内某品牌扫地机...]]></description><category></category></item><item><title><![CDATA[《概率机器人》第一章：绪论]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/79344823</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/79344823</guid><author>haishaoli</author><pubDate>Wed, 21 Feb 2018 23:35:03 +0800</pubDate><description><![CDATA[    心血来潮，咱们聊一聊这本书吧。    希望我能把整本书都讲一遍，立个flag（通常很容易打脸的）；同时也希望各位看官能支持一下，多多评论和分享，这是我写下去的动力，哈哈。    这是机器人，尤其是移动机器人的圣经书籍之一。对于从事相关领域的小伙伴，我无比强烈的推荐阅读。    从目录上看，本书从基础知识开始介绍，重点谈了定位、建图、规划、控制这四个方面。        第一章，我觉得最值得...]]></description><category></category></item><item><title><![CDATA[移动机器人入门介绍]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/77924314</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/77924314</guid><author>haishaoli</author><pubDate>Sun, 10 Sep 2017 19:40:32 +0800</pubDate><description><![CDATA[移动机器人技术应用：

天上飞的，水里游的，地上跑的，都可以应用移动机器人领域的技术。


比如说，1、工业机器人，搬运机器人（AGV）；2、商用机器人：无人车、无人机、送餐机器人、导览机器人；3、消费类机器人：扫地机。




移动机器人的核心技术紧紧围绕着“感知”、“决策”、“执行”这三方面。

关键技术一：定位与建图（slam）。介绍如下（以下大部分摘自“www.sl]]></description><category></category></item><item><title><![CDATA[卡尔曼滤波从应用到推导 -- kalman学习笔记]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/61617687</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/61617687</guid><author>haishaoli</author><pubDate>Sun, 12 Mar 2017 14:43:20 +0800</pubDate><description><![CDATA[一、应用：估计小车的运动状态，以我们的底盘为例。1. 数学模型：2. 实现效果（Code runing）：二、原理：流程和反馈图，参数的意义。1. 线性模型假设2. 卡尔曼滤波工作原理图：三、推导：五条方程式的推导过程。1. 非线性过程的卡尔曼滤波器2. 线性过程的卡尔曼滤波器总共五个方程，每个方程的推导如下：①这个是预测模型，线性方程模型，人为建立的。②这个是预测值和真实值之间误差协方差矩阵。其...]]></description><category></category></item><item><title><![CDATA[学习SLAM需要哪些预备知识？]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/53391902</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/53391902</guid><author>haishaoli</author><pubDate>Tue, 29 Nov 2016 14:01:30 +0800</pubDate><description><![CDATA[来源/知乎 立党。机器人内参编辑整理。



一、首先搬出宝典书






　　首先搬出宝典：Multiple View Geometry in Computer Vision[http://www.robots.ox.ac.uk/~vgg/hzbook/]。这本书基本涵盖了Vision-based
 SLAM这个领域的全部理论基础！读多少遍都不算多！另外建议配合Berk]]></description><category></category></item><item><title><![CDATA[激光雷达(LDS)技术原理解释及实现过程]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/53150380</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/53150380</guid><author>haishaoli</author><pubDate>Sun, 13 Nov 2016 18:01:40 +0800</pubDate><description><![CDATA[一、激光雷达（LDS）简介


激光雷达应用举例：现在自主移动机器人领域非常火爆，无人车、无人飞机、水下机器人、仓储机器人、扫地机等应用层出不穷。激光雷达传感器是地面移动机器人的标配，一些空中机器人也必须使用激光雷达。
国内市面上激光雷达举例：乐行天下(Inmotion)的激光雷达IMLidar，官方网址是http://robot.imscv.com/。其性能稳定可靠，国内前列。具体数据见]]></description><category></category></item><item><title><![CDATA[姿态解算系列一：经验型卡尔曼数据融合]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/52965457</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/52965457</guid><author>haishaoli</author><pubDate>Sat, 29 Oct 2016 17:02:20 +0800</pubDate><description><![CDATA[目的：我们需要得到机器人运动的姿态信息，三个轴的角度以及角速度。


本文大纲：



1、传感器相关模型 
2、坐标变换   
3、卡尔曼数据融合
4、姿态解算流程 
5、DMP 
6、数据融合效果 





本文内容：


姿态解算总框图（欧拉角方式）：








一、数据模型、 噪声模型及曲线



1、欧拉角定义：]]></description><category></category></item><item><title><![CDATA[一谈专业学习与生活、思维之间的二三事]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/52964919</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/52964919</guid><author>haishaoli</author><pubDate>Sat, 29 Oct 2016 15:42:58 +0800</pubDate><description><![CDATA[一谈专业学习与生活、思维之间的二三事
李少海/张伟川     2013
在深圳度过的三个大学春秋，发生了太多太多。这里聊的是大学里有关学习的那些琐碎的事儿，这些小事并不轰轰烈烈，却也能够让我感慨良多。
这是我对大学三年的学习生涯的一点想法：
 
生活的输入与学习的输出。
革命的本钱是身体，这是一句大家耳熟能详的老话了。这句话也道出了想要好好学习所必须具备的基本条件——有一个好身体。当然]]></description><category></category></item><item><title><![CDATA[镜头成像用CCD与CMOS的差异]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/52963445</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/52963445</guid><author>haishaoli</author><pubDate>Sat, 29 Oct 2016 11:23:58 +0800</pubDate><description><![CDATA[本文出处:微信公众号，“光学人生”。


CCD与CMOS传感器是当前被普遍采用的两种图像传感器，两者都是利用感光二极管(photodiode)进行光电转换，将图像转换为数字数据，而其主要差异是数字数据传送的方式不同。

　　如下图所示，CCD传感器中每一行中每一个象素的电荷数据都会依次传送到下一个象素中，由最底端部分输出，再经由传感器边缘的放大器进行放大输出；而在CMOS传感器中，每个]]></description><category></category></item><item><title><![CDATA[ROS系列之初识gmapping（转载）]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/52891763</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/52891763</guid><author>haishaoli</author><pubDate>Sat, 22 Oct 2016 13:23:07 +0800</pubDate><description><![CDATA[ROS系列之初识gmapping（转载）





本文出处：http://www.cnblogs.com/wenhust/p/5960973.html

简介
ROS 提供的 gmaping 包是用来生成地图的，它是对著名的开源 OpenSlam 包在 ROS 框架下的一个实现。这个包提供了对激光设备的 Slam,根据激光设备的输入和姿态数据从而建立一个基于网格的的2D地图。它]]></description><category></category></item><item><title><![CDATA[Cartographer初体验（转载）]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/52891755</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/52891755</guid><author>haishaoli</author><pubDate>Sat, 22 Oct 2016 13:21:15 +0800</pubDate><description><![CDATA[Cartographer初体验（转载）





原文出处：http://www.cnblogs.com/wenhust/p/5961017.html

Cartographer简介
Cartographer is a system that provides real-time simultaneous localization and mapping (SLAM) in 2D]]></description><category></category></item><item><title><![CDATA[SLAM学习资料整理（转载）]]></title><link>https://blog.youkuaiyun.com/haishaoli/article/details/52891728</link><guid>https://blog.youkuaiyun.com/haishaoli/article/details/52891728</guid><author>haishaoli</author><pubDate>Sat, 22 Oct 2016 13:15:48 +0800</pubDate><description><![CDATA[SLAM学习资料整理（转载）




原文出处：http://www.cnblogs.com/wenhust/p/5942893.html
书籍：
1.必读经典
Thrun S, Burgard W, Fox D. 《Probabilistic robotics》[M]. Cambridge, USA: MIT Press, 2005
《Principles of Robot M]]></description><category></category></item></channel></rss>