weixin_42048023的博客

原创 R3Live系列学习（五）R3Live源码阅读

编译它的时候可能会报“'ScalarBinaryOpTraits' in namespace 'Eigen' does not names a template type”之类的信息，这可能是由于电脑中存在多个Eigen库，可以在电脑上搜索出可能存在的Eigen库，不出意外的话会有包括ScalarBinaryOpTraits的也有没有包括的，直接在CMakeLists里面强行指定include路径，或者屏蔽没包括的那些Eigen库即可。

原创 软件开发随笔：用C++写一个计算密集型适用的自适应线程池

在线程池中，如果为了保守创建较少的线程数，则不能充分利用性能；而创建过多的线程数会有可能在我们使用别的进程时，出现CPU的调度延迟导致缓慢，因为我们的任务是计算密集型，计算时会占用一整个核。在这里我使用一个多余的线程来监听CPU的状态，让线程池可以根据CPU占用率灵活控制本进程的计算量，在最大程度榨取计算机性能的同时保证用户对机器的其他基本操作。

原创 R3Live系列学习（四）R2Live源码阅读（2）

（万字长文预警）由于最近换了部门，有许多要交接的事情要忙，并且设计开发了一个大型的视觉地图养成系统，非常有意思乃至于废寝忘食，所以文章鸽了很久，这一篇克服拖延症，将r2live的阅读写完。r2live的状态估计依然是采取ESKF的方式，这部分一直都是大多数人（像我这种蠢人）的痛点。在这里真诚推荐一本“中篇小说”《Quaternion kinematics for the error state KF》，它确实能够成为本系列博客乃至多传感器融合领域的一种预备知识。...............

原创 R3Live系列学习（三）R2Live源码阅读（1）

这次阅读的源码是R2Live，论文为《R2LIVE: A Robust, Real-time, LiDAR-Inertial-Visual tightly-coupled state Estimator and mapping》。

原创 R3Live系列学习（二）FAST-LIO源码阅读

FAST-LIO基于IEEKF（迭代误差KF）的紧耦合建图方法，鲁棒性较loam-livox提升了一档，在非常极端的运动下也有可能维持住位姿。它的论文是《FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter》。...

原创 R3Live系列学习（一）Loam-Livox源码阅读

对SLAM的学习从未停止，再来开个新坑~近日火星实验室提出了又一个大作“R3Live”，它生成了纹理贴合不错的彩色点云，甚至还重建成了mesh带入到游戏中，使人身临其境。罗马不是一天建成的，这一大作是沿袭了该实验室多年来的积累，结合了vins-mono、fast-lio等里程计的特性，加上livox雷达的稠密点云属性（他们超喜欢livox雷达），目前为止是我看视频看到的最好建图效果，可惜还没开源，因此我准备沿着他们的发展道路，一步步来学习，乃至复现。...

原创 一种通过模仿SIFT特征实现基于二维地图的初定位方法

原创 记录一下ubuntu16编译caffe以及在c++工程中调用caffe接口的过程

请珍惜2020年还在用caffe做深度学习的人，当然，为了兼容之前的代码，以及照顾大多数人的习惯，我选择在c++工程中直接调用caffe模型，一是避免使用python降低运行速度，二是避免了多进程通信，这样我们能选择的深度学习框架就比较有限了。这篇文章希望能帮助在较为纯净的环境中搭建caffe框架的同学们。一、下载caffe与准备工作git clone https://github.com/BVLC/caffe.git1、将Makefile.config.example改为Makef.

原创 来用C++实现八叉树以及解决点云的均匀降采样问题

点云降采样

原创 VINS-MONO源码阅读（三）滑动窗口与边缘化方法

​void MarginalizationInfo::preMarginalize(){ for (auto it : factors) { it->Evaluate(); std::vector<int> block_sizes = it->cost_function->parameter_block_sizes(); for (int i = 0; i < static_cast<int&gt.

原创 VINS-MONO源码阅读（二）紧耦合的相机定位

当在线初始化完成之后

原创 HDL-localization源码阅读

在一般的激光定位中，

原创 MSCKF-vio源码阅读

作为一个小白来说，弄明白kf、ekf等滤波方法实属不易，

原创 VINS-MONO源码阅读（一）imu预积分和在线初始化

自从进入了

原创 InfiniTAM v3的使用和源码阅读

最近在学习三维重建方面的知识，而目前效果比较好的算法有KinectFusion（Kinfu）、ElasticFusion、InfiniTAM、DynamicFusion、BundleFusion等，我就不一一介绍了，感兴趣的参考https://www.zhihu.com/question/29885222?sort=created作为Ubuntu爱好者，在综合了编译环境、编译难度、建模效果的前提下，选择了InfiniTAM v3作为切入点，发现它的表现已经能让人满意，除了未着色外。...

原创 ORB_SLAM2源码阅读（三）相机定位

我们继续上一节的tracking部分，三、位姿估计说到位姿估计就不得不翻开《多视图几何》这本大部头才能看懂作者的源码。回到Track函数，作者为相机设计了两种运行模式，分别是匀速运动模式和关键帧匹配模式。bool Tracking::TrackWithMotionModel(){ ORBmatcher matcher(0.9,true); // Update last frame pose according to its reference keyframe //

原创 ORB_SLAM2源码阅读（二）初始化过程

SLAM的后端一般是利用滤波器或图结构进行增量式的分析，分为filter式和graph式的SLAM方法。本工程是采用g2o进行图优化，相比ceres，g2o更为简单粗暴，它无需构造误差函数，直接利用封装好的模块构造不同编号的位姿间的连接，并根据编号进行回环的更新。最后用一张搓搓的图来表示整个工程的流程，我们可以清晰地看到，前端作为位姿估计，为后端提供初始位姿，而后端使用的图优化方法进行综...

原创 ORB_SLAM2源码阅读（一）概要

最近入手一个可爱的单目摄像头，

原创 v-loam源码阅读（四）深度图点云与建图部分

在这一套代码中，激光部分其实是比较简略的，

原创 v-loam源码阅读（三）光束平差法和位姿融合

又到了人见人爱的bundle adjustment部分，这里只涉及了三个话题，接收了来自StackDepthPoint的深度图，以及ba优化前后的里程计信息。 ros::Subscriber depthPointsSub = nh.subscribe<sensor_msgs::PointCloud2> ("/depth_points_stacked", 1, depthPointsHandler); ros::

原创 v-loam源码阅读（二）视觉里程计

再转到VisualOdometry这一节点，这是我们在loam系列中没有接触过的，但对于熟悉视觉里程计的我们来说也不算太难，根据论文，前端是采用msckf作为视觉里程计，但根据本篇代码来看更偏向于继承loam非线性优化的特征点匹配方法，我们重点学习之前没有完全搞懂的imu处理部分。首先看到本节点所涉及的话题，它接收视觉特征查找节点的特征点、深度图节点的转化为深度信息的雷达点云、imu信息，发布的话题包括ros::Subscriber imagePointsSub = nh.subscribe&lt

原创 v-loam源码阅读（一）视觉特征

在一开始写lego-LOAM的时候，我就对v-loam有所耳闻，毕竟同出于大神之手，但我一直错误地以为它是将视觉与激光雷达点云融合成一个大型的rgbd，就像我之前的某种错误的打开方式。。。...

原创 move_base中的actionlib机制的源码探析

actionlib是

原创 记录一下将yolov3模型移植到海思H35系列芯片的步骤

海思芯片的nnie加速器可谓是黑科技了，可以在不到100元的2个gpu核的芯片上跑yolov3，对于菜狗来说吸引力很大，但是一般在x86上运行的darknet可执行文件是没法在芯片上运行的，需要严格执行以下步骤：1、将darknet模型转换为caffemodel海思h35系列目前只支持caffe模型，因此需要先将darknet转换为caffemodel①caffe模型缺少上采样层，目前已手动加入，一起编译②运行darknet2caffe.py，9012年了，Python2可能会出很多问题了，

原创 重读数据结构之爬楼梯问题（动态规划）

leetcode能让人身心愉悦（误），每天抽出一点时间做一道题更是养生之道。那么，

原创 软件开发随笔：用C++实现上下层级的类的数据共享

一般在工程的实现中，我都喜欢把oop发挥到极致，也就是把一切都封装成类，并且用指针实现类之间的层级调用，那么在面临类之间的数据流通与共享时，存在一个原则，称作接口与实现分离，下层的类提供那么，假设现在存在“积重难返”的局面，之前由于太菜，或者考虑不周到，或者万恶的产品经理又新增了一些需求，没有...

原创 ros源码分析（四）service的实时反馈机制

服务（service）向来不是一个陌生的词汇，它在我们的领域一般成对存在，分为客户端和服务器，客户端提出请求，服务器处理并给予回应。在ros节点间的通信过程中，如果需要获取对面进程的一些信息，利用话题通信需要两次来回通讯来确认该次请求与回复（有点像TCP/IP的握手），而调用ros service则只需要一次通信，因此它也广泛使用在机器人等ros软件不同层级的指令调用中。那么，与话题通信的分析...

原创 Jetson tx2 配置Yolov3与deep-sort环境的具体步骤

首先明确的一点是，tx2是arm内核并自带cuda9.0，至于cudnn的版本也需要得知，用cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2 进行查看，tx2自带的cudnn版本为7。一、安装opencv（python）在python3中需要用到opencv 3.4.0 在 python3.5中的安装，检查是否成功的方法是用python3.5...

原创 ros源码分析（三）ros::spin( )背后发生的事

接收器subscriber的demo大家也耳熟能详，它和发布器一样，在nodehandle中调用subscribe函数，实现话题名与回调函数的注册，而在进程的main函数中，又在调用ros::spin函数，那么就从这两个部分依次分析接收器的原理。一、subscribe的声明在node_handle.cpp中，subscribe函数的声明如下，template<class M,...

原创 ros源码分析（二）topic调用了publish之后发生了什么？

隔了很久才写第二篇实在是抱歉。继续从ros wiki的角度下手，最开始接触的publisher和subscriber的demo十分经典，而进程间通信这一过程本身就是它的最大卖点，发布器、接收器这样的名词以及advertise、publish这样简单易懂的API更是焕然一新，回过头来研究它的实现方式，是从了解、掌握到熟悉ros的必要过程。publisher的实现，在demo中的实现为如下，那么N...

原创 ros源码分析（一）从ros::init开始

在初次接触ros时，roswiki告诉我们ros是一种通信中间件，能够通过近乎完美的封装，实现进程之间的通信，使得数据传输省略了冗长的socket编写。而之后的学习与应用中，我们主要是基于这一既定事实进行愉快的代码编写与GUI的使用，对它本身的实现机制并不需要了解，接触ros若干年的时间里，也没有考虑过打开它的头文件去阅读这一切，直到今年出现了ros话题与服务阻塞的巨大问题。有一说一，计算机在...

原创 三维SLAM算法SegMap源码阅读（三）后端篇

在slam的过程中，再精确的前端也会带入一些细小误差，强如lego_loam的特征匹配也会偶尔陷入局部最优，看不出来只是因为尺度还不够大而已!-_-。像经典的小场景建图算法gmapping，它相当于只携带了前端的里程计误差模型，不太适用于颠簸的路面，也容易在大场景中走偏。在大尺度的建图中，一般需要具备一个监管者来时刻协调之前的轨迹，这便是slam的后端模型，它一般充斥着非线性优化、位姿图、图优化等...

原创 三维SLAM算法SegMap源码阅读（二）前端篇

上一篇对SegMap整体的流程与模块进行了概括，接下来我们看看slam的前端部分。一、匹配器SegMatch是SegMap的最大创新点，利用点云分割进行地图的语义化，能够更好的实现回环。这篇论文的地址是https://arxiv.org/pdf/1609.07720.pdf。// SegMatch objects. segmatch_ros::SegMatchWorkerPara...

原创 三维SLAM算法SegMap源码阅读（一）概要篇

今天来阅读一下比较前沿的三维点云与SLAM技术的SegMap，望文生义，它是基于点云的分割（segmentation）与语义识别，从而降低数据的处理量，这样也降低了对环境的依赖，增强了鲁棒性。要注意，在下载源码的同时需要下载laser_slam包，地址为https://github.com/ethz-asl/laser_slam，这个模块是slam的前端模块。我们先看看运行它的launch文件...

原创 记录一下TX2，ros，Python，opencv与TensorFlow的血海深坑

最近为了让机器人更加聪慧而善解人意，准备在英伟达的TX2上开发一下视觉目标检测与速度预判，需要一种比较好的方案，因此选择了Retinanet（Resnet）残差网络进行图像的识别。它需要配置TensorFlow1.4.0以上级别的框架，以及Python3.5，于是乎步入了血海深坑至今酸爽不已。接下来是需要注意的坑（对于菜狗来说，很多都是坑，让大神见笑了）：一、ARM内核与X86内核是不同的，在...

原创 哈希表的C++实现

哈希表是一种基于键值映射的快速搜索的数据结构，时间复杂度基本上是O(1)。针对键与值的映射，我们通过哈希函数（散列函数）来实现，它大致有数字分析法、平方取中法、折叠法、除留余数法等，而除留余数法对我们来说最为常见，也更适合初学者理解。但是在取余的过程中可能会导致散列冲突，在这里先用开放定址法中的线性探测法实现。哈希表目前在STL中的实现是unorder_map，非常好用，今天试着自己实现一个：...

原创 三维SLAM算法LeGO-LOAM源码阅读（四）

最后一个部分是对位姿信息的融合计算，难得代码不长，先看看构造函数：//综合后发送的里程计信息pubLaserOdometry2 = nh.advertise<nav_msgs::Odometry> ("/integrated_to_init", 5);//特征匹配时粗配准的里程计信息subLaserOdometry = nh.subscribe<nav_msgs::O...

原创 三维SLAM算法LeGO-LOAM源码阅读（三）

再来看看第三部分，这一节是建图部分，与原有LOAM不同的是增加了回环检测，我们可以用经典的graphSLAM的思想来看它的过程。定位到主函数，它与上一个节点类似，也是一个run函数不停轮转，它对实时性要求较高。void run(){ if (newLaserCloudCornerLast && std::abs(timeLaserCloudCornerL...

原创 三维SLAM算法LeGO-LOAM源码阅读（二）

接下来是featureAssociation.cpp，里程计部分，它分为特征点的提取与匹配两部分。这是一个非常长的代码，首先进入主函数：int main(int argc, char** argv){ ros::init(argc, argv, "lego_loam"); ROS_INFO("\033[1;32m---->\033[0m Feature Associ...

原创 三维SLAM算法LeGO-LOAM源码阅读（一）

LeGO-LOAM是LOAM的增强版，在LOAM的基础上增加了回环检测。论文地址：https://github.com/RobustFieldAutonomyLab/LeGO-LOAM/blob/master/Shan_Englot_IROS_2018_Preprint.pdf它分别由点云分割、特征提取、激光里程计、激光建图组成，算法思想与RGBD-SLAM有些类似，系统通过接收来自三维激光雷...