- 博客(111)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 IsaacLab强化学习
IsaacLab环境是构建强化学习任务的核心模块，通过isaaclab.envs提供基础架构，将仿真场景转化为Gymnasium兼容的环境。其核心是ManagerBasedRLEnv类，通过观察、动作、奖励等管理者组件实现模块化设计。项目通过配置文件（如Go2BaseRoughEnvCfg）定义整个强化学习流程，包括指令生成、状态观测、决策执行和奖励计算等环节。这种方式支持通过修改配置而非代码来定制环境，提高了灵活性和可扩展性。典型应用如四足机器人训练，实现了从仿真到强化学习的完整闭环。
2025-07-22 12:02:29
590
原创 evo轨迹评估工具
evo工具是一款用于评估SLAM系统轨迹精度的命令行工具，主要包含六个常用命令：evo_ape（绝对位姿误差评估）、evo_rpe（相对位姿误差评估）、evo_traj（轨迹可视化与格式转换）、evo_res（结果比较）、evo_fig（图像重载）和evo_config（参数配置）。通过evo_config可设置绘图样式、字体、线宽等参数。evo_traj支持读取bag文件、格式转换和多轨迹可视化。evo_ape和evo_rpe分别计算轨迹的全局一致性和局部漂移误差。evo_res可用于对比不同评估结果。该
2025-07-10 21:45:54
967
原创 Object 6D Pose Estimation
物体6DoF位姿估计方法综述 本文综述了基于模板的物体6DoF位姿估计方法。核心问题是通过RGB或深度输入，估计物体在相机坐标系下的6维位姿。现有方法主要分为两类：基于特征匹配的流程（如NeRF-Pose、OnePose等）和渲染比较流程（如Foundation-Pose、Any6D等）。前者依赖特征提取与匹配，后者通过比较渲染与观测图像优化位姿。文章还介绍了FreeZe等零样本方法，利用几何与视觉基础模型协同工作。当前方法仍面临遮挡、对称性等挑战，未来研究将聚焦于提升鲁棒性和通用性。
2025-07-10 21:45:21
1024
原创 三维旋转沿轴分解
本文提出了一种将三维旋转分解为固定参考坐标系绕轴的旋转和正交轴旋转的方法。通过建立优化函数，采用最小二乘法估计，使正交轴旋转角度最小化。推导过程中将目标函数转化为最大化迹函数，并通过求导得到解析解。
2025-07-10 21:43:48
632
原创 IMU误差模型
摘要：惯性测量单元（IMU）包含加速度计和陀螺仪，分别测量线加速度和角速率。理想情况下，它们的坐标系应正交且中心对齐，但实际中存在非正交性、标度误差和偏差等误差。误差分为确定性误差（如偏置、标度、非正交性）和随机误差（如高斯白噪声、偏置随机游走）。确定性误差可通过标定补偿，而随机误差需建模处理。陀螺仪偏置导致角度误差随时间线性增长，加速度计偏置导致位置误差二次增长。高斯白噪声和偏置随机游走分别表现为随机游走和二阶/三阶随机游走误差。SLAM中常用简化IMU模型，仅考虑白噪声和偏置随机游走的影响。
2025-07-10 21:39:30
673
原创 动态物体滤除算法
这类方法的基本假设是：如果一个激光点的光路穿过了另一个激光点，那么另一个激光点就是动态点。这个假设逻辑上完全说得通，但实现起来有两个问题：其一，入射角接近90度时的误杀问题，如下图所示，红色箭头指向的旧点因为与新点（五角星）光路很接近，会被误杀掉，考虑到一帧激光点云本身的角度误差、测距误差、光斑影响等，这种误杀会更严重。
2025-07-10 21:37:57
639
1
原创 具身语义导航算法总揽
本文概述了机器人导航技术的关键方法与发展趋势。端到端方法主要包括模仿学习（IL）、小脑模型（UCBerkly/SHAI Lab）和基于大模型的技术（LLM），代表性工作包括Nomad、NavDP、NavGPT等。模块化方法涵盖GOAT、VLFM、LM-Nav等。重点学者包括提出HM3D-OVON的Naoki Yokoyama、开发Nomad/ViNT的Dhruv Shah，以及NavDP作者蔡文哲、NavGPT开发者吴奇等。这些研究推动了从特定场景到通用导航的技术演进，尤其大模型技术的应用成为新趋势。
2025-06-18 15:18:59
929
原创 具身导航：图像目标导航方法
图像目标导航 ImageGoalNav 在具身导航领域类似于小脑的角色，负责低层级运动规划。本文将综述前沿的图像目标导航算法。
2025-06-17 10:20:20
873
原创 具身导航：模块化方法
具身导航领域展现智能的两类重要任务：ObjectGoalNav寻物任务和InstructionNav指令跟随任务。解决这两类问题的算法按照架构可以划分为 模块化方法和端到端方法。模块化方法即包含明确的感知、规划等模块的算法，本文将综述前沿的模块化方法。
2024-07-25 12:57:23
1035
1
原创 回环检测算法：Stable Trangle Descriptor
回环检测是指检测传感器的两次测量（如图像、激光雷达扫描）是否发生在同一场景，它是对于SLAM问题至关重要。STD-LCD可以高效地检测闭环，并提供可靠的闭环几何变换。此外，它可以处理小重叠回环检测的挑战情况。与其他描述符中使用的多边形相比，三角形更稳定，因为三角形的形状是给定边长（或夹角）唯一确定的。此外，三角形的形状对于刚性变换是完全不变的。与关键点附近的的局部描述符相比，三角形的形状是旋转和平移不变的。
2024-01-16 11:25:42
1671
1
原创 因子图优化
我们常将状态估计问题建模为最大后验估计（MAP）。之所以命名为最大后验估计，是因为它在给定了观测Z的情况下，最大化状态X的后验概率密度pX∣ZXMAPargXmaxpX∣ZargXmaxpZpZ∣XpX上式利用了贝叶斯法则，将后验概率密度表示为观测概率密度pZ∣X与状态的先验概率密度pX的乘积，再利用因子pZ进行归一化。当给定观测Z时，归一化项就与最大后验概率无关，可以被忽略。
2023-05-19 16:59:33
1975
原创 Pytorch : 模型部署
将模型导出为torchscript或onnx，使用libtorch C++API部署或Onnx Runtime部署
2023-03-28 15:56:27
3551
原创 Pytorch : 自动求导
在训练神经网络时，最常用的算法是反向传播算法。在该算法中，参数(模型权重)根据损失函数相对于给定参数的梯度进行调整。损失函数计算神经网络产生的期望输出和实际输出之间的差值。目标是使损失函数的结果尽可能接近于零。该算法通过网络反向遍历来调整权重和偏差，以重新训练模型。这就是为什么它被称为反向传播。为了计算这些梯度，PyTorch有一个内置的微分引擎。它支持任何计算图的梯度自动计算。
2023-03-28 15:53:23
1068
原创 3D-2D：PnP
Perspective-n-Point 是求解3D到2D点对运动的方法。它描述了已知n个3D空间点及其投影位置时，如何估计相机的位姿。
2022-11-22 09:36:04
623
清华大学2014年《828信号与系统》考研真题答案与详解.pdf
2020-06-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人