一、概念1、点云的结构公共字段PCL包含一个重要的数据结构，被设计成一个模板类，把点的类型当做模板类的参数。header：pcl::PCLHeader 记录了点云的获取时间points：std::vector<PointT,...>储存所有点的容器width：指定点云组织成图像时的宽度height：指定点云组成图像时的高度is_dense: 指定点云中是否有无效值sensor_orig

2、形如 for(auto c:s) 的格式，auto可以是别的数据类型比如char，int，const char*等等各类数据类型，可以是自定义的数据类型。c是一个变量名称，可以按变量名规则任意定义；s是一个容器名称，可以是一个数组，可以是string等等。for(auto c:s)中b为一个容器，效果是利用c遍历并获得s容器中的每一个值，但是c无法影响到s容器中的元素。for(auto &c:

神经网络是一个黑盒子的概念，能够让特征层可视化，对网络的更改有很大的作用。

先经过卷积神经网络得到特征图像，之后对图像进行网格划分，每个网格单独进行画框检测和类别的概率图，最终得到结果。经过卷积神经网络可以得到不同大小的特征图，对不同大小的特征图进行融合利于小目标的检测。一个网络往往有主干网络（Backbone）+颈部（Neck）+头部（Head）组成。图片卷积经过32倍下采样得到19*19的图片，每个网格都会单独预测和画锚框。mAP是衡量学习出来的模型在所有类别上的好坏

在开发自动驾驶汽车时，通常会将激光雷达 (LiDAR)与摄像头传感器结合在一起。激光雷达传感器由于其直接的3D测量能力，已广泛应用于障碍物检测、跟踪和地图绘制应用。外部校准是机器人技术中一个研究得很好的问题，主要分为两类：基于目标的校准和无目标的校准。它们之间的主要区别在于它们如何定义和提取来自两个传感器的特征。当前的外部校准方法严重依赖外部目标，例如棋盘格或特定的图像模式。通过从图像和点云中检测

利用多个小卷积核替代一个大卷积核，先将channel 数减小再扩大（默认减小到一半），具体做法是先进行1×1卷积将channel减小一半，再通过3×3卷积将通道数加倍，并获取特征（共使用两个标准卷积模块），其输入与输出的通道数是不发生改变的。Focus模块的作用是对图片进行切片，类似于下采样，先将图片变为320×320×12的特征图，再经过3×3的卷积操作，输出。32，最终变为320×320×32

jsk_recognition_msgs 是一个ROS消息包，它包含了一些用于机器人视觉和感知的常用消息类型。这些消息类型可以被用于在ROS系统中传递机器人感知和识别结果。

密度不均匀不规则没有纹理信息（三人成车）对深度学习的特点：无序性旋转不变性 主成分分析在点云中的作用 矩阵的运算：PCA ：​​​​​​​降维和升维肯定有数据损失，所以要选取重要的主向量PCA是线性的 第一列是输入的图像，例如30*30就是900维的矩阵，把900维的矩阵在l个主向量上投影得到l组a，第二列是计算平均值所以都一样。可以看到由6个主向量来重构图片（最后一列）可以达到识别的效果。对每组

RVIZ是一款强大的三维可视化工具，很好地兼容了各种基于ROS软件框架的机器人平台。能够可视化绝大多数的传感器数据。rviz安装下面带大家先看看RVIZ能实现什么效果，具体的代码后面会讲到。ROS中的Gazebo是一个广泛使用的开源物理仿真引擎，它能够模拟多种类型的机器人、车辆、传感器、环境等，并且可以在仿真环境中进行开发、测试和验证机器人控制算法和传感器数据处理算法。物理仿真：Gazebo通过运

目标置信度损失由正样本匹配得到的样本对计算，一是预测框中的目标置信度分数 p0，二是预测框和与之对应的目标框的 iou 值piou，其作为 ground-truth。两者计算二进制交叉熵得到最终的目标置信度损失。别损失与置信度损失类似，通过预测框的类别分数和目标框类别的 one-hot 表现来计算类别损失，目标置信度损失和类别损失使用的是带 sigmoid 的二进制交叉熵函数BCEWithLogi