通过dockerfile文件创建镜像时提示需要设置时区

文章目录1 JSON文件简介[1]1.1 JSON文件的语法规则1.2 JSON值的类型2 JSON文件解析1 JSON文件简介[1]一个项目在设计时会存在很多参数，比如data文件路径、外设名称与相关参数、文件储存路径等等，这些参数根据实际需要可能需要修改的频率比较频繁，如果放在程序里面不仅查找比较麻烦，而且每次修改完就得重新编译一次，超级麻烦。所以可以将这种类型的参数文件都放在一个文本里面，然

文章目录1 JSON文件简介[1]1.1 JSON文件的语法规则1.2 JSON值的类型2 JSON文件解析1 JSON文件简介[1]一个项目在设计时会存在很多参数，比如data文件路径、外设名称与相关参数、文件储存路径等等，这些参数根据实际需要可能需要修改的频率比较频繁，如果放在程序里面不仅查找比较麻烦，而且每次修改完就得重新编译一次，超级麻烦。所以可以将这种类型的参数文件都放在一个文本里面，然

使用opencv对双目相机进行标定，获取相机的内参和外惨

根据标定工具和相机模型的不同，获取的鱼眼相机畸变系数可能有多种形式，需要知道的是都可以在OpenCV去畸变函数中使用。最近在使用OpenCV对鱼眼相机图像去畸变时发现一个问题，基于针孔模型去畸变时所使用的参数和之前十四讲以及视觉SLAM中的畸变系数有一点不一样。均为0的时候该去畸变公式和十四讲中的公式就一样了，即十四讲中的去畸变公式是该公式的一个简略版。这种比值形式，暂时为找到公式的设计原理，应该

**使用场景：** 使用windows系统下的vscode远程连接服务器的linux系统，终端提示`permission denied, please try again`,但是使用cmd是可以远程登录的。

VINS-Mono：一种鲁棒且通用的单目视觉惯性状态估计器首先是数据预处理模块，主要是指对图像信息和IMU数据的预处理，包括视觉特征检测和KLT光流跟踪，IMU预积分然后进入系统初始化模块，先执行纯视觉单目初始化，进行位姿估计和3D空间点恢复(缺少尺度信息)，然后根据预积分结果恢复尺度信息、对齐重力方向以及帧间的速度信息初始化完成后进入基于滑动窗口的紧耦合VIO过程。

本文提出了一种计算效率高、鲁棒性好的激光-惯性里程计框架。我们使用紧耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据融合在一起，从而在快速运动、嘈杂或混乱的环境中实现鲁棒导航。为了在大量测量数据的情况下降低计算负荷，我们提出了一个新的计算卡尔曼增益的公式。新公式的计算量依赖于状态维数而不是测量维数。在各种室内和室外环境中对所提出的方法及其实现进行了测试。

本文介绍了FAST-LIO2算法：一种快速、鲁棒、通用的激光雷达-惯性里程计框架。FAST-LIO2基于高效的紧密耦合迭代卡尔曼滤波器，具有两个关键的新颖之处，可实现快速，稳健和准确的激光雷达导航(和测绘)。第一种方法是直接将原始点注册到地图上然后更新地图，而不提取特征。这样可以利用环境中的细微特征，从而提高准确性。消除手工设计的特征提取模块，也使其能够适应不同扫描模式的新兴激光雷达;

LIO-SAM在lego-loam的基础上新增了对IMU和GPS的紧耦合，采用一个因子图对位姿进行优化，包括IMU因子，激光里程计因子，GPS因子、回环因子。虽然在创新点上没什么让人觉得有趣的东西，但是在性能上相比Lego-Loam，因为加入了高频的IMU，在一些不好的场景下表现要更鲁棒，回环处的漂移也更小。不过虽然加入了IMU，但似乎连松耦合都称不上，IMU预积分在LIO-SAM中的作用仅用来对