构建子图，子图闭环通过TEASER来构建和验证，TEASER是一种全局的配准方法，初始的子图相关是用NCC对所构建的f特征来做的相关性匹配的，通过子图-子图间的配准来计算闭环的相对位置和姿态，高sigma和比阈值小的Ots的边将被删除，如果一个闭环边被增加，就做PGO全局优化，优化每一个子图的一个位姿，然后根据每一个子图的位姿调整子图内每一帧的位姿。vk X (RP+T - q点)，对T求导为vk

ccr就是一个比较值，如果向上计数，cnt小于ccr，那么就是低电平，如果cnt大于ccr，那么就是高电平。看tim2， arr= 999, psc= 7199, 那么stm32108c他的主频是72M,也就是72*10的6次方。，也就是说ccr= arr/2，就是500。在看stm32代码的时候，在想他是如何做的同步，仔细看了看程序，发现竟然逐渐看懂了。两个都是向上计数的话，那么一个是先高电平后

中心裁剪、数据标准化、缩放、裁剪、旋转、仿射、反转、填充、噪声添加、灰度变换、线性变换、亮度饱和度以及对比度变换等。1.Transforms可以对训练图像进行预处理，以提高模型的稳定性，提高泛化能力。

这一次学习的时候静态绘制loss和correct曲线，也就是在模型训练完成后，对统计的数据进行绘制。以minist数据训练为例子。

item就是所要取数据的索引，这个函数主要是返回一个训练数据（比如一个图像），和一个结果数据，比如（该图像的分类结果是一个ant），因此用到刚os.listdir所列出的文件名字，用os.path.join加入路径，得到图像的绝对路径，用PIL导入图像，并给label赋值，返回图像和；一直报错，查找原因，发现是该数据集中的图像存在两个问题，第一个是大小不一，第二个貌似通道个数也不一致。可以直接le

2.2图像实现的方法是add_image,第一个仍然是给显示框起个名字，第二个是图像，可以按住ctrl, 把光标放在add_image上，可以看到显示类型，有HWC,CHW等，如果是HWC，则需要使用dataformats指明格式。0，1，2就表示的是第0，1，2次。意思就是第0次显示img1,第1次显示img,第二次显示img1。2.1标量实现的方法是add_scalar,第一个参数是给显示框起

在训练模型的时候，不可避免的要使用GPU进行加速，但是我们一般加载或者创建生成的数据都是处于CPU上，怎么把数据加载到GPU上呢？初次学习需要注意的是 ：直接使用x.to(device)是不能把x数据加载到GPU上，必须使用x=x.to(device)1.首先看变量的CPU和GPU转换。2.训练过程中如何转换呢？主要是数据和模型的转换。

通过本篇博客，将会学习gtsam, 高版本的cmake安装， ceres安装,以及一个编译问题的解决，最终编译成功HBA，并使用hba进行数据处理。

通过本篇博客，将会学习gtsam, 高版本的cmake安装， ceres安装,以及一个编译问题的解决，最终编译成功HBA，并使用hba进行数据处理。

1）首先找到mid360_config.json，在src/Livox_ros_driver2/config文件夹中，host_net_info的子项cmd_data_ip, push_msg_ip, point_data_ip,imu_data_ip这四个都改成192.168.1.50。一般可以用来接9-27v的电源，推荐接12v的电源转换器，或者接14.4v的电源转换器。2）然后把lidar_