论机器人的环境感知与智主运动–兼谈基于微分几何的人工智能标签（空格分隔）： 人工智能 计算机视觉 自主移动 微分流形 Ricci流版权声明：本文为作者原创文章，未经作者允许不得转载。前言人工智能是分主观与客观的，是硬币的两个方面，客观智能是世界的本质描述，是物理的是数学的，主观智能是来自于客观智能，是哲学的是宗教的。抛开物理与数学只讲方法是走不远的，如无本之木、无源之水

java实现的机器人视觉与环境感知，基于八叉树算法。随后我会整理，增加注释，在GitHub开源https://github.com/hjwang1/robot

首发：今日头条号之机器人视觉从工程的角度来看，Google开源的SLAM真是上乘之作，当然算法及实现也是大公司级手笔，鉴于当前中文介绍较少，就把近来看的源码分析介绍出来，也许能给某些人以方便。这篇文章里，仅从ROS及Cartographer SLAM本身的调用流程讲起，关于算法等细节另开文章再详加说明。首先，编译、安装，把代码跑起来，先一探究竟，如下图所示，2D环境下的

如果你初学卡尔曼滤波器，千万不要在公式推导和理解上花费太多的精力，这将会得不偿失，根据我的学习经验，想直接从卡尔曼的公式推到上去理解用法是比较难的，但是先不管原因，边应用边学习，将会是一个非常正确的做法，对于理解卡尔曼滤波器将会事半功倍！红色的GPS的测量数据，蓝色是轨迹的真值，绿色是融合之后的轨迹，可以看到融合了imu之后的轨迹，相比于只有GPS的情况提升了很多，甚至与真实值都非常接近了。在这篇

java实现的机器人视觉与环境感知，基于八叉树算法。随后我会整理，增加注释，在GitHub开源https://github.com/hjwang1/robot

首发：今日头条号之机器人视觉机器视觉，在认知层面是个非定域性问题，在感知层面应该是个定域性问题，最直接的任务或应用就是路径规划。机器视觉之路径规划的特点不绕远路路径平滑路径安全可控可调基于测地线的数理模型基于机器视觉的路径规划

论基于微分几何的机器智能-兼谈机器人的环境感知与智主移动● 序言● 第一章 当前智能算法卷积网络机器学习深度学习可能的缺陷● 第二章 微分几何与智能人脸及表情识别与微分几何视觉与微分几何大脑皮层与微分几何物理可能统一于几何因果率、推理与几何● 第三章 微分几何与工程化应用二维环境感知三维环境感知最优传输理论

一种人工智能学习–兼谈基于微分几何与拓扑的神经网络标签（空格分隔）： 人工智能 神经网络 拓扑 微分几何 深度学习版权声明：本文为作者原创文章，未经作者允许不得转载。前言提到人工智能，相信对机器学习、神经网络、深度学习等已经非常熟悉，这里我要提另一种人工智能学习结构——共形学习，亦反映了我的想法和兴趣，也暴露了我的局限和偏见，供读者朋友们拍砖。第一章 AI共形学习视觉神经示意图先上一张图，有

ref:https://blog.csdn.net/wuwuku123/article/details/105699482导航坐标系：东-北-天载体坐标系：右-前-上欧拉角定义：3-1-2旋转，（航向角-俯仰角-滚转角）；航向角北偏西为正，范围【-pi pi】；俯仰角， 运载体抬头时角度定义为正，角度范围-90° ～90° ；横滚角，运载体向右倾斜时角度定义为正，角度范围-180° ～180°重力

一种人工智能学习–兼谈基于微分几何与拓扑的神经网络标签（空格分隔）： 人工智能 神经网络 拓扑 微分几何 深度学习版权声明：本文为作者原创文章，未经作者允许不得转载。前言提到人工智能，相信对机器学习、神经网络、深度学习等已经非常熟悉，这里我要提另一种人工智能学习结构——共形学习，亦反映了我的想法和兴趣，也暴露了我的局限和偏见，供读者朋友们拍砖。第一章 AI共形学习视觉神经示意图先上一张图，有