我们回想一下，平常写窗体执行程序（不管是用MFC,还是C# Winform\WPF等），我们会把对外围设备的控制，如相机，IO板卡都写在一起，还有算法全写在一个进程里，然后编译部署。且由于是在一个进程中运行，一旦某个硬件或者某个模块遇到问题，进程往往崩溃，这就需要做大量防呆，往往让很多精力偏离本该应多关注的地方，比如算法，或者核心功能实现上。所谓建图，就是机器人用激光雷达、摄像头等传感器，把周围墙

那多个可执行程序运行起来时，他们之间靠什么来通讯呢，常规是走tcp/ip通讯、共享内存等其它，但在ROS2中，已定定义了一些现成的方式，封装好了三种标准通信方式：话题，服务，动作通讯。用话题、服务、动作可以实现参数服务同样的功能，但为了修改参数，往往要自定义消息接口，要编译，要创建服务端，客户端或者发布者，订阅者，其实没有必要这么繁琐，使用参数服务可以简化操作。回想一下前面博客，话题用的消息msg

在这种模式中，发送者（发布者）不需要知道接收者（订阅者）的存在，反之亦然。C# 事件 / 回调只能局限当前进程, 本质是内存里的函数指针列表, 只存在当前进程, 当前应用程序域, 不能跨进程、不能跨电脑、不能跨程序, 另一个exe 完全感知不到，连不上、收不到事件。如下是一个演示例子。如下介绍通过Redis来实现分布式，Redis是一个跑在电脑上的一个独立小程序，专门用来存数据、发消息、做中间件。

下面说明如何在QT GUI界面上添加控件显示用pcl读入的三维点云数据。QT5.12.1的安装与VS2017配置参照下面博客，博客中是QT5.11.1https://blog.csdn.net/gaojixu/article/details/82185694QT5.12.1的下载路径如下：链接：https://pan.baidu.com/s/1YDizCx2_zF4LQBOnk3JxhA提取码：5

本来想温习下数电，模电，单片机，电路设计，外围配套端口和设备方面的知识，往底层硬件方面去，鉴于精力有限，初衷点是想把算法和硬件相结合，考虑到这些年主要是算法方面（图像处理、3D点云处理、深度学习）的积累，为了更好的延续，还是选择从嵌入式的系统级别（应用层开发，嵌入式图像处理）入手吧（涉及shell, readline,make,交叉工具链的使用等）。先选择一款能够跑深度学习的硬件平台，下面就简单整

博主之前已经有一篇博客有这方面的介绍，这段时间自己也熟悉了下树莓派（前面也有很多关于此的系列博客），后面会继续实战下。用于跑深度学习的嵌入式硬件平台资料整理_竹叶青lvye的博客-CSDN博客本来想温习下数电，模电，单片机，电路设计，外围配套端口和设备方面的知识，往底层硬件方面去，鉴于精力有限，初衷点是想把算法和硬件相结合，考虑到这些年主要是算法方面（图像处理、3D点云处理、深度学习）的积累，为了

一. 数据集方面1. 关于深度学习数据集的介绍可以参见此博客Tensorflow知识点总结（一）_竹叶青lvye的博客-CSDN博客2.mnist数据集获取的三种方式见博客Tensorflow知识点总结（二）_竹叶青lvye的博客-CSDN博客3.对于一些深度学习框架，已经包含了常用的数据集，如下博客的最后有相关代码获取Ubuntu配置TensorRT及验证_竹叶青lvye的博客-CSDN博客获取

接着前面系列博客来讲，这里来实现下官方例子一.在Raspberry Pi 4B上进行图像分类examples/lite/examples/image_classification/raspberry_pi at master · tensorflow/examples · GitHubTensorFlow examples. Contribute to tensorflow/examples de

从博客https://blog.csdn.net/jiugeshao/article/details/112093981写完后，整了一段时间温故了这三个方面的算法知识，同时也找寻了相应的代码去实现这些算法，并在自己的数据集上进行测试。当前对这三个方面的知识点还记忆犹新，结合所看的论文博客归纳下自己的理解（不涉及细节，大方向的了解）。后面会把目标检测和目标分类中的常用算法实现一遍，然后就打算转战Li

之前是纯python脚本在跑一些功能，就当时在用matlab做图像处理，做做实验还可以。上到项目还是要用C++,但python里面的一些功能代码又不想再用C++代码再实现一遍，故用C++来调用一些python脚本。长久之计还是完全用C++代码实现吧。下面介绍下相关配置吧：1.用VS2013新建一个控制台程序，选择Release X64配置2.sample1.cpp里代码