关闭 VSCode，重启后即可正常使用。

优化问题可以等效为如下形式：三种约束分别通过以下方式获得：问题：位姿每次优化后会发生变化，其后的IMU惯性积分就要重新进行，运算量过大。解决思路：直接计算两帧之间的相对位姿，而不依赖初始值影响，即所谓的预积分。由于此处讨论的优化方案包含组合导航系统，且认为外参已标定，因此会和常见的lio/vio中的方案有所不同，它不包含以下内容：在第6讲中，已知导航的微分方程如下p˙wbt=vtwv˙tw=atw

在本章中，我们将第一次介绍真正的深度网络。最简单的深度网络称为多层感知机。多层感知机由多层神经元组成，每一层与它的上一层相连，从中接收输入；同时每一层也与它的下一层相连，影响当前层的神经元。当我们训练容量较大的模型时，我们面临着过拟合的风险。因此，本章将从基本的概念介绍开始讲起，包括过拟合、欠拟合和模型选择。为了解决这些问题，本章将介绍和等正则化技术。我们还将讨论数值稳定性和参数初始化相关的问题，

存在问题：在找配准点的时候，找的点是最近的，但是找的这个点不见得是真正在刚体里面匹配的点。这个时候点找错了，那么根据这个点计算出来的 R, t，肯定是不精确的。优化的思想在于让点逐渐收敛，不想做 SVD 分解，就给一初值，让这个初值按照一定策略逐渐搜索，直到搜索到要的 R 和 t 满足一定条件，就认为得到了最终确定的结果。解决思路：如上图所示，从蓝色的点云里面选一些点，根据这些点，在红色的点云里面

以思路讲解为主，并给出参考文献和开源代码，不做过多细节展开；对已有方法做汇总分析，以求能在新的任务中掌握标定方案设计思路。这些方法中，推荐优先级从高到低为：a. 基于共视的标定b. 融合中标定c. 手眼标定建议应在良好环境下标定，尽量避免不分场景的在线标定。良好环境指观测数据优良的场景，例如：a. GNSS 信号良好；b. 点云面特征丰富，没有特征退化；c. 动态物体较少时间差估计，在某些情况下不

核心思路是把融合方法从滤波换成图优化，其元素不再是简单的惯性解算，而是预积分。一个暴力的模型可以设计为：缺陷：随着时间的进行，图模型会越来越大，导致无法达到实时性。解决方法：不断删除旧的帧，只优化最新的几帧，即维持一个滑动窗口。模型如下：问题：直接从模型中删除，等于损失了信息。解法：通过模型把旧帧的约束传递下来，即边缘化(后面讲具体细节)。整个流程：不断往滑窗里添加新信息，并边缘化旧信息。需要注意

多传感器融合定位技术1. 多传感器融合系统简介1.1 多传感器融合系统体系结构1.2 多传感器融合系统分层2. 多传感器融合定位系统原理3. 多传感器融合误差分析4. 多传感器融合算法4.1 数据融合算法概述4.2 卡尔曼滤波算法由于 GNSS 定位信息更新频率低，不能满足自动驾驶中实时性的要求，且定位信号会因隧道、建筑群等障碍物的遮挡面而中断。而 INS(Inertial Navigation

时刻，激光雷达的相对旋转和相对平移变化即可。实际上，雷达点云是局部坐标系下的表示，当以0时刻雷达的位姿为基准坐标系时，此时。对每个激光点坐标做补偿，补偿量为激光点原点(即当时雷达坐标)相对于该帧起始时刻的变化。：每个激光点的坐标都是相对于雷达的，雷达运动时，不同激光点的坐标原点会不同。：有足够数量的点云才能进行匹配，且一周正好是周围环境的完整采集。：通常指雷达内部旋转一周扫描得到的点的集合。转一圈

是一个用于神经网络、深度学习和机器学习模型的可视化工具。Netron支持 ONNX、TensorFlow Lite、Caffe、Keras、Darknet、PaddlePaddle、ncnn、MNN、Core ML、RKNN、MXNet、MindSpore Lite、TNN、Barracuda、Tengine、CNTK、TensorFlow.js、Caffe2 和 UFF。

被广泛用于模型压缩和迁移学习当中。开山之作应该是。这篇文章中，作者的动机是找到一种方法，把多个模型的知识提炼给单个模型。这里的蒸馏针对的是神经网络的知识。一般认为模型的参数保留了模型学到的知识，因此最常见的迁移学习的方式就是在一个大的数据集上先做预训练，然后使用预训练得到的参数在一个小的数据集上做微调(两个数据集往往领域不同或者任务不同例如先在 ImageNet 上做预训练，然后在 COCO 数据