深蓝学院《激光SLAM》-曾书格轮式里程计运动模型及标定轮式里程计相比IMU是一个光电编码器测量轮子转动距离，不像IMU受到漂移影响。一丶轮式里程计模型1.两轮差分底盘的运动学模型因为底盘中心做圆弧运动，因此围绕同一圆心做圆弧运动角速度相同。在实际情况中，左右轮线速度和两轮距离b可能是未知的， 以角速度表示会显示的带机器轮子半径的参数，而标定就是要求解该半径。2.航迹推算（Dead Reckoni

参考文献：《车载激光扫描仪外参数标定方法研究》 康永伟，钟若飞，吴俣https://kns.cnki.net/kcms/detail/detail.aspx?filename=HWYJ2008S3060&dbcode=CJFQ&dbname=CJFD2008&v=车载多传感器集成系统中激光扫描仪与 GPS、 IMU （惯性测量单元）联合使用， GPS 得到的是 GPS 天线

《深蓝学院-激光SLAM》课程一丶激光雷达传感器介绍1.三角测距其中假设右边为一个激光发射器，左边为摄像头接受右方反射的光。其中已知L=L1+L2L=L_1+L_2L=L1​+L2​，因此：L1=dtanα,L2=dtanβL_1 = {d \over tan \alpha }, L_2 = {d \over tan \beta }L1​=tanαd​,L2​=tanβd​L=L1+L2=dtan

在URDF中加载传感器无效：<xacro:include filename="$(find racecar_description)/urdf/sensors/lidar.xacro" /><joint name="lidar_joint" type="fixed"><origin xyz="0 0 0.03" rpy="0 0 0" /><parent

自然语言处理1：分词自动分词是一个没有明确定义的问题1.分词中的基本问题分词中涉及到三个基本问题：分词规范，歧义切分，未登录词的试别分词规范分词可以看作是寻找一个没有明确定义问题的答案，在衡量一个分词模型的好坏时，需要确定一个统一标准。歧义切分交集型切分歧义：汉字串AJB，满足AJ、JB同时为词，此时汉字串J称为交集串。eg：大学生（大学\学生）组合型切分歧义：汉字串AB，满足A、B、AB同时为词

学习Autoware开源框架的资料整理，侵删！开源自动驾驶框架Autoware介绍Autoware包含以下模块：1.定位：通过结合GNSS和IMU传感器的3D地图和SLAM算法来实现定位2.检测：使用具有传感器融合算法和深度神经网络的摄像机以及LiDAR3.预测和规划：基于概率机器人技术和基于规则的系统，部分还使用深度神经网络4.控制：Autoware向车辆输出的速度和角速度的扭曲量以上四个模块覆

参考文章：1.张兴学. 基于因子图的多传感器信息融合导航算法研究[D].哈尔滨工业大学,2018.2.SLAM 中的位姿图优化，BA优化，因子图优化，非线性优化之间的区别3.因子图的理论基础4.机器人感知：因子图在SLAM中的应用(读书笔记)第一至三章SLAM中的定位问题，是根据先验信息（上一时刻的位姿和已知路标点信息）以及传感器的观测值（当前时刻测到的路标点信息），推断出该时刻的位姿以及未知路标

1.Local RRT Detector / Global RRT Detector// 获取地图数据ros::Subscriber sub= nh.subscribe(map_topic, 100 ,mapCallBack);// 添加目标点 pointros::Subscriber rviz_sub= nh.subscribe("/clicked_point", 100 ,rvizCallBa

激光雷达的位置如下图所示：1.方法一：利用tf进行坐标变换// trans pos in raser to globalRaser_3dPoint get_global_pos(Raser_3dPoint &pos){std::cout<<"pos in laser"<<"x:"<<pos.x<<"y:"<<pos.z<&l

为了保证激光雷达的360°环境覆盖，准备在车体上安装三个雷神16线的激光雷达，以前二后一的布局分布，大致位置情况如下所示：其中蓝色区域为雷达1所保留的点云区域，黄色区域为雷达2所保留的点云区域，绿色区域为雷达3所保留的点云区域，从而实现整车的周围环境的全覆盖。但是这种情况会降低了多个激光雷达的鲁棒性，万一某个激光雷达出现故障或者污渍遮挡，就会出现数据点云盲区，因此后面会尝试融合多个激光雷达的点云数