线性回归是一种通过线性函数拟合数据以预测连续数值的机器学习方法。其核心公式为ŷ=w₁x₁+b（单变量）或ŷ=wᵀx（多变量）。目标函数常用L2损失（最小二乘法）或L1损失，并可加入L2正则（岭回归）或L1正则（LASSO回归）防止过拟合。优化方法包括解析法（直接计算）和梯度下降法（批量/随机/小批量）。性能指标主要有MSE、RMSE和MAE。特征工程需关注标准化、非线性变换和特征选择。关键超参

深度学习模型训练的核心是反向传播算法，通过链式求导计算梯度并更新参数。DNN和CNN的反向传播原理相似，但CNN需特殊处理卷积/池化层的梯度计算。激活函数中ReLU因缓解梯度消失成为主流选择。梯度下降存在学习率难调、易陷局部最优等问题。降维方法分为特征选择和特征提取，PCA作为经典线性降维方法通过主成分保留最大方差，但无法处理非线性结构。聚类算法中，K-Means简单高效但需预设k值，GMM支持概

本文系统介绍了2D激光SLAM的核心知识点，包括基本概念、经典架构、数据处理流程和关键技术。重点解析了SLAM系统的前端（传感器数据处理）与后端（优化纠偏）分工，详细说明了扫描匹配、回环检测、图优化等关键算法原理。针对ROS2工程实现，阐述了坐标变换体系、数据流逻辑和常见故障排查方法。比较了slam_toolbox和Cartographer两款主流工具的特点与适用场景，并强调了时间同步、QoS配置

本文介绍了一个基于ROS2 ActionClient实现多目标点顺序巡航的解决方案。该方案通过Nav2的NavigateToPose Action接口实现机器人导航功能，主要特点包括：1) 顺序执行预设目标点，支持失败自动重试机制；2) 实时输出导航过程中的反馈信息；3) 通过ESC按键触发取消机制。代码实现包含目标点生成、Action客户端创建、反馈回调处理、取消请求发送等核心模块，并采用多线程

ROS2的rosbag2工具是机器人开发的关键组件，主要用于录制和回放带时间戳的话题数据。其核心功能包括离线参数调优、实验复现和故障诊断。配合use_sim_time参数和/clock话题，可实现仿真时间同步，确保节点在回放或仿真时使用统一的时间源，避免因时间错位导致TF变换失败等问题。正确配置这些参数对机器人系统的可靠运行至关重要。

物理量符号计算公式单位航向角增量Δθ弧度（rad）车体中心平移增量ΔsC​米（m）

左轮线位移增量：ΔsL​（单位：m，向前为正，向后为负）右轮线位移增量：ΔsR​（单位：m）轮距：B（单位：m，左右轮中心的距离）Reliability：控制类选 RELIABLE，传感器流选 BEST_EFFORT；Durability：静态参数选 TRANSIENT_LOCAL，实时流选 VOLATILE；Depth 不是越大越好，实时流选 1 即可。

多机通信：“同网段、同 ID、关防火墙、桥接模式”—— 少一个都不行。

核心高频考点：TF（/tf_static、外推错误）、时间系统（use_sim_time、/clock）、组件化（开销）、rosbag2（录制 / 回放）、URDF（机器人结构）；答题技巧：单选题抓关键词，简答按 “场景 + 需求” 套模板，场景题先定位核心问题（时间 / TF / 配置）再给解决方案；记忆逻辑：所有知识点都围绕 “机器人数据对齐（时间 / 坐标）” 和 “性能 / 可靠性权衡（组

本文摘要：ROS2核心通信机制解析 Action机制：支持长任务执行，具备目标(Goal)、反馈(Feedback)、结果(Result)和取消(Cancel)功能，相比Service更适合导航等耗时操作。 接口类型：包括单向通信的msg、双向问答的srv和带反馈的action，自定义接口需在package.xml和CMakeLists.txt声明依赖。 QoS策略：通过可靠性(RELIABLE/