MPC主要包含三部分，建模、预测、控制。其中建模在机器人中主要就是指运动学模型和动力学模型，预测也既是通过系统当前的状态和后续的控制输入来预测未来一段时间内的系统状态量，控制则是通过优化控制输出来使得预测出来的系统状态尽可能贴近期望值。MPC的优化控制是一个滚动优化的过程，在系统的每个采样周期都会进行一次优化计算，拿到当前帧的状态值，预测固定时间之内的状态。

第二次任务的学习内容是预训练图像分类模型预测，是使用开源库进行图像分类，主要是调包。本篇博客是总览一下学习内容，并给出实践效果。

openvins静态初始化、动态初始化、初始化整合三个函数代码的注释记录。

第六次任务是可解释性分析。代码教程：https://github.com/TommyZihao/Train_Custom_Dataset 。

本次学习是系列教程的最后一个学习任务，十四天的学习也迎来尾声。本次学习内容主要有像素重映射，图像二值化，全局与自适应二值化，以及实时人脸检测。通过本次对opencv的初步系统学习，我了解并掌握了opencv的初级用法，为以后的学习奠定了基础。

第三次任务是迁移训练自己的图像分类模型，就是根据自己的数据集来训练图像分类模型。数据集使用的是样例数据集，代码也是教程的代码模板。代码教程：https://github.com/TommyZihao/Train_Custom_Dataset 。

主要是ceres库的初步使用方法介绍

参加了一月份Datawale的组队学习，选择了pytorch图像分类实战的教程，第一个任务是构建图像分类数据集。

OpenVINS学习记录1

Fisher信息的原理介绍。