<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[何必浓墨重彩]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/wendox</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; wendox]]></copyright><item><title><![CDATA[Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving综述]]></title><link>https://blog.csdn.net/wendox/article/details/80098481</link><guid>https://blog.csdn.net/wendox/article/details/80098481</guid><author>wendox</author><pubDate>Thu, 26 Apr 2018 19:32:20 +0800</pubDate><description><![CDATA[Abstract

In this article, we propose a survey of the Simultaneous Localization And Mapping field when considering the recent evolution of autonomous driving. The growing interest regarding self-drivi...]]></description><category></category></item><item><title><![CDATA[稠密建图及voxblox]]></title><link>https://blog.csdn.net/wendox/article/details/78759108</link><guid>https://blog.csdn.net/wendox/article/details/78759108</guid><author>wendox</author><pubDate>Sat, 09 Dec 2017 14:33:13 +0800</pubDate><description><![CDATA[论文理解基础简介地图的表达方式中, 一种是occupancy网格地图, 其中比较常用的是八叉树地图octomap. 它使用分层的八叉树结构存储占据(occupancy)的概率大小. 然而很多情况下, 仅仅得到occupancy的概率大小是不够的. 很多路径规划方法要求直到到障碍物的距离. 这样的情况下可以使用ESDF(Euclidean Signed Distance Fields)方法.  ESD]]></description><category></category></item><item><title><![CDATA[maplab 安装教程]]></title><link>https://blog.csdn.net/wendox/article/details/78734422</link><guid>https://blog.csdn.net/wendox/article/details/78734422</guid><author>wendox</author><pubDate>Wed, 06 Dec 2017 19:51:57 +0800</pubDate><description><![CDATA[最近ETH发布了一个关于建图定位的project. 这个工作继承了很多组件, 可以完成离线建图/增量建图,  地图优化, 多session建图, 稠密重建以及VIO等等, 功能强大, 恨不能亲试. 虽然github上给出了相机的wiki, 然而这个代码从下载到编译着实出现好多问题. 我刚好成功build, 这里交流一下.  
主要的过程分4步. 
1. 把冰箱门打开. 
2. 把大象塞进去. 
3.]]></description><category></category></item><item><title><![CDATA[mp4 video转为ros image message]]></title><link>https://blog.csdn.net/wendox/article/details/53906162</link><guid>https://blog.csdn.net/wendox/article/details/53906162</guid><author>wendox</author><pubDate>Wed, 28 Dec 2016 10:20:22 +0800</pubDate><description><![CDATA[有事我们需要把自己录制的视频使用ros广播出去，这时需要使用读取这个视频的文件然后将image转换为sensor_image，import sys, time
import numpy as np
from scipy.ndimage import filters
import cv2
import roslib
import rospy
from sensor_msgs.msg import Im]]></description><category></category></item><item><title><![CDATA[玩转四旋翼无人机（在rviz中显示飞机)]]></title><link>https://blog.csdn.net/wendox/article/details/53905501</link><guid>https://blog.csdn.net/wendox/article/details/53905501</guid><author>wendox</author><pubDate>Wed, 28 Dec 2016 09:07:31 +0800</pubDate><description><![CDATA[如何在rviz中显示一个四旋翼?

rviz中可以将订阅的姿态轨迹信息三维显示，这样不需要任何代码就可以三维可视化定位结果，十分方便。但是如何加载一个机器人（四旋翼）的模型呢？ 
所以这里借鉴hector-quadrotor中的urdf，得到一个飞机的urdf模型。因此可以启动hector-quadrotor-gazebo中的spawn_quad的模型。



roslaunch hector_q...]]></description><category></category></item><item><title><![CDATA[ROS使用教程-关于安装]]></title><link>https://blog.csdn.net/wendox/article/details/53664874</link><guid>https://blog.csdn.net/wendox/article/details/53664874</guid><author>wendox</author><pubDate>Thu, 15 Dec 2016 08:47:37 +0800</pubDate><description><![CDATA[运行Ubuntu的x86系统安装ROS一般比较顺利，一般分为三步，首先是设置源列表，其次是设置秘钥，最后安装，ros的安装支持apt工具。运行Ubuntu的Tegra系统与x86系统类似，但是注意tegra系统中使用opencvTegra版本不能直接支持ros，有两个包cv_bridge,image_geometry的cmake文件写错了，因此修改之后就可以使用。 
参考这里 
PC station]]></description><category></category></item><item><title><![CDATA[SLAM代码（ORB-SLAM阅读2）]]></title><link>https://blog.csdn.net/wendox/article/details/53582543</link><guid>https://blog.csdn.net/wendox/article/details/53582543</guid><author>wendox</author><pubDate>Mon, 12 Dec 2016 14:44:02 +0800</pubDate><description><![CDATA[main procedure
processNewKeyFrame
mappoint culling
create new key frame
check new key frame
SearchInNeighbors
Optimization BA
key frame culling
insert new key frame为什么是这样的步骤，为什么只要这几个步骤，为什么是这样的顺序？
这样做的目]]></description><category></category></item><item><title><![CDATA[ROS 开发环境简介]]></title><link>https://blog.csdn.net/wendox/article/details/53518506</link><guid>https://blog.csdn.net/wendox/article/details/53518506</guid><author>wendox</author><pubDate>Thu, 08 Dec 2016 15:03:19 +0800</pubDate><description><![CDATA[ROS 开发环境简介首先考虑几个问题？ 
1. 做实验的时候，如果想要把图像数据和处理之后的图像的数据保存下来，怎么办？imwrite("xx",xx);
如果同时想记录传感器的数据，GPS的数据怎么办，
ofstream fps("xx.txt")
如果想要同时记录他们的采集的时间呢？
如果想要从机器人上实时传输图像到PC上要查看，怎么办？ 
socket(TCP/IP)
Remote Deskt]]></description><category></category></item><item><title><![CDATA[SLAM代码（ORB-SLAM阅读）]]></title><link>https://blog.csdn.net/wendox/article/details/53504536</link><guid>https://blog.csdn.net/wendox/article/details/53504536</guid><author>wendox</author><pubDate>Wed, 07 Dec 2016 13:32:47 +0800</pubDate><description><![CDATA[主要步骤 
1. 为什么是这样的步骤，为什么只要这几个步骤，为什么是这样的顺序？ 
2. 这样做的目的是什么？步骤1.1ORB的跟踪器使用一个运动模型，在每次完成位姿计算之后会跟新这个运动模型，根据匀速度模型进行对上一帧的MapPoints进行跟踪，根据上一帧特征点对应的3D点投影的位置缩小特征点匹配范围。这里意思是说我们假设相机是匀速运动的，然后根据上一帧的位姿，我么预测到这一帧对应的位姿，然后使]]></description><category></category></item><item><title><![CDATA[SLAM代码（设计模式2）]]></title><link>https://blog.csdn.net/wendox/article/details/53489982</link><guid>https://blog.csdn.net/wendox/article/details/53489982</guid><author>wendox</author><pubDate>Tue, 06 Dec 2016 17:58:46 +0800</pubDate><description><![CDATA[上一个博客中，我们介绍了一些关于slam的前端的设计思想的内容，这里我们继续完成slam的前后端的设计 
首先我们给出slam程序中各模块的主要组成部分。我们先理清楚到底他们干了些什么，然后再说他们怎么实现的。其实吧，现代的CPU对多线程的代码支持的越来越好，因为木法提速，只能多个人（CPU核）干。所以在PTAM把Tracking 和 Maping 分开完之后，大家一下子就觉得这样玩真的不错，一窝蜂]]></description><category></category></item><item><title><![CDATA[SLAM代码（设计模式）]]></title><link>https://blog.csdn.net/wendox/article/details/53454768</link><guid>https://blog.csdn.net/wendox/article/details/53454768</guid><author>wendox</author><pubDate>Sun, 04 Dec 2016 16:14:27 +0800</pubDate><description><![CDATA[我们在学面向对象的时候有本非常出名的叫做《设计模式-可复用面向对象软件的基础》。那么而在slam的实现中有没有这一种或者几种可以总结归纳的设计模式呢？我们在看一些slam的书的时候，有些要么就是介绍很多状态估计的理论，要么就是介绍很多多视几何的各种视觉理论。那么我们在看了这些理论之后，仍然无法下手，那么一个典型的好的slam的代码的基本结构是什么样的呢？一个slam代码的]]></description><category></category></item><item><title><![CDATA[CPU指令级优化（1）]]></title><link>https://blog.csdn.net/wendox/article/details/53393856</link><guid>https://blog.csdn.net/wendox/article/details/53393856</guid><author>wendox</author><pubDate>Tue, 29 Nov 2016 15:54:43 +0800</pubDate><description><![CDATA[简介Intel的CPU和ARM的CPU都有SIMD指令，可以完成CPU 指令级的并行化。这里边主要涉及CPU的汇编的知识和一些寄存器的知识。在一些耗时的SLAM优化迭代的场合，经常出现这样的指令的优化。SSE是Intel x86架构CPU的SIMD指令的简称，NEON是ARM CPU的SIMD指令的简称。由于项目的需要，我以前的时候用过一段SSE指令，后来一段时间没有在接触过，最近在玩飞机，我们在D]]></description><category></category></item><item><title><![CDATA[阅读代码的几点建议]]></title><link>https://blog.csdn.net/wendox/article/details/53214672</link><guid>https://blog.csdn.net/wendox/article/details/53214672</guid><author>wendox</author><pubDate>Fri, 18 Nov 2016 11:44:34 +0800</pubDate><description><![CDATA[阅读代码的几点建议增加编程技巧的方式就是阅读好的程序，一些好的代码的文档丰富，说明详细，因此代码阅读比较快，打宝石并非所有代码都那样的，一些代码的注释不多，而且语法复杂，继承多态化比较多，因此看这样的代码的时候注意策略。最好的看待的方式是什么？阅读那些比较庞大的，结构不清晰，多人维护的代码的最佳的方式是什么？构建病运行测试代码　Build and Run the Program能够运行代码病观察外部]]></description><category></category></item><item><title><![CDATA[程序如何使用cmake链接至libcaffe.so库文件]]></title><link>https://blog.csdn.net/wendox/article/details/53186260</link><guid>https://blog.csdn.net/wendox/article/details/53186260</guid><author>wendox</author><pubDate>Wed, 16 Nov 2016 14:34:43 +0800</pubDate><description><![CDATA[如何使用cmake链接至libcaffe.so库文件[Improved CMake scripts in github]https://github.com/BVLC/caffe/pull/1667给出了使用cmake编译caffe的方法，因此编译之后cmake系统则知道caffed的路径。 
这样使用caffe的其他代码构建的时候只需要使用find_package函数就可以说编译链接caffe非常]]></description><category></category></item><item><title><![CDATA[玩转四旋翼无人机（DJI ROS SDK开发包及使用方法)]]></title><link>https://blog.csdn.net/wendox/article/details/53066002</link><guid>https://blog.csdn.net/wendox/article/details/53066002</guid><author>wendox</author><pubDate>Mon, 07 Nov 2016 14:26:08 +0800</pubDate><description><![CDATA[本文主要介绍Onboard-SDK-ROS的代码设计思想和使用方法，该软件包主要用来完成M100的开发等。 
该软件包的主要有3个部分 
1. 核心的API部分dji-sdk-lib，用于串口通信，建立各种任务的线程，读取信息的线程。 
2. 用于封装核心API为ROS接口的dji_sdk 
3. 简单的demo，给出了dji_sdk的使用方法。Onboard-SDK，顾名思义，这个包是用来给机载的]]></description><category></category></item><item><title><![CDATA[ROS 使用方法 关于actionlib]]></title><link>https://blog.csdn.net/wendox/article/details/53063899</link><guid>https://blog.csdn.net/wendox/article/details/53063899</guid><author>wendox</author><pubDate>Mon, 07 Nov 2016 09:59:24 +0800</pubDate><description><![CDATA[主要作用在ros中，如果想要发送一个request给一个节点该节点完成一些任务，并且给出一个回复，这样可以使用ros中的service完成。但是有一些应用中任务执行的时间很长，用户需要查看执行的进度如何，以及或者取消该任务，ros中提供了一个actionlib package来建立服务，执行一个长时间运行的可抢占目标。 
使用client server接口，使用ROS action 协议通信。cli]]></description><category></category></item><item><title><![CDATA[RNN 之LSTM简介]]></title><link>https://blog.csdn.net/wendox/article/details/52857655</link><guid>https://blog.csdn.net/wendox/article/details/52857655</guid><author>wendox</author><pubDate>Wed, 19 Oct 2016 11:07:42 +0800</pubDate><description><![CDATA[原理在查阅文章的开始只注重了使用CNN的SLAM的文献,后来注意到一些RNN的方法也可以借鉴,因此查阅了一下当前使用RNN做三维重建,SLAM等问题的文章,果然存在一些不错的文章. 
所以这里介绍首先介绍一下LSTM的原理和方法. 
LSTM的出发点就二十为了解决RNN中梯度回传的问题:The vanishing gradient problem for RNNs，也就是后面时间的节点对于前面时间的]]></description><category></category></item><item><title><![CDATA[pycaffe使用教程]]></title><link>https://blog.csdn.net/wendox/article/details/52840383</link><guid>https://blog.csdn.net/wendox/article/details/52840383</guid><author>wendox</author><pubDate>Mon, 17 Oct 2016 17:38:00 +0800</pubDate><description><![CDATA[API 接口首先import pycaffe前向后向操作,处理IO,可视化网络,模型求解,所有的模型数据和参数,这些内容都已经有了接口,因此可以读写.caffe.Net is the central interface for loading, configuring, and running models.
caffe.Classifier and caffe.Detector provide c]]></description><category></category></item><item><title><![CDATA[深度网络 Fine-tuning方法简介]]></title><link>https://blog.csdn.net/wendox/article/details/52840372</link><guid>https://blog.csdn.net/wendox/article/details/52840372</guid><author>wendox</author><pubDate>Mon, 17 Oct 2016 17:36:53 +0800</pubDate><description><![CDATA[迁移学习有两种方式,一是卷积网络作为固定的特征提取器.拿到一个预训练好的卷积网络,去掉全连接层,吧其余的部分作为一个特征提取器.alex网络会计算一个4096D的特征向量,称之为cnn codes.有了这些特征很容易训练一个线性分类器. 
另外一种方式是fine-tuning卷积网络,是本文主要介绍的内容.该方法中不仅替换掉了顶层的全连接层,而且会改变预训练网络中的权值数据.这里既可以改变全部的网络]]></description><category></category></item><item><title><![CDATA[posenet]]></title><link>https://blog.csdn.net/wendox/article/details/52825188</link><guid>https://blog.csdn.net/wendox/article/details/52825188</guid><author>wendox</author><pubDate>Sat, 15 Oct 2016 20:53:49 +0800</pubDate><description><![CDATA[首先介绍一些资源 
1. The Future of Real-Time SLAM and Deep Learning vs SLAM 
2. qura 
3. deep learning with robot 
4. 
深度位姿估计网络方法1 PoseNet:@inproceedings{kendall2015posenet,
  title={PoseNet: A convolutional n]]></description><category></category></item></channel></rss>