我们在本地windows使用各种IDE可以很方便的调试代码，但是有的项目对内存或者显存需求量很大，本地的机器很难满足。实验室刚好有一个linux服务器，内存够大，gpu够给力，不过我没有在服务器上安装IDE的权限，于是就鼓捣了一下pycharm的远程调试。 pycharm远程调试 pycharm的远程调试其实就是利用ssh先将本地工程拷贝到远程服务器上，然后在远程服务器上运行，所以我们需要给pyc

单目相机无法恢复真实尺度，使得双目相机成为了很多开发者的选择。 双目相机模型 双目恢复深度进行三维重建的原理与人眼类似，为了进一步分析双目测距的原理，可以从下图深入理解双目相机模型： stereo 双目相机一般由左眼和右眼两个水平放置的相机组成。上图中左右两个相机都是使用针孔相机模型，两个相机的成像平面在同一个水平面上，同时两个相机光心是水平放置的，因此对于一个P点，其在两个图像上的投影点的

目录 目录 自监督学习简介 自监督学习与监督学习和无监督学习的比较 第一类-基于数据生成的任务 上色任务 视频预测——下一秒你会在哪里？ 第二类-基于数据变换的任务 第三类-基于多模态数据的自监督任务 对比学习 以下转载自知乎的一篇文章 自监督学习（self-supervised learning）可以被看作是机器学习的一种“理想状态”，模型直接从无标签数据中自行学习，无需标注数据

主要近来又发现本人的记忆力水平需要笔记辅助，因此写来备忘。 目录 目录 Softmax函数 Triplet_loss 目的 原理 Softmax函数 Softmax函数，也叫归一化指数函数，主要是用来辅助多分类任务。 应用场景： 对于一个k分类的问题，通过对一个物体的特征进行处理，得到一个k维向量v，最好的结果当然是正确分类的维度取值1，其他维度取值0. 但是一般情况下我们得到的结果是

上个月比较忙，一篇博客都没写，这是2020第一篇～ 这篇博客的内容主要参考了官网与一篇知乎上的文章 内存对齐问题 这个是在学习Eigen的过程中顺便学习的。Eigen中有较多的矩阵与向量运算，因此可以使用SSE、AVX等指令集进行加速，当编译时打开-march=native这个选项时，会尝试对Eigen中的运算进行加速。而加速时内存对齐，因此如果不满足就会报错。 向量化运算 向量化运算就是用S

最近好忙，只能想起来就写一点，把空间坐标系总结一下。 空间坐标系 我们生活在宇宙中，我们生活在地球上。地球相对于宇宙肯定不是固定不动的，我们知道地球绕太阳公转，同时本身也有自转（具体地球的运动，请见附录）。 我们知道，定义坐标系都是有一个参照物的，因此，根据参照物的属性，我们首先可以将空间坐标系划分为两种：惯性坐标系与地球坐标系。 惯性坐标系 地球坐标系 地心地固坐标系 地心地固直角坐标

之前写过一篇讲解BA的博客，不过那篇主要侧重于讲解BA在slam中的应用与求解方式，但是忽略了对于细节的边的构造与jacobian矩阵的计算的讲解，前几天有人提醒我这一点，所以今天抽出来时间补充一下。 BA优化中的边（重投影误差） Bundle Adjustment，中文翻译有捆集调整、光束法平差。它的主要思想是最小化重投影误差。 BA优化的误差边也就是重投影误差边。 - 投影过程是将一个地图点（

之前写过一篇博客介绍vins中进行初始化的操作，其实在这之前，vins会首先进行外参的标定。今天终于找到时间写一下。 外参标定 外参 此处的外参指的是相机坐标系到imu坐标系（body）的变换矩阵。下文中会使用\(T_{bc}\)来表示。 vins中的设置 在vins中可以通过在配置文件中设置estimate_extrinsic值来选择对外参进行如何处理 将这个值设为0时代表提供的外参已经是准确

在机器人学中，坐标变换是一个及其复杂但重要的问题。为了更清楚的表达，我们在本文中做出如下约定。 坐标、姿态的表达使用下标来表明坐标系。比如物体在A坐标系下的位置坐标为\(P_{A}\) 将坐标系B的坐标变换到A坐标系的坐标的变换矩阵，记为\(T_{AB}\) 本文中使用的向量\((x,y,z)\)是横向量，纵向量形式为\((x,y,z)^T\) 一般我们在描述不同物体之间的位姿变换关系时，会

之前写过一篇关于ros入门的博客，但是这段时间我再看时发现当时比较关注全面性，所以在里面可以看到ros里几乎所有的基本知识。但是通篇看下来每一个讲的都没有很仔细，都是概念性的讲解。使得看完后，大家似乎对于ros的实现机制与功能模块有了一定的理解，但是如何使用ros呢？如何开发ros呢？好像还是有一些不是很懂。所以这一篇博客就会从ros使用的案例来说明，如何使用一个最小ros的功能包来跑起来节点。