写给舅舅
舅舅是个了不起的人,在他那一代里,他应该是最有出息的。说起来我对他并不了解,只是很小的时候在他家里住过,也许是他第一次让我知道了火车是什么东西。
这篇文章来介绍一个经典的生成模型,Variational Auto Encoder,也被称为VAE。它有着比较好的效果和比较优美的理论推导,也是理解最近大放异彩的模型diffusion model的基础。
现在用来记录的东西,除了这个hexo搭的博客,另外一个就是notion。他们靠谱好用,免费,但是不管怎么说都是别人的工作。而曾经的我也全栈操作做过一个论坛+博客系统,那时候英文不太行,也是想着进步的青年,evolution这个单词对于我来说算是很酷的,所以我的论坛名字也叫EVOLUTION(现在我更喜欢revolution这个词了)。
文艺复兴,突发奇想想要重新把自己的博客搭起来。仔细研究一下,发现其实变化不大,但还是遇到了一些问题,所以在这里记录一下。
这是不看ufc的人,也可以听的一个关于人民冠军“夜魔”弗格森的故事。
本篇文章记录一下图神经网络的基本内容,是看了李沐老师讲的一篇博客。博客连接如下:https://distill.pub/2021/gnn-intro/。
这次跟着李沐老师读了Transformer的原始论文:Attention is All You Need。这篇文章不长,但是构架比较新,而且一开始面对的是NLP的问题,所以其实对我来说信息量挺大的;再加上它是后面很多工作的基础,包括attention机制在视觉领域也表现得很好,所以还是专门写一篇记录一下。
GAN现在已经开创了一个新的领域了,但是惭愧的是我一直没有去读它。今天看了一下李沐老师的解读,简单介绍一下它的思想。Paper链接:https://arxiv.org/pdf/1406.2661.pdf。
LeGO LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain.
IMU预积分,耳熟能详,但是一直没有仔细了解。这里详细介绍一下。
回顾一下SLAM中的几何基础。
本文为拆解LIO-SAM代码的第二部分。
本文为拆解LIO-SAM代码的第一部分。
Lio-sam: https://github.com/TixiaoShan/LIO-SAM
Lio-sam has a similar code structure with A-LOAM (more similar to LeGO-LOAM, but without ground points). However, they are very different. A-LOAM doesn't have a pose graph optimization in back-end. It uses current scan to matching the global map, which can lead to drift over a long distance scanning.
本文为拆解LOMA代码的第一部分。
本文为LOAM的代码拆解第三部分。
本文为拆解LOAM代码的第二部分。
严格来说,这里记录的是A-LOAM:https://github.com/HKUST-Aerial-Robotics/A-LOAM。但是A-LOAM与LOAM(https://ri.cmu.edu/pub_files/2014/7/Ji_LidarMapping_RSS2014_v8.pdf)只有一些微小的不同,是一个很好的入门学习框架(秦通写的)。
我感觉这篇文章写得一般,但是A-LOAM写得还是很通俗易懂的,所以本篇分析顺着代码来走,用论文作为参考。具体分析请看下面的三篇文章。
理解传感器的原理对于更好地理解激光SLAM在做什么有很大的帮助。例如在LOAM中,会提到直接得到的点云是distorted,这就和雷达的原理有关系,雷达扫描一圈是需要时间的,而我们会把扫描一圈的结果当作一个Frame,很明显如果雷达是运动状态,那么这个点云是有扰动的。