汐汐的成长之路

🙋本文主要讲讲C++的引用 是基础入门篇~ 🌈 关于引用 几个比较重要的点 🌿引用相当于为一个已经存在的对象所起的另外一个名字 🌞 定义引用时，程序把引用和它的初始值绑定（bind）在一起，而不是将初始值拷贝给引用。一旦初始化完成，引用将和它的初始值对象一直绑定在一起。因为无法令引用重新绑定到另外一个对象，因此引用必须初始化 🌺 另外要注意 类型不能混用 🐳相信看完后 你会有所收获~ ⛵ 引用并非对象 引用必须初始化 引用只能绑定在对象上，而不能与字面值或某个表达式的计算结果绑定在一起 类型要严格匹配 引用 C++11中新增了一种引用:所谓的“右值引用(rvalue reference)”,我们将在13.6.1节(第471页)做更详细的介绍。这种引用主要用于内置类。严格来说,当我们使用术语“引用（reference)”时，指的其实是“左值引用（Ivaluereference)”。 引用（reference）为对象起了另外一个名字，引用类型引用(refers to)另外一种类型。通过将声明符写成&d的形式来定义引用类型，其中d是声明的变量名: 12345int ...

C++ 学习 关于无符号数的计算 这篇blog 来源于C++ 的学习 当然C语言同样适用 C++ Primer 的笔记 🌿让我们从一个问题开始 如果你回答对了 那么就可以跳过了~ 对于下面的问题 123456789101112131415//读程序写结果。unsigned u = 10,u2= 42;std::cout << u2 - u<< std::endl;std::cout <u - u2 << std:: endl;int i = 10,i2 =42;std::cout<< i2 -i<< std::endl; std::cout << i - i2<< std::endl; std::cout << i - u<< std::endl; std::cout << u- i<< std::endl;unsigned k1 = 42,k2 = 10;std::cout<<k2-k1<<std::endl;std ...

Review of Factor Graphs for Robust GNSS Cite : Das S, Watson R, Gross J. Review of factor graphs for robust GNSS applications. arxiv preprint arxiv:2112.07794. 2021 Dec 14. 本文是该文的翻译版 适合大概的因子图综述阅读 什么是因子图 概率建模是任何一种估计问题的一个非常重要的工具。这导致了图形模型[1]的发展，该模型使用图中的顶点对系统的已知变量和未知变量进行建模，并定义它们之间的边来表示它们之间的关系。由于系统建模中固有的不确定性，这些关系是概率性的。 一个因子图连接了这些图形化的许多类型的模型，如马尔可夫随机场，贝叶斯网络，坦纳图[2]。因子图的主要动机是将许多变量的全局函数表示为具有变量的较小子集的局部函数的乘积。因子图不是一种方法，而是一种使用其局部性结构建模任何系统的框架，即每个变量只依赖于其他几个局部变量，并且独立于其他局部变量。 正如在[3]中所解释的那样，正是这种局部性特性使它在建模各种问题中非常 ...

Sqare Root SAM Simultaneous Localization and Mapping via Square Root Information Smoothing 基于平方根信息平滑法的同步定位和映射 后面的其他部分 和 因子图优化相关问题重了 摘要 我们研究平滑方法作为一个可行的替代扩展卡尔曼滤波的解决方案。特别地，我们研究了将相关信息矩阵或度量雅可比矩阵分解为平方根形式的方法。与EKF相比，这种技术有几个显著的优势：它们更快又精确，可以批量或增量模式使用，可以更好地处理非线性过程和测量模型，并以更低的成本产生整个机器人轨迹。 此外，以一种间接但引人注目的方式，列排序启发式自动利用了SLAM问题的地理本质中固有的局部性。在本文中，我们提出了这些方法背后的理论，以及根据与SLAM问题相关的图形模型对因子分解的解释。我们在大规模环境中展示了模拟结果和实际的SLAM实验，这强调了这些方法作为基于EKF的方法的替代方案的潜力。 1.介绍 其中最早和最流行的方法是基于扩展的卡尔曼滤波器（EKF）[68,60,59,2,69,51,49]。EKF递归地估计机器人当前姿态和所 ...

因子图优化相关问题 🌞这篇blog主要是记录毕设一些因子图相关的问题 不太好手动理解的点 主要途径就是通过看论文 还有gpt搜集到的一些理解的东西 记录一下 为什么用联合概率密度来描述导航问题 解释1 在导航和其他机器人感知系统中，状态估计问题经常涉及位置X，地图L和观测数据Z的不确定性。利用联合概率密度函数来表示这些变量，可以系统地包含所有相关的不确定性和依赖关系，从而使得可以进行精确的推断和决策。以下是详细解释为什么采用这种表示方法： 在导航问题中： X 表示机器人的位置状态序列，即在不同时间点的位置状态。 L 表示环境的地图，包括可能的地标或其他特征。 Z 表示机器人的观测数据序列，即机器人通过其传感器相对于环境特征的观测。 概率模型表示 初始状态的概率 \(P(x_0)\)：这是机器人在开始导航前的位置状态的初始概率分布。这通常是基于先验知识或初始观测所给定的。 状态转移概率 \(\prod_{i=1}^M P(x_i|x_{i-1}, u_i)\) ：这一部分表示机器人位置的演化，其中每个状态 \(x_i\) 取决于前一个状态 \(x_{i-1}\) 和执行的控制 ...