内容列表 1.相似变换、仿射变换、射影变换的区别。 2.单应矩阵和基础矩阵的区别。 3.视差和深度的关系。 4.二值图,最大联通区域。 5.梯度下降法,牛顿法和高斯牛顿法优劣。 6.边缘检测算子。Canny,Sobel,Laplace。 7.BA算法的流程。 8.SVO中深度滤波器原理。 9.某个SLAM框架工作原理,优缺点,改进。 10.Ransac框架的实现。
1 四旋翼被控对象数学模型 function y = fcn(xin,uin) %12个状态 4输入 12输出 x1滚转角 x3俯仰角 x5偏航角 x7高度z x9平动x x11平动y u=uin(1:4); x=xin(1:12); Dx=10^-6; Dy=10^-6; Dz=10^-4; g=9.81; m=1; Jx=8.1*10^-3; Jy=8.1*
1 面装式永磁同步电机的数学模型 鲁棒非线性伺服控制及应用 京东 ¥73.10 去购买 (1){uq=Rsiq+Lddiqdt+ωLdid+ωΨfud=Rsid+Lddiddt−ωLqiqTe=1.5npΨfiq=Jdωrdt+kfωr+TLdθrdt=ωr (1)参数说明 永磁同步电机参数列表.xlsx 10.9K
1 问题描述 (1)时滞系统控制器设计; (2)控制策略:将当前的控制量,延时一定时长后,再赋值给当前系统; 2 时滞算法步骤 (1)申请控制量 ux 存储空间 假设延时时间为 τ ,计算步长为 h ,那么可得 (1)kn=τ/h+1. (2)ux(i)=0,i=1,2,...,kn. (2)控制器计算出此时控制量 u ,并赋值给 ux 最后一个元素 (3)ux(i)=u
1 问题描述 (1)使用matlab程序编写LADRC控制系统 (2)针对一阶/二阶系统 (3)离散化方法 2 数值计算结果(一阶系统) (1)G(s)=1.40.1s+1. (1)跟踪正弦信号 (2)跟踪阶跃信号 3 计算程序(一阶系统) function LADRC1() %{ 程序功能: 1、使用m语言描述LADRC的程序 2、一阶对象 %}
0 原理图 Note: (1)适用对象:二阶系统; (2)对象形式: (0)y¨=f(t)+bu. 1 跟踪微分器 Tracking Differentiator 主要算法: (1){v1(k+1)=v1(k)+h∗v2(k)v2(k+1)=v2(k)+h∗fh fh=fhan(v1−v0,v2,r,h1)h1=α∗h fhan函数: %% fhan函数 fu
1 问题描述 (1)将扩张状态观测器的极点统一配置在s平面负实轴-wo处,可以缩减待调节的参数; (2)计算机计算出来的LESO特征根的数值解,含有一个极小的虚部,导致LESO的状态量输出含有振荡。 2 计算过程 LESO方程:(1){x^=Ax^+Bu+G(y−y^),y^=Cx^. 误差系统的近似:(2)x~=(A−GC)x~. 极点配置: 选取矩阵G保证(A-GC)的特征根全为
Turtlebot3的github地址是https://github.com/ROBOTIS-GIT/turtlebot3,其中激光雷达默认的最远测距是3.5m。 当把3.5m修改为3.5m以上的数时,前方的激光发射会存在问题,如下图所示。总之会有许多测距的异常值,大概在0.1~0.2左右。(请无视我小车和车轮的颜色,这是我之后自己改过的,在这里我用的小车的型号是waffle) 事先声明,这个
1 问题描述 Chenglin Li:自抗扰控制理论(四)ADRC控制串级系统 2 搭建串级线性ADRC控制系统模块 当设置内外环总扰动全部为0时,系统内环可以镇定的很好; 系统外环Wc=4, Wo=4时,系统输出稳定; 内环总能跟踪很好 Wc=4, Wo=10时,观测器发散; 外环观测器发散 系统输出随之也发散 系统输出发散
核心思想 本文提出一种基于稠密匹配的位姿估计和优化方法(DPOD)。之前介绍的基于关键点匹配或控制点匹配的位姿估计方法都是基于稀疏匹配的方法,利用PnP算法进行求解。这类方法的问题在于匹配点的数量较少,受误匹配点的影响较大,导致位姿估计的鲁棒性较差。而本文则是利用立体投影(球面投影或圆柱投影)将3D模型上的点映射到一个两通道的二维UV图上,本文称之为对应映射(或匹配映射,Corres
核心思想 本文提出一种端到端的基于关键点匹配的位姿估计方法,与之前关键点匹配方法不同之处在于本文提出一种可微分的异常点剔除方法,使得整个算法能够实现端到端的训练。 如图(a)所示,传统方法是手动设计特征提取关键点,并和模型关键点匹配,求解位姿,这类方法的局限在与关键点特征不是通过学习获取的,对于特征信息较少的物体,处理起来存在困难。如图(b)所示,直接方法是通过CNN根据输入图像回
核心思想 本文提出一种基于RGB-D图像预测目标物体位姿的方法(DenseFusion)。首先,利用一个语义分割网络得到目标物体的分割图像,分别用两个网络用于处理RGB图像和点云图(由深度图获得),将颜色特征和几何特征逐像素的拼接起来,并利用一个特征融合网络获得全局特征。然后将全局特征级联到每个像素的特征向量上,并利用位姿预测网络输出每个像素点对应的位姿估计结果和一个置信度值,最终选
核心思想 本文提出一种基于卷积神经网络的物体分割与位姿估计的方法(PoseCNN)。如下图所示,输入图像经过卷积层特征提取之后,分成三个任务分支:语义分割、平移矩阵预测和旋转矩阵(四元数)预测。最后结合三个分支的预测结果,得到每个物体的位姿估计。 语义分割分支采用了常见的全卷积神经网络方法。平移矩阵的预测并不是直接通过回归的形式输出中心点坐标,因为这种方法当中心点被遮挡时容易失效。
核心思想 本文提出一种通过迭代的方式对初始位姿估计结果进行优化的方法(DeepIM)。作者发现目前基于RGB图像的位姿估计算法相对于基于RGB-D图像的位姿估计算法其准确率存在一定的差距,作者认为缺少一种有效的位姿优化方法来解决基于RGB图像位姿估计不准确的问题。作者首先根据初始位姿和目标物体的3D模型,渲染出目标物体在初始位姿下的图像,然后比对初始位姿下的图像和实际观测到的图像之间
核心思想 本文提出一种通过重建渲染目标物体在不同视角下的3D特征进行位姿估计的方法(LatentFusion)。早期的位姿估计方法中,有种方法就是预先采样得到不同视角下目标物体的图像,通过比对当前图像和不同视角下图像之间的相似性来找到最相似的视角,该视角对应的物体位姿即为目标物体的位姿。这种方法当然是比较原始的,因为采样过程是离散的,采样视角的数量就决定了位姿估计的准确性,另一方面不
核心思想 本文提出一种基于混合特征表示的位姿估计方法(HybridPose),融合了关键点、边缘和对称点三种类型的特征,通过构建2D图像特征和3D空间特征之间的对应关系,利用EPnP算法求解目标位姿。相比于仅利用关键点特征进行位姿估计的方法而言,引入边缘和对称点特征能够提高位姿估计的稳定性。边缘特征并不是指目标物体的边缘轮廓,而是关键点之间的连线,该特征能够在图像中的关键点比较杂乱时
核心思想 本文提出一种基于双目图像进行透明物体位姿估计的方法。作者首先回顾了现有的位姿估计方法,通常采用单目相机获取目标2D图像,并与物体的3D模型或者RGB-D获取的点云图像进行匹配,进而实现位姿估计。而RGB-D传感器对于透明的,光滑的物体,其距离感知效果并不好。为了解决这个问题,作者采用了双目立体视觉来获得透明物体的深度信息,并通过提取物体上的关键点,利用反透视变换来获取关键点
核心思想 本文提出一种基于坐标的6D位姿估计网络,现有的位姿估计算法通常可以分为直接方法和间接方法,直接方法就是通过回归的方式直接输出6D位姿信息,间接方法就是分别预测目标的2D图像坐标和3D空间坐标,然后通过PnP方法来计算位姿。作者发现对于位姿估计中的旋转矩阵,使用间接法计算更加准确,而对于平移矩阵更适合用直接法来计算,因此作者提出了“分离”位姿网络,分别使用两种方式来估计旋转和
核心思想 本文提出一种基于3D关键点投票网络的姿态估计算法。通过投票的方式从RGBD图像中寻找3D关键点,并采用语义分割网络和中心点检测网络实现实例分割,最后根据实例中关键点和对应模型的关键点之间的匹配关系,利用最小二乘法计算得到图像实例与模型之间的位姿变换(旋转矩阵+平移矩阵),即得目标物体的6D位姿。特点在于本文不是直接从图像中提取关键点,而是利用网络预测每个点与关键之间的位置偏
核心思想 本文提出一种基于3D关键点的位姿估计方法,其思想在于利用一张RGB图像作为参考图像,通过将测试图像和参考图像之间进行关键点匹配,再利用Kabsch算法得到两幅图像之间的位姿变换,进而根据参考图像的位姿得到测试图像的位姿。与其他的位姿估计方法不同,本文在训练过程中只需要已知相对位姿变换的一对图片(每次训练需要一对,整个训练过程还是需要许多对图像的)。相对于需要大量的已知位姿的
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信