Maverickp Blog

探索未知的世界与自己

MR_SLAM使用指南

"MR_SLAM Tutorial"

Basic Knowledge: MR_SLAM是用来验证我们最近提出的基于拉东变换的地点重识别方法RING/RING++的多机器人SLAM系统。在RING++的文章中,我们测试了该系统在数据集上的效果,同时也将其应用到了多个项目中,验证了实际应用的可行性。MR_SLAM我认为是比较模块化的系统,我自己有替换过里程计、地点重识别以及后端优化算法,代码上由于我自己水...

DiSCO使用指南

"DiSCO Tutorial"

Basic Knowledge: DiSCO:Differentiable Scan Context with Orientation是我去年在RAL上发表的一篇关于地点重识别的文章,它可以做到又快又好地识别室外场景中的回环,同时还能估计回环关键帧之间的相对旋转。我已经把DiSCO集成到一个大系统中,目前运行下来,表现非常令人满意。具体的介绍我之前的一篇blog有...

GEM使用指南

"Elevation Mapping Tutorial"

Basic Knowledge: GEM是我和潘一源师兄合作的一篇做建图的文章,全名叫GEM: Online Globally Consistent Dense Elevation Mapping for Unstructured Terrain ,旨在处理户外资源受限场景下带闭环的建图问题。局部地图是基于ETHZ的Elevation map的,当时测试下来,ET...

量化投资学习记录-2

"Beta Hedge"

Basic Knowledge: 大部分资料来源于宽客学院,本文在此基础上进行一些扩充与整理。 1. $\beta$ 对冲 因子模型:通过若干项资产回报的线性组合来解释一个投资组合回报的方式,其一般形式可以表示为一个多元线性回归模型: \[Y=\alpha+\beta_1X_1+\beta_2X_2+...\beta_nX_n\] ...

量化投资学习记录-1

"alpha and beta"

Basic Knowledge: 大部分资料来源于宽客学院,本文在此基础上进行一些扩充与整理。 1. $\alpha$ and $\beta$: 资本资产定价模型(Capital Asset Pricing Model, CAPM): $E(r_{i})=R_f+\beta_i(E(R_M)-R_f)$, ...

量化投资学习记录-0

"what is Quantitative Investment"

Basic Knowledge: 大部分资料来源于宽客学院,本文在此基础上进行一些扩充与整理。 1. 什么是量化投资: 量化投资是指通过数量化模型建立科学投资体系,以获取稳定收益。 在海外的发展已有30多年的历史,其投资业绩稳定,市场规模和份额不断扩大、得到了越来越多投资者认可。在国内,量化投资不再是一个陌生的词汇,近几年得到了迅猛的发展。 价值投资和...

Pose Graph Optimization 整理一

"PGO整体脉络梳理一"

最近在学习后端优化的前沿知识,发现其中有些部分之前理解的还不是很清楚,因此专门挑了个时间对后端优化进行了稍微系统性一些的学习。这篇blog就将梳理一下 Pose Graph Optimization 的研究脉络,以及一些传统的方法与技巧。后续也将在此基础上进一步分享前沿 PGO 的研究成果。 1. 背景知识 接触过SLAM系统的同学应该都对位姿图有所耳闻。SLAM...

可估计旋转的激光地点重识别方法 - DiSCO

"工作记录"

这是一篇去年的RAL文章,今天终于找到了空余时间重新来写一个blog系统性地介绍一下这个工作。 Motivation 全局定位的过程可以分为两个部分:1、地点重识别(Place Recognition)2、位姿估计(Pose Estimation)。目前在两个部分都有许多优秀的工作,地点重识别只考虑估计当前位置在地图database中的哪个位置,然后交给位姿估计模...

服务器双网卡配置

"工作记录"

前情提要 网卡1走的路由器,在路由器的局域网下,可以上网。网卡2走的内网,可以通过IP直接内网访问。之前一直都是利用路由器不同端口的方法来访问路由器下的各台服务器,比较麻烦。现在想给每台服务器分配一个内网IP,直接访问,但同时也想通过路由器上网。 静态IP设置 #auto lo #iface lo inet loopback #路由器,有网 auto 网卡...

C++可申请数组大小限制

"工作记录"

问题陈述 还是DiSCO的实验,DiSCO的预处理涉及到大量的点云转polar BEV的计算,这个过程是具有并行性的,因此之前写论文的时候用到了CUDA+Cython加速。CUDA部分是用来计算点云中每个点在polar BEV中的坐标值,C++根据CUDA中计算的坐标值将对应的点信息重新整理成polar BEV,Cython则是用来将C++的程序wrap成pytho...