自动驾驶-机器人-slam-定位面经和面试知识系列05之常考公式推导(02)

这个博客系列会分为C++ STL-面经、常考公式推导和SLAM面经面试题等三个系列进行更新,基本涵盖了自己秋招历程被问过的面试内容(除了实习和学校项目相关的具体细节)。在知乎和牛客(牛客上某些文章上会附上内推码)也会同步更新,全网同号(lonely-stone或者lonely_stone)。
关于高频面试题和C++ STL面经,每次我会更新10个问题左右,每次更新过多,害怕大家可能看了就只记住其中几个点。(在个人秋招面试过程中,面试到后面,发现除了个人项目和实习经历外,个人所记录的内容基本能涵盖面试官能问到的)
(另外个人才疏学浅,如果所分享知识中出现错误,请大家指出,避免误导其他人)

1. 对极约束+H-E-F

如果求职岗位与定位、SLAM这些相关,那对极约束相关的这三个矩阵肯定是必会的,并且推导流程也是要烂熟于心才行。
在这里插入图片描述

以上是我个人习惯的推导示意,大家可以自己手动推一下,然后最后记下来,这样印象要深刻一些。

其中基础矩阵秩只有2,因此F的自由度为7。它自由度比本质矩阵多的原因是多了两个内参矩阵
下面是单应矩阵:p2 = H * p1
在这里插入图片描述

先说结论,基础矩阵F有7个自由度,本质矩阵E有5个自由度,单应性矩阵H有8个自由度。

  • 本质矩阵E=t^R:6-1=5,尺度等价性。怎么理解这里的尺度等价性?本质矩阵是由对极约束定义的。由于对极约束是等式为零的约束,所以对E乘以任意非零常数后,对极约束依然满足。我们把这件事情称为E在不同尺度下是等价的。此外,本质矩阵E的奇异值是[σ,σ,0]T的形式,这是本质矩阵的内在性质。
  • 单应性矩阵H:9-1=8,单应矩阵Homography,通常我们说它都是说二维平面到二维平面的映射,其实Homography是n维射影空间之间最通常的变换的统称,这类变换的一个特征是在齐次坐标的基础上进行,因此它的维数是(n+1)2,它是最通常的,所以我们能想到自由度就是(n+1)2,而齐次坐标存在尺度模糊,所以要在此基础上减掉1,放在2维空间的话就是(2+1)^2 - 1 = 8。
  • 基础矩阵F:9-2=7,尺度等价性 + 秩为2(不满秩),
    在这里插入图片描述

  其中p是像素点坐标。一般解释F是有7个自由度,是说它有个约束秩为2即行列式为0,所以在单应基础上再减1。

2. 多层优化模式的求导

求导这些也可以推一推写一写,看网上其实关于这些比较细节的还不是很多。下面这个推导过程自己可以多熟悉熟悉,具体的代码实现可以看看ORBSLAM3里面的无imu版本实现。
在这里插入图片描述

3. 坐标转换基础

接下来是在坐标系变换里面很重要也是很基础的部分,自己在刚开始实习或者做项目时,总是对坐标转换有些懵圈,有时候感觉可简单了,有时候又感觉不太对。后来就好好理了一下,发现如下图所示的(用向量的方式理解)方法会特别清楚。在后续关于坐标系和位姿的变换时都比较得心应手。(这些可能对有些人来说比较基础简单,之所以把这些也写了出来,是因为自己当初刚开始的时候会有这些麻烦,所以如果能对一两个人有用也可以)
在这里插入图片描述

4. 手写高斯牛顿迭代优化

如果说上面的两点只是有助于自己基础SLAM能力的话(可能面试中不会问的多),那关于手写高斯牛顿迭代优化的基本很多都会问了。
在这里插入图片描述

#include <iostream>
#include <opencv2/opencv.hpp>
#include <Eigen/Core>
#include <Eigen/Dense>
#include <chrono>using namespace std;
using namespace Eigen;
using namespace cv;int main(int argc, char **argv){double ar = 1.0, br = 2.0, cr = 1.0; // 真实参数结果double ae = 2.0, be = -1.0, ce = 5.0; //初始参数值int N = 100; // 数据点对个数double w_sigma = 1.0; // 噪声sigma值double inv_sigma = 1.0 / w_sigma; cv::RNG rng;      // opencv随机数产生器// step1.产生数据vector<double> x_data, y_data;for(int i = 0; i < N; ++i){double x = i / 100.0;x_data.push_back(x);double y = exp(ar * x * x + br * x + cr) + rng.gaussian(w_sigma);y_data.push_back(y);}// step2.开始Gauss-Newton迭代int iteration = 100;double cost = 0, lastCost = 0;chrono::steady_clock::time_point t1 = chrono::steady_clock::now();for(int iter = 0; iter < iteration; ++iter){Matrix3d H = Matrix3d::Zero();    // H = J^T * W^(-1) * JVector3d b = Vector3d::Zero();    // biascost  = 0;for(int i = 0; i < N; ++i){double xi = x_data[i], yi = y_data[i]; // 第i个数据点double error = yi - exp(ae * xi * xi + be * xi + ce);Vector3d J;J(0) = - xi * xi * exp(ae * xi * xi + be * xi + ce);J(1) = -xi * exp(ae * xi * xi + be * xi + ce);J(2) = - exp(ae * xi * xi + be * xi + ce);H += inv_sigma * inv_sigma * J * J.transpose();b += - inv_sigma * inv_sigma * J * error;cost += error * error;}// 求解线性方程组 Hx = bVector3d dx = H.ldlt().solve(b);if(isnan(dx[0])){cout << "result is nan!" <<endl;break;}if(iter > 0 && cost >= lastCost){cout << "cost:" << cost << ">= last cost" << lastCost << ", break." <<endl;break;}ae += dx[0];be += dx[1];ce += dx[2];lastCost = cost;cout << "total cost:" << cost << ", \t\t update:" << dx.transpose() << "\t\t estimated params:" << ae << " " << be << " " << ce <<endl;}chrono::steady_clock::time_point t2 = chrono::steady_clock::now();chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2-t1);cout << "solve time cost = " << time_used.count() << " seconds." << endl;cout << "estimated abc = " << ae << " " <<  be << " " << ce <<endl;return 0;
}

5. 手写扩展卡尔曼滤波进行参数估计

利用扩展卡尔曼滤波进行参数估计的问题当时被问的还不多,可能是自己更多是做BA的原因。记得是在面试滴滴提前批的时候就被问了这个题,结果不出意料,答得马马虎虎。后续我补全了一下。

问题:估计方程y=ax+b中的a和b参数
解答:在这个例子中,我们创建了一个 KalmanFilter 类,其中 a_ 和 b_ 是我们要估计的参数,p_ 是估计的协方差,processVariance_ 和 measurementVariance_ 是过程噪声和测量噪声的方差。
我们使用了一些模拟数据(可以替换为实际观测数据),并在每个数据点上调用 update 方法来更新我们对参数 a 和 b 的估计。

#include <iostream>
#include <vector>class KalmanFilter {
public:KalmanFilter(double a, double b, double processVariance, double measurementVariance): a_(a), b_(b), p_(1.0), processVariance_(processVariance), measurementVariance_(measurementVariance) {}void update(double x, double y) {// Predictiondouble prediction = a_ * x + b_;double predictionError = y - prediction;// Updatedouble gain = p_ * x / (x * x * p_ + measurementVariance_);a_ += gain * predictionError;b_ += gain * (y - prediction - a_ * x);p_ = (1 - gain * x) * p_ + processVariance_;}double getA() const { return a_; }double getB() const { return b_; }private:double a_, b_, p_;double processVariance_, measurementVariance_;
};int main() {// Simulate some datastd::vector<std::pair<double, double>> data = {{1, 2},{2, 4},{3, 6},{4, 8},// Add more data points as needed};KalmanFilter kf(0, 0, 0.01, 0.1); // Initial guesses for a, b and variancesfor (const auto& point : data) {double x = point.first;double y = point.second;kf.update(x, y);std::cout << "Estimated a: " << kf.getA() << ", Estimated b: " << kf.getB() << std::endl;}return 0;
}

这个题仅做参考,个人水平有限。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/50924.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mfc100u.dll 文件缺失?两种方法快速修复丢失mfc100u.dll 文件难题

您的电脑是否遭遇了 mfc100u.dll 文件缺失的问题&#xff1f;这种情况通常由多种原因引起。在本文中&#xff0c;我们将介绍两种修复 mfc100u.dll 文件丢失问题的策略——一种是手动方法&#xff0c;另一种是自动修复的使用。我们将探讨如何有效地解决 mfc100u.dll 文件缺失的几…

Linux中基本目录介绍

/bin: bin是Binary的缩写, 这个目录存放着最基本的程序。/boot: 这里存放的是启动Linux时使用的一些核心文件&#xff0c;包括一些连接文件和映像文件。&#xff08;不要动&#xff09;/dev: dev是Device(设备)的缩写, 存放的是Linux的外部设备&#xff0c;在Linux中访问这些设…

vscode 调试web后端

1、调试环境配置 一、安装python环境管理器 其中要先在vscode选择对应的python环境&#xff0c;最方便的是按照环境管理器后从中选择。其中在【externsions】里面安装python即可。 如下&#xff1a; 二、编写launch.json文件 其中如下&#xff1a; {// Use IntelliSense …

2024年第三届钉钉杯大学生大数据挑战赛初赛赛题浅析

一图流 题目 涉及模型 所需背景知识 综合难度 题量 题目复杂度 初赛A&#xff1a;烟草营销案例数据分析 ARIMA, SARIMA, Prophet, 线性回归, LSTM, 随机森林, XGBoost 时间序列分析, 机器学习, 数据预处理, 统计学 中等 3个主要问题 涉及时间序列预测和集成学习模型…

Redis 哨兵搭建

Redis哨兵(sentinel)搭建 7.2.5 文章目录 一、单节点哨兵1. 环境介绍2. 环境前准备工作3. 安装 Redis 7.2.54. redis 配置修改并且启动4.1 修改配置文件4.2 编写启动脚本 5. 开启主从5.1 开启5.2 主库实例查看主从信息 6. 创建sentinel的配置文件并启动6.1 创建配置文件6.2 启…

Qt-线程-创建线程的三种方法

文章目录 1: 派生于QThread2: 派生与QRunable3: moveToThread 1: 派生于QThread 派生于Qthread 是创建的Qt创建线程的方法 &#xff0c;重写虚函数void QThread::run()&#xff0c;在run写具体的内容&#xff0c;外部通过start调用&#xff0c;即可执行线程体run() 注意 :派生…

算法-插入排序

插入排序步骤 前面文章分享了两种排序算法&#xff1a;冒泡排序和选择排序。虽然它们的效率都是O(N2)&#xff0c;但其实选择排序比冒泡排序快一倍。现在来学第三种排序算法——插入排序。你会发现&#xff0c;顾及最坏情况以外的场景将是多么有用。 插入排序包括以下步骤。 …

2024固定资产管理软件排名 6款好用的企业资产管理软件

固定资产管理是企业财务管理的重要组成部分&#xff0c;选择一款好用的固定资产管理软件可以显著提升资产跟踪和维护的效率。本文将介绍几款功能强大且易于操作的固定资产管理软件&#xff0c;帮助企业优化资产管理流程&#xff0c;确保资产数据的准确性和实时性&#xff0c;从…

软件测试:Postman 工具的使用。开发及测试均需要掌握的测试工具

工具介绍 各个模块功能的介绍如下&#xff1a; 1、New&#xff1a;在这里创建新的请求、集合或环境&#xff1b;还可以创建更高级的文档、Mock Server 和 Monitor以及API。 2、Import&#xff1a;这用于导入集合或环境。有一些选项&#xff0c;例如从文件&#xff0c;文件夹导…

SpringBoot3:轻松使用Jasypt实现配置文件信息加密

文章目录 前言一、概述1.1 Jasypt库简介1.2 Jasypt库的主要特点 二、开发环境三、Jasypt集成到SpringBoot33.1 引入依赖3.2 配置Jasypt3.3 加密配置文件信息3.3.1 方案一&#xff08;不推荐&#xff09;a.编写测试类生成加密后的配置文件信息b.运行c.修改原本的配置文件信息 3.…

探索 GPT-4o mini:成本效益与创新的双重驱动

&#x1f49d;&#x1f49d;&#x1f49d;欢迎来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…

MySQL中的MVCC实现原理与处理流程

1. 什么是MVCC? MVCC,全称Multi-Version Concurrency Control,即多版本并发控制。它是一种并发控制方法,广泛用于数据库管理系统中,以实现对数据库的并发访问。在编程语言中,它实现事务内存。MVCC在MySQL InnoDB中的实现主要是为了提高数据库的并发性能,用更好的方式处…

如何解决 uni-app 项目中 “文件查找失败:‘crypto-js‘“ 的问题

在开发使用 uni-app 框架的项目时&#xff0c;遇到依赖问题是常见的。本文将介绍如何解决编译过程中出现的 “文件查找失败&#xff1a;‘crypto-js’” 错误&#xff0c;并说明这种错误为什么会发生以及如何避免。 问题背景 在对 uni-app 项目进行编译时&#xff0c;我们可能…

【优秀python web系统毕设】基于python的全国招聘数据分析可视化系统,包括随机森林算法

1.1 研究背景 自1997年互联网开始在国内的招聘行业发展至今已有二十几年的历史&#xff0c;互联网招聘进入了蓬勃发展的“黄金时代”。根据智研咨询发布的《2023年中国互联网招聘行业发展现状》报告显示&#xff0c;截至2023年5月&#xff0c;中国互联网招聘平台中&#xff0c…

2-46 基于matlab的声音信号的短时能量、短时过零率、端点检测

基于matlab的声音信号的短时能量、短时过零率、端点检测。通过计算计算短时能量、调整能量门限&#xff0c;然后开始端点检测。输出可视化结果。程序已调通&#xff0c;可直接运行。 2-46 短时能量 短时过零率 端点检测 - 小红书 (xiaohongshu.com)

C++初阶学习第四弹——类与对象(中)

目录 一. 类的默认成员函数 二.六种默认成员函数 1、构造函数 1.1 构造函数的作用 1.2 特性 1.3 默认构造函数 2、析构函数 2.1 析构函数的作用 2.2 析构函数的用法 3、拷贝构造函数 3.1 拷贝构造函数的作用 3.2 特征 3.3 默认拷贝构造函数 三.总结 类与对象&…

Stable Diffusion WebUI本地环境搭建

一、项目代码下载 git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui 二、环境配置 conda create --n stafu python3.10.6 实际上跟自己创建的环境没有关系&#xff0c;项目启动会自动复制这个环境&#xff0c;之后项目根据这个基础环境构建 也可以在自己…

在一个事物方法中开启新事物,完成对数据库的修改

在Java中&#xff0c;使用Transactional注解来管理事务非常常见。但是&#xff0c;在一个已经标记为Transactional的方法内部调用另一个也标记了Transactional的方法时&#xff0c;如果不正确处理&#xff0c;可能会导致一些意料之外的行为。这是因为默认情况下&#xff0c;Spr…

【VUE】封装一个追随鼠标的漂浮组件框架

红色箭头代表鼠标位置&#xff0c;蓝色区域跟随鼠标出现&#xff0c;鼠标进行其他操作的时候&#xff0c;蓝色区域隐藏。 vue全码 <template><divmousemove"updatePosition"mouseleave"hideDiv"class"container":style"{ positi…

《Milvus Cloud向量数据库指南》——BGE-M3:多功能、多语言、多粒度的文本表示学习模型

引言 在自然语言处理(NLP)领域,随着大数据时代的到来,对文本信息的精准处理与高效检索成为了研究热点。BERT(Bidirectional Encoder Representations from Transformers)作为近年来NLP领域的里程碑式模型,以其强大的上下文理解能力在多项任务中取得了显著成效。然而,面…