实验室新进了两个Livox Horizon激光雷达，特此记录特性。

填坑。

背景

在上一篇文章中，对于点云聚类的分类是利用传统机器学习算法——随机森林去做的。而喂给随机森林的不是 点云聚类自身，而是其人工提取的特征向量（或者特征直方图）。这样的做法，分类的效果受限于人工特征 自身的鲁棒性。因此本文提出了数据驱动的CNN分类器来提取特征描述子。

挖的坑要及时填呀。

背景

户外大尺度环境下做SLAM一般是用激光雷达传感器与相机。如果直接保存点云地图，则由于户外机器人运动的范围比较大，地图的占用内存会过大。因此ETHZ-ASL实验室提出了一种基于segment的地图，能够将点云地图很好的抽象，适合于多机器人户外大范围环境的探索与建图。

背景

在现有的视觉SLAM框架中，大部分是用针孔相机的图像来进行特征提取与匹配的。在一些特殊场景下有可能会需要用到鱼眼相机，因此一种操作是将鱼眼相机进行标定，转化成针孔相机的图像，然后再用SLAM框架去跑。这就涉及到了鱼眼相机的标定与像素的重映射。

矩阵的二范数为何等于其奇异值

背景

上《线性系统理论》这门课，提到了矩阵的二范数，即等式： \(\|\mathbf{A}\|_{2}=\sqrt{\lambda_{\max }}\) 然后中文搜了一堆，没有系统地说明怎么得到的。最后在Wikipedia¹中找到了详细推导的来源，也就是这本书²中找到了详细的推导。故记录如下。

TEB中的g2o问题的设置

问题背景

针对阿克曼底盘的导航，TEB_local_planner没有直接给出具体的导航策略，而是利用非线性优化问题完成了对该问题的建模。

相机与雷达的在线标定

其实就是手眼标定。而且这个可以推广开去，做任何可以求出Odometry的传感器之间的标定。

背景

上次提到了激光雷达与相机的标定，由于我毕设用的是速腾的激光雷达，发现标定时直接报错，故在此记录下问题与解决措施，借此详细分析下速腾激光雷达与velodyne激光雷达的异同。