OpenVINS學習2——VIRAL數據集eee01.bag運行

前言

周末休息了兩天，接著做上周五那個VIRAL數據集沒有運行成功的工作。現在的最新OpenVINS需要重新寫配置文件，不像之前那樣都寫在launch里，因此需要根據數據集情況配置好estimator_config.yaml還有兩個標定參數文件。

VIRAL數據集

VIRAL數據集包含雷達、相機、IMU、UWB四種數據，是南洋理工大學在22年發布的。

官網地址：https://ntu-aris.github.io/ntu_viral_dataset/
適配VIRAL的OpenVINS（舊版）：https://github.com/brytsknguyen/open_vins.git

VIRAL數據集本身作者對一些常用VIO開源代碼做了適配修改，其中就包括OpenVINS，但是這個是更新之前的OpenVINS，現在的使用方式配置和之前有所不同。我剛開始從Euroc的數據集配置改動，只是改VIRAL以前OpenVINS配置的參數，初始化跑不通，如下圖所示。
這是VIRAL適配的openvins的配置情況，是通過launch進行配置的。

<launch><param name="/use_sim_time" value="true" /><arg name="publish_clock" default="--clock"/><!-- NTU VIRAL dataset --><!-- EEE --><arg  name="bag_file"   default="/home/merlincs/workspace/dataset/VIRAL/eee_01/eee_01.bag"/><!-- MASTER NODE! --><node name="run_serial_msckf" pkg="ov_msckf" type="run_serial_msckf" output="screen" clear_params="true" required="true"><!-- bag topics --><param name="topic_imu"      type="string" value="/imu/imu" /><param name="topic_camera0"  type="string" value="/right/image_raw" /><param name="topic_camera1"  type="string" value="/left/image_raw" /><rosparam param="stereo_pairs">[0,1]</rosparam><!-- bag parameters --><param name="path_bag"    type="string" value="$(arg bag_file)" /><!-- <param name="path_gt"     type="string" value="$(find ov_data)/euroc_mav/V1_01_easy.csv" /> --><!-- <param name="bag_start"   type="double" value="0" /> --><!-- <param name="bag_durr"    type="int"    value="-1" /> --><!-- world/filter parameters --><param name="use_fej"                type="bool"   value="true" /><param name="use_imuavg"             type="bool"   value="true" /><param name="use_rk4int"             type="bool"   value="true" /><param name="use_stereo"             type="bool"   value="true" /><param name="calib_cam_extrinsics"   type="bool"   value="true" /><param name="calib_cam_intrinsics"   type="bool"   value="true" /><param name="calib_cam_timeoffset"   type="bool"   value="true" /><param name="calib_camimu_dt"        type="double" value="0.0" /><param name="max_clones"             type="int"    value="11" /><param name="max_slam"               type="int"    value="75" /><param name="max_slam_in_update"     type="int"    value="25" /> <!-- 25 seems to work well --><param name="max_msckf_in_update"    type="int"    value="40" /><param name="max_cameras"            type="int"    value="2" /><param name="dt_slam_delay"          type="double" value="3" /><param name="init_window_time"       type="double" value="0.75" /><param name="init_imu_thresh"        type="double" value="0.25" /><rosparam param="gravity">[0.0,0.0,9.81]</rosparam><param name="feat_rep_msckf"         type="string" value="GLOBAL_3D" /><param name="feat_rep_slam"          type="string" value="ANCHORED_FULL_INVERSE_DEPTH" /><param name="feat_rep_aruco"         type="string" value="ANCHORED_FULL_INVERSE_DEPTH" /><!-- zero velocity update parameters --><param name="try_zupt"               type="bool"   value="false" /><param name="zupt_chi2_multipler"    type="int"    value="2" /><param name="zupt_max_velocity"      type="double" value="0.3" /><param name="zupt_noise_multiplier"  type="double" value="50" /><!-- timing statistics recording --><param name="record_timing_information"   type="bool"   value="false" /><param name="record_timing_filepath"      type="string" value="/tmp/timing_stereo.txt" /><!-- tracker/extractor properties --><param name="use_klt"            type="bool"   value="true" /><param name="num_pts"            type="int"    value="250" /><param name="fast_threshold"     type="int"    value="15" /><param name="grid_x"             type="int"    value="5" /><param name="grid_y"             type="int"    value="3" /><param name="min_px_dist"        type="int"    value="5" /><param name="knn_ratio"          type="double" value="0.70" /><param name="downsample_cameras" type="bool"   value="false" /><param name="multi_threading"    type="bool"   value="true" /><!-- aruco tag/mapping properties --><param name="use_aruco"        type="bool"   value="false" /><param name="num_aruco"        type="int"    value="1024" /><param name="downsize_aruco"   type="bool"   value="true" /><!-- sensor noise values / update --><param name="up_msckf_sigma_px"            type="double"   value="1" /><param name="up_msckf_chi2_multipler"      type="double"   value="1" /><param name="up_slam_sigma_px"             type="double"   value="1" /><param name="up_slam_chi2_multipler"       type="double"   value="1" /><param name="up_aruco_sigma_px"            type="double"   value="1" /><param name="up_aruco_chi2_multipler"      type="double"   value="1" /><param name="gyroscope_noise_density"      type="double"   value="5.0e-3" /><param name="gyroscope_random_walk"        type="double"   value="3.0e-6" /><param name="accelerometer_noise_density"  type="double"   value="6.0e-2" /><param name="accelerometer_random_walk"    type="double"   value="8.0e-5" /><!-- camera intrinsics --><rosparam param="cam0_wh">[752, 480]</rosparam><rosparam param="cam1_wh">[752, 480]</rosparam><param name="cam0_is_fisheye" type="bool" value="false" /><param name="cam1_is_fisheye" type="bool" value="false" /><rosparam param="cam0_k">[4.313364265799752e+02, 4.327527965378035e+02, 3.548956286992647e+02, 2.325508916495161e+02]</rosparam><rosparam param="cam0_d">[-0.300267420221178, 0.090544063693053, 3.330220891093334e-05, 8.989607188457415e-05]</rosparam><rosparam param="cam1_k">[4.250258563372763e+02, 4.267976260903337e+02, 3.860151866550880e+02, 2.419130336743440e+02]</rosparam><rosparam param="cam1_d">[-0.288105327549552, 0.074578284234601, 7.784489598138802e-04, -2.277853975035461e-04]</rosparam><!-- camera extrinsics --><rosparam param="T_C0toI">[-0.01916508, -0.01496218,  0.99970437,  0.00519443,0.99974371,  0.01176483,  0.01934191,  0.1347802,-0.01205075,  0.99981884,  0.01473287,  0.01465067,0.00000000,  0.00000000,  0.00000000,  1.00000000]</rosparam><rosparam param="T_C1toI">[0.02183084, -0.01312053,  0.99967558,  0.00552943,0.99975965,  0.00230088, -0.02180248, -0.12431302,-0.00201407,  0.99991127,  0.01316761,  0.01614686, 0.00000000,  0.00000000,  0.00000000,  1.00000000]</rosparam></node><node pkg="rviz" type="rviz" name="ov_msckf_rviz" respawn="true" output="log"args="-d $(find ov_msckf)/launch/ntuviral.rviz" /><!-- <arg name="autorun" default="false"/><node required="$(arg autorun)" pkg="rosbag" type="play" name="rosbag_play"args="$(arg publish_clock) $(arg bag_file) -r 1"/> --></launch>

對應把上面參數寫入新建的config/viral中三個配置文件后跑不通：
在這里插入圖片描述
在這里插入圖片描述
主要原因是因為靜態初始化運動檢測的原因，具體原理我也還不是很清楚，下一次博客對于初始化這塊做詳細的學習。因此除了抄viral適配openvins中的配置外，還需要對配置文件進行一些改動，下面介紹一下配置文件各個參數含義。

配置文件詳解

config文件夾內有三個配置文件：
estimator_config.yaml，kalibr_imucam_chain.yaml，kalibr_imu_chain.yaml。
第一個是針對不同數據集對估計器的配置，第二個第三個是相機和IMU的標定參數。
下面是針對viral數據集進行修改過的配置文件。（目前還只是對eee01.bag這一個數據包初始化有效）

1、estimator_config.yaml

%YAML:1.0 # need to specify the file type at the top!verbosity: "INFO" # ALL, DEBUG, INFO, WARNING, ERROR, SILENTuse_fej: true # if first-estimate Jacobians should be used (enable for good consistency)
integration: "rk4" # discrete, rk4, analytical (if rk4 or analytical used then analytical covariance propagation is used)
use_stereo: true # if we have more than 1 camera, if we should try to track stereo constraints between pairs
max_cameras: 2 # how many cameras we have 1 = mono, 2 = stereo, >2 = binocular (all mono tracking)calib_cam_extrinsics: true # if the transform between camera and IMU should be optimized R_ItoC, p_CinI
calib_cam_intrinsics: true # if camera intrinsics should be optimized (focal, center, distortion)
calib_cam_timeoffset: true # if timeoffset between camera and IMU should be optimized
calib_imu_intrinsics: false # if imu intrinsics should be calibrated (rotation and skew-scale matrix)
calib_imu_g_sensitivity: false # if gyroscope gravity sensitivity (Tg) should be calibratedmax_clones: 11 # how many clones in the sliding window
max_slam: 75 # number of features in our state vector
max_slam_in_update: 25 # update can be split into sequential updates of batches, how many in a batch
max_msckf_in_update: 40 # how many MSCKF features to use in the update
dt_slam_delay: 3 # delay before initializing (helps with stability from bad initialization...)gravity_mag: 9.81 # magnitude of gravity in this locationfeat_rep_msckf: "GLOBAL_3D"
feat_rep_slam: "ANCHORED_FULL_INVERSE_DEPTH"
feat_rep_aruco: "ANCHORED_FULL_INVERSE_DEPTH"# zero velocity update parameters we can use
# we support either IMU-based or disparity detection.
try_zupt: false
zupt_chi2_multipler: 2 # set to 0 for only disp-based
zupt_max_velocity: 0.3
zupt_noise_multiplier: 50
zupt_max_disparity: 0.5 # set to 0 for only imu-based
zupt_only_at_beginning: false# ==================================================================
# ==================================================================init_window_time: 0.75 # how many seconds to collect initialization information
init_imu_thresh: 0.25 # threshold for variance of the accelerometer to detect a "jerk" in motion
init_max_disparity: 1.0 # max disparity to consider the platform stationary (dependent on resolution)
init_max_features: 20 # how many features to track during initialization (saves on computation)init_dyn_use: false # if dynamic initialization should be used
init_dyn_mle_opt_calib: false # if we should optimize calibration during intialization (not recommended)
init_dyn_mle_max_iter: 50 # how many iterations the MLE refinement should use (zero to skip the MLE)
init_dyn_mle_max_time: 0.05 # how many seconds the MLE should be completed in
init_dyn_mle_max_threads: 6 # how many threads the MLE should use
init_dyn_num_pose: 6 # number of poses to use within our window time (evenly spaced)
init_dyn_min_deg: 10.0 # orientation change needed to try to initinit_dyn_inflation_ori: 10 # what to inflate the recovered q_GtoI covariance by
init_dyn_inflation_vel: 100 # what to inflate the recovered v_IinG covariance by
init_dyn_inflation_bg: 10 # what to inflate the recovered bias_g covariance by
init_dyn_inflation_ba: 100 # what to inflate the recovered bias_a covariance by
init_dyn_min_rec_cond: 1e-12 # reciprocal condition number thresh for info inversioninit_dyn_bias_g: [ 0.0, 0.0, 0.0 ] # initial gyroscope bias guess
init_dyn_bias_a: [ 0.0, 0.0, 0.0 ] # initial accelerometer bias guess# ==================================================================
# ==================================================================record_timing_information: false # if we want to record timing information of the method
record_timing_filepath: "/tmp/traj_timing.txt" # https://docs.openvins.com/eval-timing.html#eval-ov-timing-flame# if we want to save the simulation state and its diagional covariance
# use this with rosrun ov_eval error_simulation
save_total_state: false
filepath_est: "/tmp/ov_estimate.txt"
filepath_std: "/tmp/ov_estimate_std.txt"
filepath_gt: "/tmp/ov_groundtruth.txt"# ==================================================================
# ==================================================================# our front-end feature tracking parameters
# we have a KLT and descriptor based (KLT is better implemented...)
use_klt: true # if true we will use KLT, otherwise use a ORB descriptor + robust matching
num_pts: 250 # number of points (per camera) we will extract and try to track
fast_threshold: 15 # threshold for fast extraction (warning: lower threshs can be expensive)
grid_x: 5 # extraction sub-grid count for horizontal direction (uniform tracking)
grid_y: 3 # extraction sub-grid count for vertical direction (uniform tracking)
min_px_dist: 5 # distance between features (features near each other provide less information)
knn_ratio: 0.70 # descriptor knn threshold for the top two descriptor matches
track_frequency: 11.0 # frequency we will perform feature tracking at (in frames per second / hertz)
downsample_cameras: false # will downsample image in half if true
num_opencv_threads: -1 # -1: auto, 0-1: serial, >1: number of threads
histogram_method: "HISTOGRAM" # NONE, HISTOGRAM, CLAHE# aruco tag tracker for the system
# DICT_6X6_1000 from https://chev.me/arucogen/
use_aruco: false
num_aruco: 1024
downsize_aruco: true# ==================================================================
# ==================================================================# camera noises and chi-squared threshold multipliers
up_msckf_sigma_px: 1
up_msckf_chi2_multipler: 1
up_slam_sigma_px: 1
up_slam_chi2_multipler: 1
up_aruco_sigma_px: 1
up_aruco_chi2_multipler: 1# masks for our images
use_mask: false# imu and camera spacial-temporal
# imu config should also have the correct noise values
relative_config_imu: "kalibr_imu_chain.yaml"
relative_config_imucam: "kalibr_imucam_chain.yaml"

2、kalibr_imucam_chain.yaml

%YAML:1.0cam0:T_imu_cam: #rotation from camera to IMU R_CtoI, position of camera in IMU p_CinI- [-0.01916508, -0.01496218,  0.99970437,  0.00519443]- [0.99974371,  0.01176483,  0.01934191,  0.1347802]- [-0.01205075,  0.99981884,  0.01473287,  0.01465067]- [0.0, 0.0, 0.0, 1.0]cam_overlaps: [1]camera_model: pinhole#相機模型distortion_coeffs: [-0.300267420221178, 0.090544063693053, 3.330220891093334e-05, 8.989607188457415e-05]#畸變參數distortion_model: radtan#畸變模型intrinsics: [4.313364265799752e+02, 4.327527965378035e+02, 3.548956286992647e+02, 2.325508916495161e+02] #fu, fv, cu, cvresolution: [752, 480]#分辨率rostopic: /right/image_raw
cam1:T_imu_cam: #rotation from camera to IMU R_CtoI, position of camera in IMU p_CinI- [0.02183084, -0.01312053,  0.99967558,  0.00552943]- [0.99975965,  0.00230088, -0.02180248, -0.12431302]- [-0.00201407,  0.99991127,  0.01316761,  0.01614686]- [0.0, 0.0, 0.0, 1.0]cam_overlaps: [0]camera_model: pinholedistortion_coeffs: [-0.288105327549552, 0.074578284234601, 7.784489598138802e-04, -2.277853975035461e-04]distortion_model: radtanintrinsics: [4.250258563372763e+02, 4.267976260903337e+02, 3.860151866550880e+02, 2.419130336743440e+02] #fu, fv, cu, cvresolution: [752, 480]rostopic: /left/image_raw

3、kalibr_imu_chain.yaml

%YAML:1.0imu0:T_i_b:- [1.0, 0.0, 0.0, 0.0]- [0.0, 1.0, 0.0, 0.0]- [0.0, 0.0, 1.0, 0.0]- [0.0, 0.0, 0.0, 1.0]accelerometer_noise_density: 6.0e-2  # [ m / s^2 / sqrt(Hz) ]   ( accel "white noise" )accelerometer_random_walk: 8.0e-5    # [ m / s^3 / sqrt(Hz) ].  ( accel bias diffusion )gyroscope_noise_density: 5.0e-3    # [ rad / s / sqrt(Hz) ]   ( gyro "white noise" )gyroscope_random_walk: 3.0e-6       # [ rad / s^2 / sqrt(Hz) ] ( gyro bias diffusion )rostopic: /imu/imutime_offset: 0.0update_rate: 385.0#IMU更新頻率# three different modes supported:# "calibrated" (same as "kalibr"), "kalibr", "rpng"model: "kalibr"# how to get from Kalibr imu.yaml result file:#   - Tw is imu0:gyroscopes:M:#   - R_IMUtoGYRO: is imu0:gyroscopes:C_gyro_i:#   - Ta is imu0:accelerometers:M:#   - R_IMUtoACC not used by Kalibr#   - Tg is imu0:gyroscopes:A:Tw:- [ 1.0, 0.0, 0.0 ]- [ 0.0, 1.0, 0.0 ]- [ 0.0, 0.0, 1.0 ]R_IMUtoGYRO:- [ 1.0, 0.0, 0.0 ]- [ 0.0, 1.0, 0.0 ]- [ 0.0, 0.0, 1.0 ]Ta:- [ 1.0, 0.0, 0.0 ]- [ 0.0, 1.0, 0.0 ]- [ 0.0, 0.0, 1.0 ]R_IMUtoACC:- [ 1.0, 0.0, 0.0 ]- [ 0.0, 1.0, 0.0 ]- [ 0.0, 0.0, 1.0 ]Tg:- [ 0.0, 0.0, 0.0 ]- [ 0.0, 0.0, 0.0 ]- [ 0.0, 0.0, 0.0 ]

實驗結果

按照上面進行配置文件修改，然后運行如下命令

#第一個終端
roscore#第二個終端
source devel/setup.bash
roslaunch ov_msckf subscribe.launch config:=viral#第三個終端
rviz
#然后導入配置ntuviral.rviz（從viral適配的openvins中下載，在ov_msckf/launch中）#數據文件夾下打開第四個終端
rosbag play eee_01.bag

運行結果如圖所示
在這里插入圖片描述現在還只能在eee01.bag這一個數據包初始化能跑通，同樣的配置跑eee02.bag就不行，初始化這塊還是要明白原理，才能夠更好地進行配置。接下來重點學習一下OpenVINS的初始化原理，看看怎么配置靜態初始化和動態初始化（新版本開源的新功能應該很好用）。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/214633.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/214633.shtml
英文地址，請注明出處：http://en.pswp.cn/news/214633.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

WooCommerce商城個人微信支付網關 適合個人微信收款

WooCommerce商城個人微信支付網關 適合個人微信收款

點擊獲取WooCommerce商城個人微信支付網關 適合個人微信收款原文https://gplwp.eastfu.com/product/woocommerce-ge-ren-wei-xin-zhi-fu-wang-guan-shi-he-ge-ren/ 個人微信支付網關接口&#xff0c;無需提現&#xff0c;100%資金安全&#xff0c;官方清算&#xff0c;金額無限…
閱讀更多...
壓力測試過程中出現線程死鎖情況如何解決

壓力測試過程中出現線程死鎖情況如何解決

確認問題是線程死鎖的方法有以下幾種&#xff1a; 1. 分析日志&#xff1a;查看應用程序的日志&#xff0c;如果發現有線程死鎖的日志信息&#xff0c;可以確認問題是線程死鎖。 2. 使用線程分析工具&#xff1a;可以使用線程分析工具&#xff0c;例如Java的jstack工具&#xf…
閱讀更多...
axios的使用

axios的使用

Axios 是一個基于 promise 的 HTTP 庫&#xff0c;可以用在瀏覽器和 node.js 中。 如果您想在瀏覽器中使用 Axios&#xff0c;首先需要安裝它。您可以使用 npm&#xff08;Node 包管理器&#xff09;或 yarn 來安裝 Axios。例如&#xff0c;在命令行中輸入以下命令&#xff1a…
閱讀更多...
Docker 容器運行實戰：從啟動到停止一切你想知道的

Docker 容器運行實戰：從啟動到停止一切你想知道的

要啟動一個新的容器&#xff0c;我們使用 docker run 命令&#xff0c;后跟鏡像名稱。基本語法如下&#xff1a; docker run [選項] 鏡像 [COMMAND] [ARG...] 例如&#xff0c;要運行官方的 Nginx 鏡像&#xff0c;我們可以使用&#xff1a; docker run -d -p 8080:80 nginx…
閱讀更多...
IoTDB服務安裝教程-集群版

IoTDB服務安裝教程-集群版

文章目錄 官方說明文檔下載地址服務安裝節點服務分配修改配置文件修改堆內存啟動集群啟動第一個節點啟動其他兩個節點的 ConfigNode 和 DataNode檢驗集群狀態修改集群密碼 【附錄】清理環境 集群擴容修改配置擴容驗證擴容結果 集群縮容縮容一個 ConfigNode縮容一個 DataNode驗證…
閱讀更多...
XCube——用于超高分辨率 3D 形狀和場景的生成模型！

XCube——用于超高分辨率 3D 形狀和場景的生成模型！

他們的方法在稀疏體素網格的層次結構上訓練潛在擴散模型的層次結構。他們在稀疏結構 VAE 的潛在空間上進行擴散&#xff0c;它為層次結構的每個級別學習緊湊的潛在表示。 XCube 是稀疏體素層次上的分層潛在擴散模型&#xff0c;即從粗到細的 3D 稀疏體素網格序列&#xff0c;使…
閱讀更多...
靈茶 2023 - 12 - 11

靈茶 2023 - 12 - 11

鏈接 : Problem - C - Codeforces 題意 : 輸入一個長度 ≤1e5 的字符串 s&#xff0c;只包含小寫字母。 找到一個最小的 k&#xff0c;使得所有長度 > k 的連續子串&#xff0c;有公共字母&#xff08;這些子串的交集不為空&#xff09;。 思路 : 就是求每個字母的…
閱讀更多...
智能優化算法之粒子群模型(含python案例代碼)

智能優化算法之粒子群模型(含python案例代碼)

粒子群優化模型概述 粒子群優化&#xff08;Particle Swarm Optimization&#xff0c;簡稱PSO&#xff09;是一種基于群體智能的優化算法&#xff0c;最早由美國社會心理學家James Kennedy和Russell Eberhart于1995年提出。PSO的靈感來自鳥群和魚群等自然界群體行為的觀察。 PS…
閱讀更多...
Linux驅動入門——編寫第一個驅動

Linux驅動入門——編寫第一個驅動

目錄 前言 驅動入門知識 1.APP 打開的文件在內核中如何表示 2.打開字符設備節點時&#xff0c;內核中也有對應的 struct file 編寫 Hello 驅動程序步驟 1.流程介紹 2.驅動代碼&#xff1a; 3.應用層代碼&#xff1a; 4.本驅動程序的 Makefile 內容&#xff1a; 5.上機…
閱讀更多...
4fiddler抓包工具的使用

4fiddler抓包工具的使用

一、定義 1.1 抓包的定義 說明&#xff1a;客戶端向服務器發送請求以及服務器響應客戶端的請求&#xff0c;都是以數據包來傳遞的。 抓包(packet capture)&#xff1a;通過工具攔截客戶端與服務器交互的數據包 1.2 fiddler的介紹 Fiddler是一個http協議調試代理工具&#…
閱讀更多...
Java程序設計基礎 - 課程概述

Java程序設計基礎 - 課程概述

文章目錄 一、程序員最具共性的心理特征二、Java開發工程師的崗位要求（一）素質和職業道德需求（二）崗位能力需求統計三、針對Java工程師崗位需求的課程目標（一）熟練掌握Java編程語言，掌握編程技能（二）精通使用集成開發工具Eclipse或IntelliJ IDEA（三）需要將“用戶體驗…
閱讀更多...
市場全局復盤 20231208

市場全局復盤 20231208

一、板塊成交額排名&#xff1a; 資金流入前三個板塊K 線&#xff1a; 行業成交額排名&#xff1a; 個股資金流入排名&#xff1a; select 成交額排名 ,近日指標提示 ,短線主題 ,漲停分析,CODE,名稱,DDE大單凈量,現價,量比,連板天,周漲停,月漲停,年漲停天,連漲天,…
閱讀更多...
【每日一題】—— B. StORage room（Codeforces Round 912 (Div. 2)）（位操作符）

【每日一題】—— B. StORage room（Codeforces Round 912 (Div. 2)）（位操作符）

&#x1f30f;博客主頁&#xff1a;PH_modest的博客主頁 &#x1f6a9;當前專欄&#xff1a;每日一題 &#x1f48c;其他專欄&#xff1a; &#x1f534; 每日反芻 &#x1f7e1; C跬步積累 &#x1f7e2; C語言跬步積累 &#x1f308;座右銘&#xff1a;廣積糧&#xff0c;緩稱…
閱讀更多...
工業傳感器

工業傳感器

工業傳感器 電子元器件百科 文章目錄 工業傳感器前言一、工業傳感器是什么二、工業傳感器的類別三、工業傳感器的應用實例四、工業傳感器的作用原理總結前言 工業傳感器的應用可以幫助提高工業過程的效率、安全性和可靠性，實現工業自動化和智能化。 一、工業傳感器是什么 工…
閱讀更多...
使用阿里云國際CDN加速后網站無法訪問的排查步驟

使用阿里云國際CDN加速后網站無法訪問的排查步驟

使用阿里云國際CDN加速后網站無法訪問的排查步驟&#xff0c;下面是一些常見的問題&#xff0c;以&#xff1a;www.c.9he.com為例&#xff0c;如果解決不了來信服務器廠商解決。 檢查CDN訪問異常是CDN節點的問題還是源站問題 如果是源站訪問異常&#xff0c;請直接排查源站服務…
閱讀更多...
Faster R-CNN

Faster R-CNN

Faster R-CNN是作者Ross Girshick繼Fast R-CNN后的又一力作。同樣使用VGG16作推理速度在GPU上達到5fps(包括候選區域的生成)&#xff0c;準確率為網絡的backbone&#xff0c;也有進一步的提升。在2015年的ILSVRC以及COCO競賽中獲得多個項目的第一名。 算法流程 右邊這部分和Fa…
閱讀更多...
算法Day27 身材管理（三維背包）

算法Day27 身材管理（三維背包）

身材管理&#xff08;三維背包&#xff09; Description Input Output Sample 代碼 import java.util.Scanner;public class Main {public static void main(String[] args) {Scanner scanner new Scanner(System.in);int n scanner.nextInt(); // 輸入n的值int money sca…
閱讀更多...
KaiOS 運營商相關文件operator_variant_manager.js代碼功能和調試

KaiOS 運營商相關文件operator_variant_manager.js代碼功能和調試

gaia/apps/system/js/operator_variant_manager.js at master mozilla-b2g/gaia GitHub js文件接口功能 No 接口/常量 功能 1 OperatorVariantManager var OperatorVariantManager function(core) 2 OperatorVariantManager.IMPORTS OperatorVariantManager.I…
閱讀更多...
搜集怎么繪制三維曲線和曲面？

搜集怎么繪制三維曲線和曲面？

1、針對函數對象是單一變量、兩個函數的情況。用plot3函數&#xff1b;&#xff08;三維曲線&#xff09; 看一下matlab官方的例子&#xff1a; t 0:pi/50:10*pi; st sin(t); ct cos(t); plot3(st,ct,t) 繪制出來的曲線&#xff1a; 幾個比較關鍵的點&#xff1a; &…
閱讀更多...
【Marp】基于Markdown-Marp快速制作PPT

【Marp】基于Markdown-Marp快速制作PPT

【Marp】基于Markdown-Marp快速制作PPT 文章目錄 【Marp】基于Markdown-Marp快速制作PPT零、參考資料一、Marp基本語法&#xff08;創建分頁&#xff0c;排版圖片&#xff0c;更換主題&#xff0c;Marp擴展指令修改樣式&#xff09;1、創建新的PPT頁面2、插入圖片 & 排版圖…
閱讀更多...
最新文章

Copyright @ 2022~2023