ROS2下catographer源码参数解析及工作原理

一起自学SLAM算法:8.2 Cartographer算法 连载文章,长期更新,欢迎关注:Gmapping代码实现相对简洁,非常适合初学者入门学习。但是Gmapping属于基于滤波方法的SLAM系统,明显的缺点是无法构建大规模的地图,这一点已经在第7章中讨论过了。而基于优化的方法则可以构建大规模的地图,基于优化的方法实现的激光SLAM算法也有很多,比如Hector、Karto、Cartographer等。 阅读详情
AI摘要

文章详细介绍了ROS2中使用cartographer进行建图的过程,包括cartographer如何通过订阅传感器topic(尤其是激光雷达数据)进行地图构建,以及如何配置.lua参数文件以适应不同的传感器和需求。还提到了.launch.py文件的使用,特别是cartographer_node和occupancy_grid_node节点的配置。此外,文章强调了配置文件中如map_frame、tracking_frame和published_frame等参数的作用,并指出这些参数与数据订阅无关,主要影响TF树的建立。,

ROS2下catographer源码参数解析及工作原理

1.cartographer初了解

在建图的过程当中,传感器的信息非常重要。在ROS2当中,我们需要使用的传感器信息的方式非常的简单,即订阅传感器topic发布的信息,在接收信息之后,cartographer包会利用其内部的算法对其进行解析构建,进而建图。cartographer整体算法主要依赖的是激光雷达的数据。

因此我们在使用cartographer建图之前,我们需要先看懂这个算法是怎么拿到激光雷达的数据。我的入手点是从商家的激光雷达驱动文件入手进行学习。

整体学习的逻辑顺序如下:

1.激光雷达如何发布数据

2.cartographer如何接收数据

3.基本参数如何配置

4.调试及建图

2.cartographer建图过程

cartographer就是ROS2的一个功能包,和我们自己在ROS2的工作空间下建立的功能包是一个道理。我们如果需要使用这个功能包,其实只需要简单的用launch文件启动这个功能包里面所带有的节点,然后启动我们自己激光雷达的节点,然后cartographer订阅激光雷达节点发布的消息,当然,接收的消息格式和接收的节点的名字都需要我们一开始配置好,也就是使用.lua和.launch.py(在ROS2中)文件。

46877492c26676a701f967bc523c9d63.png

/cartographer_node节点:

该节点从/scan和/odom话题接收数据进行计算,输出/submap_list数据.

该节点需要接收一个参数配置文件(第二部分写的那个)参数。

/occupancy_grid_node节点:

该节点接收/submap_list子图列表,然后将其拼接成map并发布

该节点需要配置地图分辨率和更新周期两个参数。

那么其实我们需要学习理解的就是catorgrapher的.lua和.launch.py文件是如何配置的,就能够学会怎么运行起来这个算法

3.配置文件

.lua

根据网上给出的建议,我们最好从cartographer官方给出的配置文件进行修改,因此,拿出官网的一个.lua文件进行学习和修改,来看backpack2d.lua。

注:我后面增加了一些其他可以修改的参数,然后我基于官方的backpack2d.lua改成自己需要的配置文件,我的激光雷达的frame_ID是laser

ros2 humble cartographer会下载到电脑的路径为/opt/ros/humble/share/cartographer_ros/configuration_files/

参考网址:

cartographer官网

https://zhuanlan.zhihu.com/p/563264225

backpack2d.lua

include "map_builder.lua"
include "trajectory_builder.lua"

options = {
  map_builder = MAP_BUILDER,
  trajectory_builder = TRAJECTORY_BUILDER,
  map_frame = "map",
  tracking_frame = "laser",
  published_frame = "laser",
  odom_frame = "odom",
  provide_odom_frame = false,
  publish_frame_projected_to_2d = false,
  use_pose_extrapolator = false,
  use_odometry = false,
  use_nav_sat = false,
  use_landmarks = false,
  num_laser_scans = 1,
  num_multi_echo_laser_scans = 0,
  num_subdivisions_per_laser_scan = 1,
  num_point_clouds = 0,
  lookup_transform_timeout_sec = 0.2,
  submap_publish_period_sec = 0.3,
  pose_publish_period_sec = 5e-3,
  trajectory_publish_period_sec = 30e-3,
  rangefinder_sampling_ratio = 1.,
  odometry_sampling_ratio = 1.,
  fixed_frame_pose_sampling_ratio = 1.,
  imu_sampling_ratio = 1.,
  landmarks_sampling_ratio = 1.,
}

MAP_BUILDER.use_trajectory_builder_2d = true

TRAJECTORY_BUILDER_2D.submaps.num_range_data = 35
TRAJECTORY_BUILDER_2D.min_range = 0.
TRAJECTORY_BUILDER_2D.max_range = 200.
TRAJECTORY_BUILDER_2D.missing_data_ray_length = 5.
TRAJECTORY_BUILDER_2D.use_imu_data = false
TRAJECTORY_BUILDER_2D.use_online_correlative_scan_matching = true
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.linear_search_window = 0.1
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.translation_delta_cost_weight = 10.
TRAJECTORY_BUILDER_2D.real_time_correlative_scan_matcher.rotation_delta_cost_weight = 1e-1

POSE_GRAPH.optimization_problem.huber_scale = 1e2
POSE_GRAPH.optimize_every_n_nodes = 35
POSE_GRAPH.constraint_builder.min_score = 0.65

return options

参数含义:

map_frame: 构建地图所使用的坐标系,一般就使用我们前面提到的map即可
tracking_frame: SLAM算法跟踪的帧的ROS帧ID。如果要使用IMU,它应该在这个地方被选用,尽管它可能会漂移。常见的选择是“imu_link”。
tracking_frame一般设置为发布频率最高的传感器的frame_id,cartographer将会把其他数据都转移到该坐标系下进行计算。如果只使用雷达数据进行2D建图,那就只需要将其设置为雷达数据话题的frame_id,一般为laser。如果使用雷达数据+IMU进行2D或者3D建图,因为IMU的发布频率明显高于雷达,所以需要设置为imu数据话题的frame_id,一般imu_link。
published_frame: 要用作发布坐标的子帧的ROS帧ID。例如,如果“odom”框架由系统的不同部分提供,则设置为“odom“。在这种情况下,将发布map_frame中“odom”的坐标。否则,将其设置为“base_link”可能是合适的。
cartographer发布的tf树最后将指向published_frame,即published_frame不是cartographer提供的,这里如果没设置正确,tf树就不能连接成功,建图也就不能正常进行。这个一般设置为底盘的frame_id,也就是URDF文件中的底盘的link name,一般为base_link、base_footprint之类的名字。
odom_frame: 仅当provide_odom_frame为true时使用。通常是“odom”。
provide_odom_frame: 如果enable, 则local, non-loop-closed, continuous pose 将作为 odom_frame发布在 map_frame.
在大多数情况下,设置 provide_odom_frame 为 true 是有意义的,因为它可以为其他节点提供一个 odom 坐标系,这些节点可以使用机器人的里程计数据来估计机器人的运动,而不必直接处理传感器数据。例如,可以使用 robot_localization 包来融合多个传感器数据,并估计机器人的位姿。
publish_frame_projected_to_2d: 如果enable, 则发布姿态将严格限制在纯2D位姿下(不包含roll pitch和z-offset坐标),这个可以防止出现一些由于pose extrapolation step步骤出现的预期之外不需要的平面外姿态
use_odometry: 如果enable,则订阅topic为odom中的nav_msgs/Odometry。这种情况下必须提供里程计.在SLAM过程中也会使用这个消息进行建图。注意:这里如果设置为true,则需要在ROS2节点中发布一个名为odom的topic让carto订阅
use_nav_sat: 如果enable, 则订阅主题为fix中的sensor_msgs/NavSatFix。这种情况下必须要使用导航数据
use_landmarks:如果enable,则订阅主题为landmarks中的cartographer_ros_msgs/LandmarkList,必须提供LandmarkLists数据,如1cartographer_ros_msgs/LandmarkEntry中的cartographer_ros_msgs/LandmarkList
num_laser_scans: 要订阅的laser scan的主题数量。为1时,订阅sensor_msgs/LaserScan中的scan主题,或者为多台激光扫描订阅主题的scan_1,scan_2
num_multi_echo_laser_scans: 要订阅的multi-echo laser scan的主题数量,为1时,订阅echoes下的sensor_msgs/MultiEchoLaserScan,或者多个echoes_1, echoes_2
num_subdivisions_per_laser_scan: 将每个接收到的(多回波)激光扫描分成的点云数。细分扫描可以使扫描仪移动时获取的扫描不变形。有一个相应的轨迹生成器选项,可以将细分的扫描累积到一个点云中,用于扫描匹配。若把默认10改为1,1/1=1等于不分割
num_point_clouds: 要订阅的point cloud的主题数量。为1时,订阅points2主题的sensor_msgs/PointCloud2,或者为多台点云订阅主题的points2_1,points2_2
lookup_transform_timeout_sec: 用于使用tf2查找转换的超时秒数。
submap_publish_period_sec: 发布子图姿势的时间间隔(以秒为单位),例如 0.3 秒。
pose_publish_period_sec: 发布姿势的时间间隔(以秒为单位),例如 5e-3 表示频率为 200 Hz。
publish_to_tf: 启用或禁用提供 TF 转换
publish_tracked_pose: 允许将跟踪姿势作为geometry_msgs/PoseStamped 发布到主题“tracked_pose”。
trajectory_publish_period_sec: 发布轨迹标记的时间间隔(以秒为单位),例如 30e-3 30 毫秒。
rangefinder_sampling_ratio:测距仪消息的固定比率采样。
odometry_sampling_ratio: 里程计消息的固定比率采样。
fixed_frame_sampling_ratio: 固定帧消息的固定比率采样。
imu_sampling_ratio IMU: IMU消息的固定比率采样。
landmarks_sampling_ratio: 地标消息的固定比率采样。
use_pose_extrapolator: Node里的位姿估计器,作用是融合里程计和IMU,推测出一个位姿。 如果use_pose_extrapolator参数为true,发布出的这个位姿不准,因为是先验的位姿,没有经过雷达校准,除非IMU和里程计特别准。因此这个参数一般都是false。如果参数publish_tracked_pose为false,use_pose_extrapolator其实就无效了

除此之外,我们还可以配置两个文件中的参数,也就是头文件中引入的"map_builder.lua" 和 "trajectory_builder.lua"

map_builder.lua 参数理解

include "pose_graph.lua"
 
  MAP_BUILDER = {
   use_trajectory_builder_2d = false, //是否使用2d建图
   use_trajectory_builder_3d = false, //是否使用3d建图
   num_background_threads = 4,            //使用几线程
   pose_graph = POSE_GRAPH,
   collate_by_trajectory = false,        
   //用于控制是否将数据按照轨迹进行分组。

    //如果将 collate_by_trajectory 设置为 true,则 Cartographer 将会按照每个轨迹的 ID 将数据进行分组。在建图过程中,Cartographer 将每个轨迹的数据单独处理,然后将它们合并到最终地图中。这对于多个轨迹的数据进行建图时非常有用。

    //如果将 collate_by_trajectory 设置为 false,则 Cartographer 将忽略轨迹信息,并将所有数据都视为同一个轨迹进行处理。在这种情况下,Cartographer 会将所有数据合并到一起进行建图,生成一个单一的地图。
  } 

这其中又含有pose_grapher.lua文件,其中的参数解析参考

cartographer pose_graph.lua 参数解析

trajectory_builder_2d.lua 参数理解

查看这篇网址即可

cartographer trajectory_builder_2d.lua参数备忘

.launch.py文件

在下载了cartographer包之后,我们可以根据launch文件的名字来选择我们需要的文件,命名规则如下

按照功能划分,分为以下几类:
(1)利用已有数据集进行2d/3d建图,如demo_backpack_2d.launch(其又调用了backpack_2d.launch)
(2)利用先验地图及数据集进行全局定位,如demo_backpack_2d_localization.launch
(3)显示pbstream文件
launch文件命名规则标明了其作用:用户根据需要选择launch文件
offline_backpack_2d.launch:离线快速构建全局地图,事先记录的数据集被多倍快速播放
demo_backpack_2d_localization.launch:基于先验地图进行全局定位
demo_backpack_2d.launch:同时定位和建图,需要跑数据包
backpack_2d.launch:同时定位和建图,使用真实的传感器数据
assets_writer_my_robot.launch:用于从.pbstream先前 Cartographer 执行的记录中提取数据。
来源于 https://blog.csdn.net/qq_18276949/article/details/113174339

我们就需要使用launch文件来启动我们的cartographer功能包的节点,同样,我们打开前面.lua文件对应的.launch文件——backpack_2d.launch.py(在ROS2中,由于python语言特性,已经从.launch后缀改为了.launch.py后缀)

from launch import LaunchDescription
from launch.actions import DeclareLaunchArgument, IncludeLaunchDescription
from launch.conditions import IfCondition, UnlessCondition
from launch.substitutions import LaunchConfiguration
from launch_ros.actions import Node, SetRemap
from launch_ros.substitutions import FindPackageShare
from launch.launch_description_sources import PythonLaunchDescriptionSource
import os

def generate_launch_description():

    ## ***** Launch arguments *****
    # 是否使用仿真时间,真实的机器人我们不需要,设置为False
    use_sim_time_arg = DeclareLaunchArgument('use_sim_time', default_value = 'False')

    ## ***** File paths ******
    # 找到cartographer功能包的地址
    pkg_share = FindPackageShare('cartographer_ros').find('cartographer_ros')
    ## ***** Nodes *****
    #=====================声明三个节点,cartographer/occupancy_grid_node/rviz_node=================================
    cartographer_node = Node(
        package = 'cartographer_ros',
        executable = 'cartographer_node',
        parameters = [{'use_sim_time': LaunchConfiguration('use_sim_time')}],
        arguments = [
            '-configuration_directory', FindPackageShare('cartographer_ros').find('cartographer_ros') + '/configuration_files',
            '-configuration_basename', 'backpack_2d.lua'],
        remappings = [
            ('echoes', 'horizontal_laser_2d')],
        output = 'screen'
        )
	
	# 可视化节点
	rviz_node = Node(
          package='rviz2',
          namespace='rviz2',
          executable='rviz2',
          name='rviz2',
          output='screen')

    cartographer_occupancy_grid_node = Node(
        package = 'cartographer_ros',
        executable = 'cartographer_occupancy_grid_node',
        parameters = [
            {'use_sim_time': True},
            {'resolution': 0.05}],
        )

    return LaunchDescription([
        use_sim_time_arg,
        # Nodes
        rviz_node ,
        cartographer_node,
        cartographer_occupancy_grid_node,
    ])

cartographer_node 节点中有一个remap的一个重映射,意思就是将前一个话题的名字重映射为后面的话题名字,就类似于一个改名的操作。

'/configuration_files',

        '-configuration_basename', 'backpack_2d.lua'], 这里的.lua文件为自己配置的.lua文件名字

补充

在进行了融合IMU和里程计数据之后,对carto的使用有了新的理解

对于carto而言,其核心需要使用的数据是激光雷达发布的/scan话题,因此我们一定需要提供/scan话题,并提供对应的数据形式(无论你的数据是激光雷达得到的数据亦或者是其他方式得到的)。而对于carto的使用而言,它订阅数据和frameID是没有任何关系的,对于ROS2里面,拿到数据的方法是订阅topic,因此参数中的map_frame,tracking_frame,published_frame都和carto订阅数据无关,这些frame_ID影响的是其TF树的建立,而与数据订阅无关。

在后续的测试当中,我们发现carto订阅的激光雷达数据就是/scan话题,订阅的里程计数据就是/odom话题,我们暂时还没找到有参数修改能改变其订阅的数据话题名字,比如将其改变为订阅odom_optimize,后续如果继续学习的过程中发现方法,也会继续补充,也欢迎理解的朋友在评论区补充,感谢!

————————————————

版权声明:本文为CSDN博主「暮尘依旧」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

原文链接:https://blog.csdn.net/scarecrow_sun/article/details/127978254

ROS2利用cartographer算法进行激光建图 ROS2下利用激光雷达进行SLAM建图 阅读详情

相关推荐

ros2 humble cartographer 2D激光雷达建图

Cartographer是一个支持多平台和传感器配置的SLAM的系统。 本文主要讲述在ros2 humble系统上cartographer的安装方法,以及如何配置参数实现自己的ros2 bag包的离线建图。

weixin_43087302的博客 6945

机器人开发--Cartographer详细介绍

Cartographer是google推出的一套基于**图优化**的SLAM算法。

天道酬勤 3万+

激光slam gazebo仿真环境搭建(一)

配置slam gazebo仿真环境,为后续cartographer纯定位导航做铺垫

qq_38879360的博客 2906

《动手学ROS2》10.4 Cartographer介绍与安装

《动手学ROS2》10.4 Cartographer介绍与安装 本系列教程作者:小鱼 公众号:鱼香ROS QQ交流群:139707339 教学视频地址:小鱼的B站 完整文档地址:鱼香ROS官网 版权声明:如非允许禁止转载与商业用途。 10.4 Cartographer介绍与安装 1.Cartographer介绍 Cartographer是Google开源的一个可跨多个平台和传感器配置以2D和3D形式提供实时同时定位和建图(SLAM)的系统。 github地址:https://github.com/

生活不止眼前的苟且 1万+

Windows环境下ABAQUS、Fortran 编译器及Visual Studio的安装和关联

点击Continue,在随后的弹窗中勾选accept,并点击Customize(注意,在接下来的安装图片中,显示的版本号是2024.2,图片来自于一次失败的安装,懒得再截图了,步骤毫无区别,请见谅)。在下一步中,保持默认选项,之后软件会自动关联到刚才安装到visual studio,随后下一步进行安装(如果电脑中已经安装有其他版本的visual studio,则只保留2022)。在随后的弹窗中,根据指示找到。以防万一,尽量暂时退出所有杀毒软件,关闭防火墙,一般不会有影响,为确保万无一失,可以执行此步。

samurai12的博客 9989

出个AI8051U的PWM例程 | 3相互补SPWM变频驱动,PWMA-3个相位差120度的PWM互补输出

通道2输出: P2.2, PWMA2P输出, P2.3, PWMA2N输出, PWMA2相对PWMA1滞后120度相位.通道3输出: P2.4, PWMA3P输出, P2.5, PWMA3N输出, PWMA3相对PWMA1滞后240度相位.先别修改程序, 直接下载"Objects"里的"pwm.hex"测试, 下载时选择主频24MHz.主频32.768MHz, PWM周期1422, 刷新频率23040Hz,死区0.5us,通道1输出: P2.0, PWMA1P输出, P2.1, PWMA1N输出。

USB_CAN_8051的博客 694

谷歌 catographer-ros + ubuntu14.04编译与运行

首先安装依赖 sudo apt-get install -y google-mock libboost-all-dev libeigen3-dev libgflags-dev libgoogle-glog-dev liblua5.2-dev libprotobuf-dev libsuitesparse-dev libwebp-dev ninja-build protobuf-compiler py...

Jinxiaoyu886的博客 1268

手把手调试Altera FPGA远程升级:从ASMI扇区擦除到Remote Update IP配置的避坑实录

本文详细解析了Altera FPGA远程升级的全流程,重点介绍了Cyclone IV系列FPGA的ASMI扇区擦除和Remote Update IP配置的实战技巧。通过双镜像架构设计、ASMI IP核优化配置及Remote Update IP的隐藏参数设置,帮助开发者避免常见陷阱,提升远程升级的可靠性和效率。

weixin_30872499的博客 453

Catographer-for-SMMR安装踩坑记录

本文主要记录了在搭建环境安装依赖库Catographer-for-SMMR时踩的坑,也希望同样想要搭建环境的同学们能够少走一些弯路。

weixin_53497098的博客 627

Cadence 设计实践笔记-小哥allegro 2层板笔记

规范建立文件夹本章节主要跟着B站PCB入门首选视频-小哥Cadence Allegro 2层板视频,结合自己的实践一步步完成一个完整的PCB板的设计。规范建立文件夹建立八个文件夹我使用的Cadence 17.4 有些差异原理图绘制原图绘制首先要熟悉原理图工作原理工作原理下面是这个项目的原理图重点关注电源新建原理图库打开Cadence 软件创建项目新建工程 File ==========》Project我这里选择了Enable PSPice 试试能不能仿真,新建项目如下。

我的专栏 1484

RK3588上从零部署Facenet人脸识别:PyTorch转ONNX再到RKNN的完整避坑指南

本文提供了在RK3588开发板上从零部署Facenet人脸识别模型的完整指南。详细介绍了从PyTorch模型导出、转换为ONNX格式,再通过RKNN-Toolkit2转换为RKNN格式的完整流程,并重点分享了环境配置、算子兼容性处理、量化调优及板端部署中的关键步骤与避坑经验。

river的博客 465

告别apt安装失败!手把手教你从源码编译Cartographer ROS(Noetic版)

本文详细指导如何在ROS Noetic环境下从源码编译Cartographer,解决apt安装失败的问题。通过环境准备、依赖处理、abseil库冲突解决等步骤,帮助用户顺利完成编译并优化性能,适用于SLAM开发者和ROS用户。

weixin_30555125的博客 567

EndNote X9 快速上手教程(毕业论文参考文献管理器)

EndNote X9 快速上手教程一、EndNote X9安装1.安装2 安装之后重要步骤二、第一次打开 EndNote三、参考文献引用1. 导入知网文献2. 参考文献引用四、常见问题1. 引用文献中出现%J的问题2 参考文献中出现et.al1 在文章中引用的编号的地方出现2 在参看文献列表里出现 一、EndNote X9安装 1.安装 打开文件夹 安装前,一定要读 #Readme.txt 文件 一定要把License.dat和ENX9Inst.msi放在同一文件夹,安装的时候会自动激活。 我的安装路

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 2万+

Ubuntu16.04+ROS+Cartographer安装

Ubuntu16.04+ROS+Cartographer安装 最近实验室想搞Cartographer库的硬件加速,于是在博客上找了各种大佬来配置环境。 整合的转载博客如下: https://www.cnblogs.com/Duane/p/5424218.html https://www.cnblogs.com/Duane/p/6776302.html https://blog.csdn.net/s...

qq_40982681的博客 8097

寄存器与计数器设计(Verilog)

always @(posedge Reset or posedge Clock)//请在括号中补充敏感信号列表。always @(negedge Resetn , posedge Clock)//请在括号中补充敏感信号列表。always @(negedge Resetn,posedge Clock)//请在括号中补充敏感信号列表。//为了便于自动评测,请勿更改n的值。//为了便于自动评测,请勿更改n的值。//为了便于自动评测,请勿更改n的值。//为了便于自动评测,请勿更改n的值。

M_inherit的博客 368

【unity游戏开发入门到精通——UGUI】UI控件 —— Toggle开关切换控件

【unity游戏开发入门到精通——UGUI】UI控件 —— Toggle开关切换控件

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 1850

Ubuntu18.04安装Cartographer建图

前言 提示:我的版本为ubuntu18.04 + Ros Melodic 官网地址为:cartographer官网 一、为cartographer安装依赖 代码如下: sudo apt-get install -y google-mock libboost-all-dev libeigen3-dev libgflags-dev libgoogle-glog-dev liblua5.2-dev libprotobuf-dev libsuitesparse-dev libwebp-dev ninja-bu

dongdongliu123的博客 2566

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Cartographer学通学透(一)

学习目标: 提示:学习Cartographer,每日一更,力求学通学透 学习内容: 提示:这里可以添加要学的内容 Catographer的编译和安装 (论文先不看呢,看不懂= = ) 学习时间: 提示:这里可以添加计划学习的时间 白天抽空,晚上9.30之前 886实习,舍友打呼噜鬼叫很厉害,不敢晚睡 学习产出: 提示:这里统计学习计划的总量 1、 技术笔记 1篇 具体内容:Catographer的编译和安装 编译使用的是网课脚本,就不放出来了。(就算报了网课也听不懂,得自己好好琢磨研究) 一、安装RO

panpanda 658

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Rplidar学习(五)—— rplidar使用cartographer_ros进行地图云生成

一、Cartographer简介   Cartographer是google开源的通用2D和3D定位与地图同步构建的SLAM工具,并提供ROS接口。官网地址:https://github.com/googlecartographer 二、安装方法 1、安装全部依赖项 sudo apt-get update sudo apt-get install -y \ cmak...

KEVINZHAO124517的博客 531

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

cartographer简单快速安装和配置

cartographer 安裝 ubuntu16.04 环境下1、安装wstool rosdep ninja和下載運行包2、下面进行安装proto33、安裝proto3完毕后,进行rosdep 和ninja 1、安装wstool rosdep ninja和下載運行包 $ apt-get update //-y 假定对所有的询问选是,不提示 $ sudo apt-get install -y pyt...

努力是明天快乐的源泉 6830

cartographer源码学习笔记之CMakeLists.txt文件解读

{CATKIN_PACKAGE_LIB_DESTINATION} 和 ${CATKIN_GLOBAL_BIN_DESTINATION} 是变量,分别表示 catkin 包的库目录和全局二进制目录。set_target_properties(${PROJECT_NAME} PROPERTIES COMPILE_FLAGS ${TARGET_COMPILE_FLAGS}):将 ${TARGET_COMPILE_FLAGS} 变量的内容作为 ${PROJECT_NAME} 目标库的编译选项。

weixin_48645141的博客 910

Cartographer总结(二)-代码框架及算法流程

Cartographer总结(二)-代码框架及算法流程 本文从/scan传递的信息流帮助大家找到算法的入口,在找算法入口的同时可以帮助理解代码框架。在ROS环境中跑cartographer一般包含cartographer和cartographer_ros两个库,cartographer是算法库,用于实现3D和2D情况下的SLAM算法,cartographer_ros是对cartographer进行了一次打包,使得cartographer能够在ROS的环境下使用。cartographer代码框架详细总结有

weixin_41245988的博客 4253

Cartographer源码阅读2D&3D-数据流动-轨迹添加

Cartographer-2D数据流动-轨迹添加 以单线激光雷达数据和轮速计为例。 入口 在node_main.cc中: void Run() { constexpr double kTfBufferCacheTimeInSeconds = 10.; // 构建tf_buffer tf2_ros::Buffer tf_buffer{::ros::Duration(kTfBufferCacheTimeInSeconds)}; tf2_ros::TransformList

yeluohanchan的博客 1556

Cartographer安装以及遇到的一些问题

简易版安装cartographer 以及最近的一些问题汇总

m0_55879913的博客 1125

Cartographer(3)lidar+IMU建图

Cartographer接入Lidar 与 IMU 进行建图,修改运行文件并编写urdf文件发布 tf 信息

旧势力底层学习者 7125

rplidar跑cartographer

一、Cartographer编译 cartographer依赖的大型第三方库很少,编译时基本没有依赖项问题,基本按照官方文档的步骤来,略作修改。使用的环境是Ubuntu16.04+ROS Kinetic 1.先装好wstool、rosdep、ninja   sudo apt-get install -y python-wstool python-rosdep ninja-build 2.建...

weixin_30378623的博客 459
上一篇: ROS2利用cartographer算法进行激光建图
下一篇: Keil5没有代码提示补全的功能的解决
Flyik
博客等级 码龄4年 107粉丝 9原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址