1.lol原计划和源代码的激光激光区别
2.ROS开源项目：（一）中文语音交互系统ROSECHO （二）教学级别无人车Tianracer
3.7.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(三)
4.干货|开源MIT Min cheetah机械狗设计(二十三)运动控制器源码解析---控制和优化思想
5.VINS-Mono：原理深剖+白板从零手推公式+源码逐行精讲！
lol原计划和源代码的无后无源区别
一、人物背景故事上的源码区别：原计划：
(1)源计划风，亚索：亚索从一次高科技战斗中归来，激光激光却被指控一项他不曾犯下的无后无源罪行，他知道源计划的源码引擎搜索源码管理层一定牵连其中，于是激光激光亚索与基因动力叛军并肩作战，用自己的无后无源等离子锻压战刃斩断科技的谎言。
（2）源计划林，源码易：作为最初的激光激光概念原型之一，易被源计划囚禁并沦为试验对象，无后无源最后终于被基因动力叛军解救，源码他的激光激光心智或许依然存在故障，但他的无后无源实验级超光“阿尔法”剑刃以其精准的平衡为反抗军贡献力量。
（3）源计划火，源码菲奥娜：增强改造只为速度的菲奥娜，手持零度脉冲剑刃，与艾希和其他基因动力的成员并肩作战，完整长度的能量剑刃是为了完美无瑕的攻击速度 和最大限度击打强度，空间受控的原子针镀层能最大程度地兼容单目标作战。
（4）源计划山，雷欧娜：重装战斗人员雷欧娜曾见证过源计划霓虹灯光背后的真相，现在她与艾希和基因动力叛军并肩作战，她拿着离子火花护盾，利用能量变量输出阻挡并击晕目标。
（5）源计划阴，劫：在体系内新晋崛起的劫是源计划反间谍小组的首领，他使用一双高频能量战刃“固态烟”投影装置搜寻基因动力的叛军，擅长近距离多角度的目标割裂。
（6）源计划雷，卢锡安：卢锡安曾在体系内担任哨兵，所以见证过源计划的真正面目。他的粒子核心光束手枪现在为基因动力和人类的反叛而战，用残酷的高效摧毁科技的压迫者。（7）源计划联合，艾希：艾希曾在一场集团战争的前线上见证了源计划以人类作为代价实现自己的野心。现在她是反抗组织基因动力的领袖，艾希的目标就是要颠覆这个最强大的集团。（8）源计划自由，艾克：艾克是一个黑客奇才，艾希在下城收编了他，并没有费多大口舌就说服了艾克帮她扳倒源计划。凭借强力的秘钥解密装置和擅长干扰的思维，艾克总是能够绕道访问核心编码。（8）源计划雄心，卡特琳娜：曾在基因动力叛军中担任中尉的卡特琳娜，在与艾希本尊当面对质以后回到了体系内。她的超刃匕首现在重新新为源计划而战，但那些了解她的叛军依然心存希望，认为她会从内部为叛军而战。（9）源计划净化，薇恩：装备了机密级增强科技的c edid源码薇恩曾是源计划反间谋小组的一员。她被自己效命的集团出卖以后，如今潜伏在黑影中扮演义警，不断寻求新方式破坏源计划，破坏侵扰她灵魂的科技。（）源计划升华，烬：一次拙劣的手术过后，烬从一个黑市增强体黑客变为一个机械化雇佣杀手，他的程序依然嗜好高权限升级组件， 但烬从猎物身上得来的部件让他出现严重的人格分裂，而且对源计划和整个人类的未来产生了一种黑暗愿景。（）源计划裁决，蔚：街头智慧，鲁莽无礼而且永远都不懂委婉的蔚，是一名中心区的警探，负责这座霓虹城市的治安和秩序。在下城执法的日子锻炼了她，蔚捍卫和平的工具是对阿特拉斯拳套，还有一记狠毒的右勾拳。源代码：
(1)苹果机器人，布里茨：苹果机器人布里茨最初的设计是家用服务机械体，但后来上千个布里茨在一次日常软件更新时被源代码攻破。 他们的人类主人对此毫不知情，而他们继续忙里忙外，耐心地等待着新命令初始化。
（2）源代码，索拉卡：源代码索拉卡的创造是作为支援机器人保护人类的脆弱本质，以机械天使之手带来科技的救赎。如今被损坏代玛入侵的她，不知道是否还以这仁慈的使命作为自己的首要指令。
（3）源代码，丽桑卓：源代码丽桑卓的设计意图是作为目视一切的安保机器人，但她超越了自己的初始代码，成为了有自我生成力的人工智能。她通过自己的拟态指令玩弄人类增强改造技术，所有人都会在她面前崩塌。
（4）源代码，卡蜜尔：源代码卡密尔是为了镇压基因动力反叛而生的人形兵器，任何试图使用未授权技术的人类都会成为她的暗杀目标，她拥有高度适应性的执行规程和激光般的集中，直接听命于源代玛的顶层人工智能。
二、所代表英雄上的区别：原计划：亚索、易、菲奥娜、雷欧娜、劫、卢锡安、艾希、艾克、卡特琳娜、薇恩、flvjs源码解析烬、蔚。源代码：布里茨、索拉卡、丽桑卓、卡蜜尔。原计划：源代码：三、构造上的区别：原计划：是半机械化，可以看出来源计划是在原英雄基础上做的机械化升级，能看出来有肉体。源代码：是完全机械化，无法辨别是否为英雄本身，有可能是纯机器。百科-源代码百科-源计划
ROS开源项目：（一）中文语音交互系统ROSECHO （二）教学级别无人车Tianracer
开发之路永无止境，往往在最后期限的白板上写着的计划，往往只是一份空想。年初时，我定下了两个目标，计划在年末完成，然而时间在拖延中流逝，直到如今，我才发现，真正的开源精神并非一个人的单打独斗，而是众人协作的火焰。
记得一年前，我四处奔波，从开源社区汲取养分，同时也渴望贡献出自己的力量。然而，回顾过去，我却发现并没有做出任何贡献。这次，我希望能够集结各路伙伴，如果有志于参与开源项目，我们能共同打造一个GitHub上的百星、千星项目。几位资深程序员已经搭建好了基础，硬件改进较多，但程序完善程度未达预期。我们期望有更多的年轻朋友加入我们，与我们一起学习软件的版本控制、代码规范和团队协作，共同完成复杂的机器人项目，实现成长与蜕变。
（一）中文语音交互系统ROSECHO
ROSECHO的GitHub源码库已准备好，欢迎先star再深入阅读。此代码遵循BSD开源协议。
详细中文介绍文档
面对智能音箱市场，许多人或许会质疑我们的团队为何要涉足这个领域。然而，故事并非如此简单。游戏竞猜源码在年，我们计划为一个大型展厅打造讲解机器人，采用流行于Android系统的接待引导机器人，其语音交互功能本无问题，但当时的挑战在于，尚未有集成cartographer在数千平米展厅中进行建图导航的方案。因此，我们决定打造一款完全基于ROS的讲解机器人。市场上虽然有众多智能音箱，但缺乏适用于ROS二次开发的产品。在科大讯飞一位大佬的介绍下，我们选择了AIUI方案，虽然开发难度大，但高度定制化，非常适合我们这样的开发团队。于是，我们主要任务转变为开发一款能够在ROS下驱动的智能音箱，ROSECHO便由此诞生。
第一版智能音箱在年4月问世，包含W的大喇叭、6环麦克风，以及ROS主控制器，下方控制了一个云迹科技的水滴底盘。了解过ROS星火计划进阶课程的朋友大概知道，课程中的大作业之一是语音命令移动机器人端茶倒水，而我们的任务相当于完成了一个加强版的大作业。
整个机器人在年7月完成，音箱分散到身体各个部分，环麦位于头顶，喇叭置于身体两侧。其他传感器、执行机构、决策、定位导航均基于ROS，定制了条特定问答，调试的机器人在场馆中行走上下坡不抖动，定位准确，7*小时工作稳定。音箱在大机器人上使用效果出色，主要得益于讯飞的降噪和回声消除技术，使得远场对话和全双工对话得以实现。社区中许多小伙伴也尝试了软核解决方案，但由于环境限制较大。于是，我们决定将音箱从大家伙改为普通智能音箱大小，通电即为智能音箱，USB接入ROS后，只需启动launch，即可接收语音识别结果，发送TTS语料，配置网络、头条平台源码接收唤醒角度等。
这次体验深刻地让我认识到，做大容易做小难。过完春节后，年8月ROS暑期夏令营期间，我们做了N款外壳，测试了M种喇叭，贴了P版外围电路，程序则改动不大。主要是由于时间有限，无法进行更多改进。样品均为手工制作，音质上，7w的喇叭配有一个无源辐射板，对于从森海HD入门的人来说，音质虽有瑕疵，但足以满足日常使用。
之前在想法中发布了一个使用视频，大家可参考运行效果。
ROSECHO基本情况介绍完毕，如何开始呢？
从零开始：推荐给手中已有讯飞AIUI评估板的小伙伴，记住，评估板而非麦克风降噪板（外观相似，简单区分是评估板售价元，降噪板元）。手头的评估板可通过3.5mm接口连接普通电脑音箱，再准备一根USB转转换头连接评估板DB9接口。后面需要根据实际串口修改udev规则，理论上可配合ROSECHO软件使用。硬件工作量较大，还需包含移动机器人所需机械设计、电气改造等。好处是拥有AIUI后台，可以定制云端语料和技能，但这又是另一个领域的能力，也不是三下五除二能完成的。
从ROSECHO开始：直接购买ROSECHO，首发的十台会附赠ROS2GO，只需连接自带电源并用USB线连接电脑，配置无线SSID和密码即可。连接方便，我们维护云端语料，人设为智能机器人管家，大家只需关注如何利用识别后的词句控制机器人和进行应答。云端问答AIUI处理，一些自定义问答可在本地程序中处理，务必联网，因为语音识别本身需要网络。具体软件启动和简单demo请查看GitHub软件库的说明。
然后做什么：要实现智能语音交互功能的移动机器人，需要对ROS中的actionlib非常熟悉。我们提供了简单的demo，可以控制机器人在turtlebot stage仿真环境中根据语音指令在两点之间移动，也可以根据唤醒方位进行旋转。之后还需增加音箱的TF变换。
大机器人中的状态机采用层次状态机（Hierarchical state machines），适用于移动机器人的编程，框架准备开源，方便大家开发自己的智能移动机器人策略。参考下面链接，希望深入了解也可以购买译本，肯定是比ROS By Example中的Smach状态机更适合商用级产品开发。
还计划做一套简单的语音遥控指令集，机器人问答库，在iflyos中构建适合机器人的技能库。何时能完成尚不确定，大家一起加油！
（二）教学级别无人车Tianracer
GitHub源码库已准备就绪，欢迎先star再深入阅读。遵循Hypha Racecar的GPLv3协议。
这是最近更新的详细使用手册。相比ROSECHO，Tianracer的基本功能均已完成，至少可以拿来学习建图导航，了解SLAM。
Tianracer是一个经过长时间准备的开源项目，年从林浩鋕手中接过Hypha Racecar后，希望将项目发扬光大。这两年改进了软件框架、周边硬件、机械结构，并增加了新的建图算法，但仍有大量工作待完成。这两个月在知乎想法和微信朋友圈分享了项目的进展，经历了多次迭代，现在大致分为入门、标准、高配三个版本。三个版本的软件统一，可通过环境变量更改设置。
最近整个项目从Tianbot Racecar更名为TianRacer，经过长时间探索，终于实现了合理的传感器与处理器配置。相比Hypha Racecar，处理器从Odroid XU4更改为NVIDIA在上半年推出的Jetson Nano，车前方增加了广角摄像头，利用Nano的深度学习加速，可以接近实时处理图像数据。相比之前的单线激光，广角摄像头大大扩展了后续可实现的功能。
TianRacer基本使用Python编写，从底层驱动到遥控等，目的是方便大家学习和二次开发。同时集成了cartographer和vins-fusion启动文件，可以尝试新的激光与视觉SLAM，基于Nano的深度学习物体识别等也是可以直接运行的。但目前功能尚未有机整合。
从零开始搭建：TianRacer搭建可能难度较大，不仅需要RC竞速车的老玩家进行机械电子改装，还需要对ROS熟悉并修改软件以进行适配，同时可能需要嵌入式程序员的帮助。对于主要关心搭建的朋友，可以参考小林的Hypha Racecar和JetRacer Tamiya版本的搭建指南。
从TianRacer开始：这批开发版本的无人竞速车附赠搭好环境的ROS2GO，TianRacer本身有开机自启功能，利用ROS2GO加上USB线对车体进行网络配置，就可以远程编程和调试。仔细参考提供的TianRacer看云文档（文档积极更新），大部分车体自带的功能都可以实现，包括但不限于建图、定位、导航、识别等。
然后做什么：利用TianRacer学习无人车的基础框架，还可以通过JupyterLab学习Jetson Nano的深度学习算法。未来计划将交通标识识别、行人和车辆检测、车道线检测等无人车基础功能融合，但不确定Jetson Nano的算力是否足够。目标是在校园内进行低成本的无人车竞速比赛，希望像CMU的Mobot室外巡线比赛一样持续发展，至今已举办届。
这个视频是搬运自YouTube。大家可深入了解非结构环境下的导航。对于不清楚结构化环境与非结构化环境的朋友，CMU和恩智浦的比赛完美诠释了两者之间的区别。
一起来玩耍吧！
在开源社区协作方面，我们也是第一次尝试，对于松散的协同开发经验不足，希望参与或组织过大型开源项目的朋友们加入我们，一起努力。有兴趣的朋友可以留言或私信。
前几日与朋友们闲聊时，想起几年前高翔博士赞助一锅粥（orb-ygz-slam）1万元时，我也只能提供支持。这次真心希望可以贡献出代码，实现实实在在的贡献。
年年底发布了开发者申请价格，但数量有限，早已连送带卖售罄。年又有几十位爱好者填写了问卷，忘记查阅。每年的双十一双十二我们都会有优惠活动，感谢大家的关注。
7.AMCL包源码分析 | 粒子滤波器模型与pf文件夹(三)
在上一讲中，我们深入探讨了pf.cpp文件，它将Augmented-MCL算法和KLD-sampling算法融合使用。重点在于pf_pdf_gaussian_sample(pdf)函数、pf_init_model_fn_t初始化模型以及pf->random_pose_fn方法进行粒子初始化。粒子的插入和存储采用kd树数据结构，同时kd树也表达直方图的k个bins，通过叶子节点数展现。
本讲聚焦kd树在粒子滤波器模型中的作用（pf_kdtree.cpp）、概率密度函数pdf与特征值分解的关系（eig3.cpp、pf_vector.cpp）以及如何利用pdf生成随机位姿（pf_pdf.cpp），同时解释kd树与直方图的对应关系。
在概率密度函数pdf的创建中，我们首先定义一个高斯PDF结构体pf_pdf_gaussian_t，包含均值和协方差的描述，接着进行协方差矩阵的分解，通过Housholder算子和QR分解完成特征值分解过程。
通过pdf结构体实现随机位姿的生成，具体在pf_pdf.cpp中pf_pdf_gaussian_sample函数实现，使用无均值带标准差的高斯分布进行生成。
kd树数据结构在pf_kdtree.cpp中定义，包括节点和树的初始化，以及新位姿的插入。kd树的插入依据树的性质，通过计算max_split、中位数和分支点维数来定位新节点位置。查找节点和计算给定位姿权重则通过kd树结构实现，最终将树中叶子节点打标签，以统计特性如均值和协方差计算整个粒子集。
kd树在AMCL中承担直方图功能，以叶子节点数目表示bin个数（k），概率密度函数pdf依赖于输入的均值和协方差生成，用于随机位姿的产生。此外，kd树还用于判断粒子集是否收敛。最后，kd树表达直方图的过程在pf.cpp中pf_update_resample函数中实现，而pf_resample_limit函数用于设定采样限制。
kd树在粒子滤波器模型中的作用包括存储粒子样本集、查找和插入新位姿，以及统计特性计算。概率密度函数pdf的使用除了初始化粒子位姿外，还有判断粒子收敛的作用。下一讲将探讨amcl_node.cpp的处理内容，包括初始位姿、激光数据和坐标系转换，以及粒子滤波器pf的运用。
干货|开源MIT Min cheetah机械狗设计(二十三)运动控制器源码解析---控制和优化思想
本文将深入探讨开源MIT Min Cheetah机械狗设计的控制与优化策略，重点关注MPC控制和QP优化。尽管WBC辅助MPC的内容在前文已有详述，这里主要聚焦控制理论的应用。
控制的核心在于通过状态方程描述物体运动规律，如牛顿第二定律，将连续问题离散化以适应计算机处理。状态空间表达式，如[公式]，揭示了物理定律，如位移与速度的关系和电容与电流的关系。控制策略的优化在于选择最适合的路径，如LQR关注整个时间的最优，而MPC关注当前时刻对过去的影响。
优化问题涉及代价函数和权重设置。LQR的代价函数[公式]，权重为[公式]，而MPC更复杂，如[公式]，可加入不等式约束。MPC通过QP求解器，如Matlab或C++，实现开环优化，允许灵活设置约束条件。
与传统PID控制相比，现代控制理论如状态空间模型更精确，但在实际应用中，复杂项目如MIT机械狗，可能仍需依赖传统控制如PD，配合现代理论以提升性能。控制算法在无人机、机器人和汽车行业广泛应用，尤其在动力学模型成熟的情况下。
机器学习和强化学习在参数辨识和环境适应方面提供了补充，但强化学习对于规则明确的环境表现较好，未来有望在机器人领域有更多发展。接下来，我们将转向机械狗的仿真实现，以及后续的扩展功能，如路径规划和激光雷达扫描。
VINS-Mono：原理深剖+白板从零手推公式+源码逐行精讲！
自动驾驶领域在年呈现出快速发展的态势，各大创业公司纷纷宣布获得大额融资。1月日，文远知行完成B轮3.1亿美元融资；1月日，滴滴获得3亿美元融资；2月8日，小马智行获得1亿美元C+轮融资；3月日，Momenta完成C轮总计5亿美元的融资；4月日，大疆创新推出智能驾驶业务品牌“大疆车载”，向汽车企业提供自动驾驶解决方案；4月日，小鹏汽车发布搭载激光雷达的智能汽车小鹏P5，成为全球第一款量产的激光雷达智能汽车；4月日，图森未来在美股上市，被称为“全球自动驾驶第一股”；4月日，华为和北汽合作实现上海城区通勤无干预自动驾驶，成为全球唯一城市通勤自动驾驶量产车。
在自动驾驶、无人机、增强现实、机器人导航等技术领域中，定位和建图（SLAM）发挥着至关重要的作用，而视觉惯性里程计（VIO）作为SLAM算法中的一个重要分支，其理论复杂度较高。对VIO的掌握能力将直接影响到SLAM从业者的专业水平。VINS-Mono是由香港科技大学飞行机器人实验室（沈邵劼团队）在年开源的知名单目VIO算法。该算法由第一作者秦通（华为天才少年）提出，并在年获得IEEE Transactions on Robotics期刊的最佳论文奖。VINS-Mono使用单目相机和惯性测量单元（IMU）实现了视觉和惯性联合状态估计，同时能够估计传感器外参、IMU零偏以及传感器时延，是一款经典且优秀的VIO框架。
VINS-Mono在室内、室外大尺度以及高速飞行的无人机场景中均表现出色。在手机AR应用中，该算法优于当前最先进的Google Tango效果。同时，VINS-Mono也是VINS-Fusion算法的基础，应用于汽车SLAM时同样展现出高精度和稳定性。
在自动驾驶、无人机、增强现实、机器人导航等领域的岗位中，掌握VINS-Mono算法成为了关键技能之一。为此，计算机视觉life团队推出了独家课程《VINS-Mono：原理深剖+白板从零手推公式+源码逐行精讲》。该课程通过详细的步骤解读、疑难问题解析、结合作者回复的issue理解，帮助学员深入掌握VINS-Mono背后的原理。课程内容覆盖从基础理论到复杂公式的推导，通过白板从零开始手推公式的方式，使学员能够理解复杂公式的形成过程，从而真正掌握VINS-Mono的原理。课程价格根据购买时间调整，购买越晚价格越高。如有疑问，学员可加入QQ群（）咨询，购买成功后会自动显示内部答疑群。