进程概述

网络编程需要关注的问题

1. 连接的建立
2. 连接的断开
3. 消息的到达
4. 消息发送完毕

1.相同数量级的数据，hash存储和zset存储内存占用情况

Redis简介

Redis是内存数据库，kv数据库，数据结果数据库；

内存数据库，说明数据都在内存中；非内存数据库，比如mysql，数据主要在磁盘中，部分热点数据在缓冲层中；

kv数据库，数据的组织方式，访问操作redis，通过key来索引value从而操作redis；

数据结构数据库，redis提供丰富的高效的数据结构供客户操作；redis中的value包含string,list,hash,set,zset等多种数据结构。

线程池

1. 用在哪里？

参考文章

前言

文章：LOAM: Lidar Odometry and Mapping in Real-time

作者：Ji Zhang and Sanjiv Singh

编译：robinvista

来源：https://blog.csdn.net/robinvista/article/details/104379087?spm=1001.2014.3001.5501

目的

​ LOAM是KITTI测试中排名第一的状态估计和激光建图方法，知名度很高，在它的基础上衍生出了很多改进版本，例如LEGO-LOAM、LLOAM、ALOAM、Inertial-LOAM等等。
　　本文对论文和代码的细节进行分析，试图弄明白这个方法的特点以及为何有如此优秀的性能。

特征点提取

​ 既然LOAM是个激光建图和状态估计方法，那就离不开对激光这种传感器特点的分析讨论。机械旋转式激光雷达虽然是连续旋转的，但是它的输出却是一帧一帧的。通过匹配每帧激光点云与上一帧点云，可以估计得到两帧之间机器人的相对位移，这就是激光里程计的工作方式。这里用估计，是因为我们不能精确的得到相对位移。传统的估计方法是直接在原始的点云上操作（例如大名鼎鼎的ICP算法）。但是LOAM没有直接使用ICP，而是采用了更巧妙的方法，它不是直接对大量的点云进行变换，而是在点云的基础上提取出相对较少的特征点，然后再用特征点进行匹配。

贝叶斯网络下表示下的完全SLAM系统能很方便地转换成因子图表示，这样贝叶斯网络中的最大后验估计就等效为因子图中的最小二乘估计，接下来求解最小二乘问题（通常为非线性最小二乘问题）。求解非线性最小二乘问题的方法大致上有两种：

• 一是先对该非线性问题进行线性化近似处理，然后直接求解线性方程得到待估计量。
• 二是不直接求解，通过迭代策略让目标函数快速下降到最值处，对应的估计量就求出了。

参考文章链接

标题: Vox-Fusion: Dense Tracking and Mapping with Voxel-based Neural Implicit Representation

作者：Xingrui Yang， Hai Li1， Hongjia Zhai， Yuhang Ming， Yuqian Liu， Guofeng Zhang

来源：ISMAR 2022

摘要

在本文中，我们提出了一个稠密的跟踪和建图系统Vox-Fusion，它将神经隐式表示法与传统的体积融合方法无缝地融合在一起。我们的方法是受到最近开发的隐式地图和定位系统的启发，并进一步扩展了这一想法，使其可以自由地应用于实际场景。具体地说，我们利用基于体素的神经隐式表面表示来编码和优化每个体素内的场景。此外，我们采用了基于八叉树的场景划分结构，并支持动态扩展，使我们的系统能够跟踪和映射任意场景，而不需要像以前的工作那样需要知道环境。此外，我们还提出了一种高性能的多进程框架来加速该方法，从而支持一些需要实时性能的应用。评估结果表明，与以往的方法相比，该方法具有更高的准确率和完备性。我们还展示了我们的Vox-Fusion可用于增强现实和虚拟现实应用。https://github.com/zju3dv/Vox-Fusion

主要贡献

综上所述，我们的贡献如下:

1.我们提出了一种用于实时隐式跟踪和建图的新型融合系统。我们的Vox-Fusion结合了由显式八叉树索引的体素嵌入和神经隐式网络来实现具有足够细节的可伸缩隐式场景重建。

2.结果表明，与现有的SOTA系统相比，通过直接绘制带符号距离体，我们的系统在没有性能开销的情况下提供了更好的跟踪精度和重建质量。

3.我们提出了一种基于比率测试和信息增益度量的快速高效的关键帧选择策略，更适合于大尺寸地图的维护。

4.我们在合成场景和真实场景上进行了大量的实验，证明了所提出的方法能够产生高质量的3D重建，这可以直接惠及许多AR应用。

参考文章链接

标题：Stochastic Motion Planning Under Partial Observability for Mobile Robots With Continuous Range Measurements

作者：Ke Sun, Brent Schlotfeldt, George J.Pappas,Vijay Kumar

来源：2021 IEEE International Conference on Robotics and Automation (ICRA 2021)

摘要

​ 本文解决了局部可视化的随机运动规划问题，具体来说，就是如何导航一个装有连续测距传感器的移动机器人，如激光雷达。与许多现有的机器人运动规划方法不同，我们通过将系统建模为部分可观测的马尔可夫决策过程( POMDP )以突出考虑到机器人状态的不确定性。最近关于通用POMDP求解器的工作通常局限于离散的观测空间，并且由于LIDAR的连续量测很难应用于所提出的问题。本文基于一种现有的蒙特卡洛树搜索方法——局部可观测蒙特卡洛规划( POMCP )，提出了一种新的算法POMCP++。该算法可以处理具有新型测量选择策略的连续观测空间。POMCP++算法通过去除推出阶段隐含的完美状态假设，克服了推出策略价值估计中的过拟合问题。从理论上验证POMCP++，证明它是一个蒙特卡洛树搜索算法。通过与其他同样适用于目前所提问题的方法的比较，表明了POMCP++可以取得了更高的成功率和总回报。

主要内容

1. 引入对POMCP两个主要改进。首先，原始系统的测量可能性会失真，因此可以以不同的概率重新访问树中的现有测量分支。其次，强制执行一组样本而不是一个样本，以同时遍历树中的同一组节点的下游。可以很好地表示叶节点的信赖，从而对推广策略进行更准确的价值估计。通过应用重点采样，还可以保证遍历节点处的值的正确更新。；
2. 由于测量似然失真，仿真时段的估计值对于当前策略是有偏差的。尽管如此，由于仿真的数量和样本组的大小趋于无穷大证明了这样的估计是无偏的。因此，所提出的POMCP算法被证明是一种有效的蒙特卡罗树搜索 (MCTS) 算法；
3. 提供了将POMCP++与现有方法进行比较的仿真结果，这些方法也可以应用于随机导航问题。结果表明，POMCP++算法产生了更高的折扣奖励总和，目标最大化。此外，POMCP++实现了更高的成功率，同时降低了目标区域之外的碰撞率和过早停止。除了仿真之外，我们还演示了POMCP在一个模糊的走廊环境中的真实机器人平台上的性能。

算法框架

引入机器人实际测量数据，基于贝叶斯网络表示这些数据的关系，基于这种表示，状态估计很容易进行，一般采用贝叶斯估计。

根据选取估计量的不同，又分为几种估计问题。

1.如果仅对机器人当前位姿状态$x_k$进行状态估计，这就是定位问题，对应的后验概率分布表述如式(7-88)所示。
$$
P(x_k|z_{1:k},u_{1:k},m)\tag {7-88}
$$
2.如果除了估计机器人的当前位姿，还同时对地图m进行估计，这就是在线SLAM问题，对应的后验概率分布表述如式7-89所示。
$$
P(x_k,m|z_{1:k},u_{1:k})\tag {7-89}
$$
3.如果要对机器人所有历史位姿$x_{1:k}$和地图m同时进行估计，这就是完全SLAM问题，对应的后验概率分布表述如式7-90所示。
$$
P(x_{1:k},m|z_{1:k},u_{1:k})\tag {7-90}
$$

参考文章链接

标题：End-to-End Learnable Geometric Vision by Backpropagating PnP Optimization

作者：Bo Chen, Alvaro Parra, Jiewei Cao, Nan Li, Tat-Jun Chin

来源：CVPR2020

摘要

​ 深度网络在从大量数据中学习模式方面表现出色。另一方面，许多几何视觉任务被指定为优化问题。为了将深度学习和几何视觉无缝地结合起来，至关重要的是进行端到端的学习和几何优化。为了实现这一目标，我们提出了BPnP，这是一个新颖的网络模块，通过Perspective-nPoints（PnP）求解器反向传播梯度，以指导神经网络的参数更新。基于隐式微分，我们表明一个 “独立的 “PnP求解器的梯度可以被准确有效地导出，就像优化器块是一个可微分的函数。我们通过将BPnP纳入一个深度模型来验证它，该模型可以从训练数据集中学习相机的内在因素、相机的外在因素（姿势）和三维结构。此外，我们开发了一个用于物体姿势估计的端到端可训练管道，该管道通过将基于特征的热图损失与二维-三维重投影误差相结合，实现了更高的准确性。由于我们的方法可以扩展到其他优化问题，我们的工作有助于以一种原则性的方式实现可学习的几何视觉。我们对BPnP的PyTorch实现在http://github.com/BoChenYS/BPnP。