cartographer调参总结

简介: cartographer调参总结

(1)POSE_GRAPH.optimize_every_n_nodes

设置成0

把后端优化去掉,相当于把前端和后端区分开来,这样如果建图有问题,说明是前端的参数需要调整,先优化前端

而如果前端没有问题,再把此数值改回去,调整后端的参数


(2)cere匹配器相关参数


TRAJECTORY_BUILDER_nD.ceres_scan_matcher.translation_weight

【翻译官方文档:在我们的例子中,扫描匹配器可以在不影响分数的情况下自由地前后移动匹配。我们希望通过让扫描匹配器为偏离它得到的先验而付出更多代价来惩罚这种情况。控制它的两个参数是TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight和rotation_weight。越高,将结果移离先验的代价就越大,或者换句话说:扫描匹配必须在另一个位置产生更高的分数才能被接受。】

 

TRAJECTORY_BUILDER_2D.ceres_scan_matcher.occupied_space_weight

权重越高,提供的先验位姿越不容易被改变

如果雷达频率低,就把地图的权重调大,而把平移和旋转的权重调小

TRAJECTORY_BUILDER_2D.ceres_scan_matcher.translation_weight

TRAJECTORY_BUILDER_2D.ceres_scan_matcher.rotation_weight

 

(3)雷达测量范围


TRAJECTORY_BUILDER_nD.min_range

TRAJECTORY_BUILDER_nD.max_range

带通滤波器,并且只将范围值保持在某个最小和最大范围之间。根据机器人和传感器的规格选择这些最小值和最大值


(4)提高实时性


低延迟是指在接收到传感器输入后不久就可以使用优化的局部姿态,通常在一秒钟内,并且全局优化没有积压。在线算法需要低延迟,例如机器人定位。在前台运行的本地 SLAM 直接影响延迟。Global SLAM 建立了一个后台任务队列。当全局 SLAM 无法跟上队列时,漂移会无限累积,因此应调整全局 SLAM 以使其实时工作。


相关文章
|
8月前
|
机器学习/深度学习 算法
大模型开发:什么是过拟合和欠拟合?你如何防止它们?
机器学习中,过拟合和欠拟合影响模型泛化能力。过拟合是模型对训练数据过度学习,测试集表现差,可通过正则化、降低模型复杂度或增加训练数据来缓解。欠拟合则是模型未能捕捉数据趋势,解决方案包括增加模型复杂度、添加特征或调整参数。平衡两者需通过实验、交叉验证和超参数调优。
808 0
|
机器学习/深度学习 算法 TensorFlow
深度学习常用知识梯度下降学习率和反向传播
深度学习常用知识梯度下降学习率和反向传播
116 0
|
2月前
|
机器学习/深度学习
深入理解机器学习中的过拟合与正则化
深入理解机器学习中的过拟合与正则化
|
7月前
|
算法 计算机视觉 Python
技术经验分享:GBM模型调参详解
技术经验分享:GBM模型调参详解
|
8月前
|
机器学习/深度学习
通过学习曲线识别过拟合和欠拟合
本文介绍了如何利用学习曲线识别机器学习模型中的过拟合和欠拟合问题。过拟合发生时,模型过于复杂,对训练数据过拟合,导致测试集表现不佳;欠拟合则是因为模型太简单,无法捕获数据模式,训练和测试集得分均低。学习曲线通过绘制训练和验证损失随训练样本增加的情况来辅助判断。对于过拟合,学习曲线显示训练损失低且随样本增加上升,验证损失降低但不趋近训练损失;欠拟合时,训练和验证损失都高,且两者随着样本增加缓慢改善。通过学习曲线,我们可以调整模型复杂度或采用正则化等方法优化模型泛化能力。
136 0
|
8月前
|
机器学习/深度学习 算法 PyTorch
PyTorch模型优化与调优:正则化、批归一化等技巧
【4月更文挑战第18天】本文探讨了PyTorch中提升模型性能的优化技巧,包括正则化(L1/L2正则化、Dropout)、批归一化、学习率调整策略和模型架构优化。正则化防止过拟合,Dropout提高泛化能力;批归一化加速训练并提升性能;学习率调整策略动态优化训练效果;模型架构优化涉及网络结构和参数的调整。这些方法有助于实现更高效的深度学习模型。
|
机器学习/深度学习 算法 测试技术
学习笔记: 机器学习经典算法-分类算法模型性能评估(准确度Accuracy)
机器学习经典算法-个人笔记和学习心得分享
164 0
|
机器学习/深度学习 数据挖掘 PyTorch
# 【深度学习】:《100天一起学习PyTorch》模型评估和选择(上):欠拟合和过拟合
机器学习的任务是发现一种泛化的模式,通过训练集发现总体的规律,从而在未知的数据集上也能展现较好的精度。但是如何判断我们的模型不是单纯的记住了数据,而是真的发现了一种规律呢?因为,我们往往只能从有限样本集训练模型,当收集更多的数据时,会发现这些数据的预测结果和之前的关系完全不同。下面我们介绍一些机器学习评估模型的一些基本概念。
 # 【深度学习】:《100天一起学习PyTorch》模型评估和选择(上):欠拟合和过拟合
|
机器学习/深度学习 计算机视觉 Python
【机器学习】(19)使用sklearn实现估计器的调参方法
【机器学习】(19)使用sklearn实现估计器的调参方法
260 0
|
机器学习/深度学习 PyTorch 测试技术
从零开始学Pytorch(五)之欠拟合和过拟合
从零开始学Pytorch(五)之欠拟合和过拟合
从零开始学Pytorch(五)之欠拟合和过拟合