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
|
12月前
|
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
84 0
|
12月前
|
机器学习/深度学习 算法 大数据
机器学习线性回归优化损失函数
机器学习线性回归优化损失函数
68 0
|
2月前
|
机器学习/深度学习
训练逻辑回归
【7月更文挑战第22天】训练逻辑回归。
37 4
|
4月前
|
机器学习/深度学习 算法 小程序
垃圾分类算法训练及部署
垃圾分类算法训练及部署
42 1
|
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
130 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 数据可视化 PyTorch
使用梯度下降训练线性模型
使用梯度下降训练线性模型
98 0
使用梯度下降训练线性模型
|
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
235 0
|
机器学习/深度学习 Dart 算法
|
机器学习/深度学习 算法 开发者
模型选择| 学习笔记
快速学习模型选择。
75 0
模型选择| 学习笔记