SunshineWeather

摘要： 核心差异：atan 是单参数、无象限区分、范围窄；atan2 是双参数、有象限区分、范围全，且无需提前做除法； 工程选择：SLAM / 机器人 / 图形学等需要精准计算角度的场景，优先用 atan2(y, x)；atan 仅适用于已知角度在 [-90°, 90°] 的简单场景； 代码意义：atan2 阅读全文

摘要： Python代码 点击查看代码 import json import os from pathlib import Path # 把labelme的一个特定标签改成另一个标签 def replace_labelme_label( input_path: str, old_label: str, ne 阅读全文

摘要： 一 Eigen::Map 核心概念回顾 先明确核心定位：Eigen::Map是Eigen库提供的内存映射工具， 能把一段连续的原始内存(C数组 malloc内存 缓冲区等）直接包装成Eigen的向量/矩阵对象， 无需拷贝数据，让Eigen的便捷接口操作原始内存。 目标Eigen类型：要映射成的类型( 阅读全文

摘要： 先回顾前提：const 成员函数的 “限制” 之前我们讲过，函数后的 const 会让编译器强制保证：这个成员函数里不能修改类的任何成员变量。 但实际开发中，有些变量的修改并不会改变对象的 “核心逻辑状态”（比如统计函数被调用了多少次、缓存临时数据、加锁解锁），如果因为这些辅助变量的修改就不能加 c 阅读全文

摘要： 1.先搞懂前提：没有 explicit 时的 “隐式转换”（新手最容易踩的坑） explicit 是针对类的构造函数的，所以先从构造函数的一个 “隐藏特性” 说起： 如果一个类的构造函数只有 1 个参数（或者除第一个参数外，其他参数都有默认值），C++ 编译器会偷偷允许一种 “偷懒写法”——隐式转换 阅读全文

摘要：   ![imag 阅读全文

摘要： 咱们要的是「相机调一点点位置，像素颜色误差会变多少」（这是指导相机调整的核心依据），但这个关系没法直接算，所以拆成两步： 相机位置调整 → 像素坐标(u,v)变化 → 像素颜色(灰度)变化 → 颜色误差变化 J_pixel_xi：管第一步（相机调整 → 像素坐标变多少）； J_img_pixel：管 阅读全文

摘要： 关键代码解读 点击查看代码 if (inverse == false) { // 普通LK：每次迭代重置H和b（H随迭代变） H = Eigen::Matrix2d::Zero(); b = Eigen::Vector2d::Zero(); } else { // 逆公式LK：仅重置b，H只算一次（ 阅读全文

摘要： 点击查看代码 // 普通LK：J基于目标帧I2的梯度（因为J = -dI2/dx, -dI2/dy） // 梯度用中心差分近似：dI/dx = [I(x+1) - I(x-1)] / 2，dI/dy = [I(y+1) - I(y-1)] / 2 J = -1.0 * Eigen::Vector2d 阅读全文

摘要： 海森矩阵（Hessian Matrix）的核心价值是描述目标函数的局部曲率，它包含了函数的二阶导数信息，这让优化算法能突破 “仅依赖梯度（一阶信息）” 的局限，实现更高效、更精准的寻优。在优化算法中，海森矩阵的应用主要集中在以下几个核心方向： 牛顿法与拟牛顿法：核心的搜索方向指导 牛顿法是二阶优化算 阅读全文