目录 ✨写在前面 ✨内容简介 ✨作者简介 ✨名人推荐 ✨文末福利 🦐博客主页：大虾好吃吗的博客 🦐专栏地址：免费送书活动专栏地址写在前面 近年来国家大力支持半导体行业，鼓励自主创新，中国SSD技术和产业良性发展，产业链在不断完善，与国际厂商的差距逐渐缩小。但从行业发展趋势来看，SSD相关技术仍有大幅进步的空间，SSD相关技术也确实在不断前进。随着闪存芯片制程工艺的进步、堆叠层数的增加等，SSD面临闪存大页问题、写放大导致的性能问题、3D堆叠导致的可靠性问题等，因此，我们仍需不断攻克核心技术，通过软硬件协同等多种方法提升SSD的性能和寿命，从而满足日益增长的应用需求
信号模型线性调频信号具有一个优势，那就是不减小脉宽的情况下，同样能够提高雷达的分辨力。现代雷达普遍采用线性调频体制，了解线性调频雷达信号很重要。一般情况下，线性调频雷达信号，定义为s~(t)=rect(tτ)exp[j2π(fct+12μt2)](1)\tilde{s}(t)=rect(\frac{t}{\tau})\mathrm{exp}[j2\pi(f_ct+\frac{1}{2}\mut^2)]\tag{1}s~(t)=rect(τt)exp[j2π(fct+21μt2)](1)式(1)中，rect(t)rect(t)rect(t)为矩形脉冲，其归一化为rect(tτ)={10≤t
连载文章，长期更新，欢迎关注：写在前面第1章-ROS入门必备知识第2章-C++编程范式第3章-OpenCV图像处理第4章-机器人传感器 4.1惯性测量单元 4.2激光雷达 4.3相机 4.4带编码器的减速电机第5章-机器人主机第6章-机器人底盘第7章-SLAM中的数学基础第8章-激光SLAM系统第9章-视觉SLAM系统第10章-其他SLAM系统第11章-自主导航中的数学基础第12章-典型自主导航系统第13章-机器人SLAM导航综合实战每当说起雷达，很多人可能想到的就是军事领域探测敌机那种庞然大物。其实，雷达是指利用探测介质探测物体距离的设备，比
不同于光学图像，SAR图像的获取的本质是方位信号的累积结果，也就是说是在合成孔径时间内的电磁波照射结果。类似于光学成像中的延时拍照。通常使用手机拍照时，若拍照的手臂出现抖动，那么得到的照片就会变模糊。同样的现象也会出现在SAR图像中。SAR的成像时，雷达天线是安装在各种运动平台上的，如卫星、飞机、无人机、飞艇、导弹等，这些平台在实际的飞行过程中，受环境及动力影响，通常无法保持匀速直线运动，这将导致在进行方位压缩时存在相位误差，该误差会影响成像质量，使成像效果模糊（模糊的本质是方位匹配滤波函数与实际的方位信号产生失配）。因此运动补偿是SAR成像不可缺少的环节。 其实，由平台运动引起
多雷达协同探测技术原始笔记链接：https://mp.weixin.qq.com/s?__biz=Mzg4MjgxMjgyMg==&mid=2247486627&idx=1&sn=f32c31bfea98b85f2105254a4e64d210&chksm=cf51be5af826374c706f3c9dcd5392e0ed2a5fb31ab20924b7dd38e1b1ae32abe9a48afa8174#rd↑\uparrow↑打开上述链接即可阅读全文雷达学报2023|多雷达协同探测技术研究进展：认知跟踪与资源调度算法多雷达探测论文阅读笔记：雷达学报2023,多雷达协同探测技术研究进展：认
标题：MVFusion:Multi-View3DObjectDetectionwithSemantic-alignedRadarandCameraFusion作者：ZizhangWu,GuilianChen,YuanzhuGan,LeiWang,JianPu来源：2023IEEEInternationalConferenceonRoboticsandAutomation(ICRA2023)这是佳佳怪分享的第2篇文章摘要多视角雷达-摄像头融合三维物体检测为自动驾驶提供了更远的检测范围和更多有用的功能，尤其是在恶劣天气下。目前的雷达-相机融合方法提供了多种将雷达信息与相机数据融合的设计。然而，这些
2023年2月重要补充这个代码我个人觉得不好用且坑太多，所以后来换了一个。推荐大家用新的代码。详见更新的一篇博客总结：【学习总结】激光雷达与相机外参标定：代码（cam_lidar_calibration）这一周多学习并调试了激光雷达和相机外参标定的代码，踩了一堆坑，特此记录。0.参考资料：代码来源：https://github.com/ankitdhall/lidar_camera_calibration参考论文：LiDAR-CameraCalibrationusing3D-3DPointcorrespondences修改后的代码：https://github.com/LarryDong/li
2023年2月重要补充这个代码我个人觉得不好用且坑太多，所以后来换了一个。推荐大家用新的代码。详见更新的一篇博客总结：【学习总结】激光雷达与相机外参标定：代码（cam_lidar_calibration）这一周多学习并调试了激光雷达和相机外参标定的代码，踩了一堆坑，特此记录。0.参考资料：代码来源：https://github.com/ankitdhall/lidar_camera_calibration参考论文：LiDAR-CameraCalibrationusing3D-3DPointcorrespondences修改后的代码：https://github.com/LarryDong/li
硬盘科普问题一、机械硬盘和固态硬盘的区别是什么？问题二、我们应该选择哪种硬盘？问题三、笔记本的硬盘可以安装到台式电脑上吗？问题三、机械固态价格对比？问题一、机械硬盘和固态硬盘的区别是什么？机械硬盘，机械硬盘的英文简称为HDD，即HardDiskDrive；使用类似唱片机的旋转盘来存储数据。数据被写入到一个或多个金属盘片上，并通过一个机械臂来读取和写入数据。机械硬盘通常有较大的存储容量，但读写速度较慢，而且在读写过程中会有机械部件的运动，因此容易受到碰撞和振动的影响，也更容易发生故障。固态硬盘，固态硬盘的英文简称为SSD，即SolidStateDrive。使用闪存存储器来存储数据，类似于U盘。数
0.简介作为激光里程计，常用的方法一般是特征点法或者体素法，最近Mars实验室发表了一篇文章《EfficientandProbabilisticAdaptiveVoxelMappingforAccurateOnlineLiDAROdometry》，同时还开源了代码在Github上。文中为雷达里程计提出了一种高效的概率自适应体素建图方法。地图是体素的集合，每个体素包含一个平面（或边缘）特征能够实现对环境的概率表示和新的激光雷达帧的精确配准。我们进一步分析了对粗到细体素建图的需要，然后使用了新颖的使用哈希表组织体素地图和八叉树来有效地构建和更新地图。我们将所提出的体素建图应用于一个迭代扩展卡尔曼滤
