SLAM初探（三）

PCL(Point cloud library)

Ubuntu Linux 16

系统之所以会用Linux,很大的原因是应为SLAM在嵌入式平台上面的安置，所以尽量编写在inux下编写，同步arm编程环境的读者有兴趣可以去参考下搭建交叉编译环境 。

#OpenCV的安装

参考本菜的博客中，C++安装opencv的部分

Eigen C++线性代数计算库的安装

在slam的运行当中，会大量的使用到线性代数，为了省去手动写遍历去遍历代码，需要借助eigen去对opencv进行计算

关于Eigen的安装配置，请移步参考博客

机器学习/深度学习框架的安装

主流框架

• Caffe
• Microsoft Cognitive Toolkit（又名CNTK 2）
• MXNet
• Scikit-learn
• Spark MLlib
• TensorFlow
• Theano
• Keras（一个Theano和TensorFlow深度学习的前端）
• DeepLearning4j（Java和Scala在Hadoop和Spark之上的深度学习软件）

辅助运算框架

• Eigen(C++)
• Numpy(python)
• Matplotlib(python)
• Scipy(python)
• CUDA
• OpenCL
• Boost

除此之外笔者还用过一些比较少见的辅助框架，主要使用在语音识别当中

• HTK
• Sphinx

注：下载HTK时需要注册一个账号,邮箱请使用国外邮箱，如OutLook,Gmail等邮箱才能接收到来自HTK官方网站欧洲的来信。

加州大学库有一个的各类型的开源辅助计算框架

CUDA,Boost,GPU并发运算库的安装在windows下请直接去PCL官方下载库，A卡架构的盆友可以使用OpenCL并行计算库

在图像的处理中，可以不直接依赖于OpenCV，我们所要做的，只是获取图像进行处理，所以我们只需要从摄像头获取点云数据和实时图像，将它拿给Caffe等进行计算就ok了，Caffe框架提供了一个完善的Machine Learning运算库，在模式识别，机器学习，深度学习，迁移学习上都有相当高的造诣。 接下来一讲，我们来分析和区分一下上述几种学习的区别，和应用领域（昨晚和学长交流时问到几种学习的区别和应用领域）

下述部分参考资料

迁移学习（适应） 强化学习（反馈） 深度学习 （特征）

迁移学习(领域适应Domain Adaptation)

将从源领域（Source Domain）学习到的东西应用到目标领域（Target Domain）上去。源领域和目标领域之间往往有gap/domain discrepancy（源领域的数据和目标领域的数据遵循不同的分布）。 迁移学习能够将适用于大数据的模型迁移到小数据上，实现个性化迁移。 迁移什么，怎么迁移，什么时候能迁移，这是迁移学习要解决的主要问题。

1. 样本迁移 Instance-based Transfer Learning
2. 特征迁移 Feature-based Transfer Learning
3. 模型迁移 Model-based Transfer Learning
4. 关系迁移 Relational Transfer Learning

下面是四种学习方法所需要的数据量对比

强化学习（Reinforcement Learning）

就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。 强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。 通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。 ##永动机器学习

CMU大学的例子，用中文来说是永动机器学习，这个机器不断在网上扒一些网页，在每个网页里面都学到一些知识，把这些知识综合起来，变成几千万条知识，这些知识又会衍生新的知识。那么我们看到从下到上是随着时间，知识量在增长。但是它到了某一个程度实际上是不能再往上走了，因为知识会自我矛盾。这个时候就需要人来进行一部分的调节，把一部分不正确的知识去掉,去除自我偏差(有偏数据)，这种偏差可以体现在统计学的一个重要概念中，就是我们获得的数据也许是一个有偏数据，我们可能建了一个模型，对大部分的数据都有用，但其中有一些特例。我们如何来处理这些特例，如何来处理我们训练数据和应用数据之间的偏差，这是我们下一步要研究的内容。

深度学习

End