枫叶南国-CSDN博客

原创 4.小白学uvm验证 - UVM通信

一个基本的 uvm 验证环境结构如下图所示，包含两个 agent，其中 in_agent 用于驱动 DUT ，同时将驱动数据同时传递给 reference model, out_agent 用于按照协议采集 DUT 的输出数据，并将数据传递给 scoreboard，在 scoreboard 收集到 reference model 的运算结果后，再进行比对验证。要想实现 monit...

2019-11-10 11:36:55 2497

原创 2.小白学uvm验证 - uvm_objection 和 uvm_component

1. uvm_objection 和 uvm_component 基础 uvm_objection 和 uvm_component 是 uvm 中两大基础类，刚开始学习的时候，对两个东西认识不深，以为它们俩差不多，谁知道它两是一个是“爷爷”，一个是孙子的关系，两者贯穿整个 uvm 验证方法学。至于为什么要划分 uvm_object 和 uvm_component 呢，是因为前任在验证的过程中发...

2019-11-10 11:28:14 3297

原创 3.小白学uvm验证 - phase机制和config_db机制

####1.phase机制 uvm 验证环境通过 phase 机制，引入了一套自动化的运行流程，通过该机制我们可以清晰的了解 UVM 仿真阶段的层次化，因为verilog 中有阻塞和非阻塞赋值，相应的仿真平台中，也要实现 NBA 区域和 Actice 区域，在不同的 phase 区域中做不同的事情，可以避免竞争关系导致的变量值得不确定性；用户只需要在需要添加用户代码的区别填充即可，降低了...

2019-11-10 11:07:24 2016

原创 win10 UEFI + Ubuntu14.04双系统双硬盘(HDD+SSD)

平台戴尔灵越笔记本 win10(SSD) + Ubuntu14.04(HDD),其中SSD装了win10,且具有独立ESP分区，实际情况如下图。在安装ubuntu之前，SDD中ESP分区截图如下! 其中Microsoft目录包含的为win10的UEFI引导文件。 win10 UEFI启动流程如下： Step1: 在磁盘中的ESP分区中寻找EFI应用（ESP分区下的EFI\boot\

2017-12-20 20:40:26 864

转载特征点匹配——ORB算法介绍

《ORB: an efficient alternative to SIFT or SURF》是Rublee等人在2011年的ICCV上发表的一篇有关于特征点提取和匹配的论文，这篇论文介绍的方法跳出了SIFT和SURF算法的专利框架，同时以极快的运行速度赢得了众多青睐。下面我简单介绍一下ORB算法的流程。ORB算法的主要贡献如下：（1）为FAST算法提取的特征点加上了一个特征点方向；

2017-04-21 20:03:37 1161

转载视觉里程计问题的公式推导

视觉里程计问题的公式推导　　假设在时间k，通过相机移动，追踪环境图像。如果是单目相机，k时间上拍摄的一组图像表示为I0:n={I0，…，In}。如果是立体相机，每个时刻有左右两幅图像，记为Il, 0:n={Il,0，…，Il,n}和Ir, 0:n={Ir,0，…，Ir,n}。图1表示了这个具体问题。　　相邻的相机位置的相对位姿Tk,K-1（或相机系统位置），通过视觉特征进行

2017-04-21 17:19:50 8992

转载 ORB 一种特征匹配替代方法：对比SIFT或SURF

ORB: an efficient alternative to SIFT or SURFTaylor Guo, 2016年3月11日星期五 20:45写在前面的话：继”ORB-SLAM: Tracking and Mapping Recognizable Features”，”Bags of Binary Words for Fast Place Recognition in Ima

2017-04-21 17:02:01 20302

转载 ORB-SLAM：精确多功能单目SLAM系统

ORB-SLAM: a Versatile and Accurate Monocular SLAM SystemTaylor Guo, 2016年3月18日-9:00原文发表于：IEEE Transactions on Robotics (Impact Factor: 2.43). 10/2015摘要：本文主要讲了ORB-SLAM，一个基于特征识别的单目slam系统，可以实时运行，

2017-04-21 16:58:31 12651

转载 g2o：一种图优化的C++框架

g2o: A general framework for graph optimization原文发表于IEEE InternationalConference on Robotics and Automation (ICRA), Shanghai, China,May 2011http://www.cnblogs.com/gaoxiang12/p/5244828.html 深入

2017-04-21 16:57:35 2898

转载 ORB-SLAM2源代码分析

ORB-SLAM2源代码分析Taylor Guo, 2016年4月14日-18:33 --2016年5月18日-22：05摘要：尽管可以用于立体视觉，ORB-SLAM2主要是单目SLAM系统，也就是只有一个相机（摄像头）的系统，主要用于特征识别，自主导航。ORB-SLAM2的硬件传感器也就是这一种，当然也可以加入其它传感器，比如IMU，激光雷达，超声波等。它应用于机器人，无人驾驶，无人

2017-04-21 16:56:32 7779

转载基于关键帧视觉惯性传感器非线性优化SLAM

Keyframe-Based Visual-Inertial SLAM Using Nonlinear OptimizationTaylor Guo, 2016年4月13日-12:01 – 2016年8月1日-20：30 @ EJU Shanghai原文发表于Conference :《 Robotics: Science and Systems (RSS)》, 2013-06-24

2017-04-21 16:55:43 7624

转载非滤波单目视觉SLAM系统研究

A survey on non-filter-based monocular Visual SLAM systems摘要滤波（卡尔曼滤波，粒子滤波）视觉SLAM更通用，非滤波（运动结构估计）方案更有效率。本文讲解各种视觉SLAM构建方法及其组成部分。一简介基于相机的定位有两种方法。一种是基于图像的定位，需要先处理场景生成3D结构，场景图像和对应的相机视角。定位问题就可以变

2017-04-21 16:53:53 1069

转载 Kmeans++

转载：http://www.cnblogs.com/zjiaxing/p/5616679.htmlKmeans算法的缺陷• 聚类中心的个数K 需要事先给定，但在实际中这个 K 值的选定是非常难以估计的，很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适• Kmeans需要人为地确定初始聚类中心，不同的初始聚类中心可能导致完全不同的聚类结果。（可以使用Kmeans+

2017-04-13 16:19:47 749

转载 KD-Tree

转载：http://www.cnblogs.com/zjiaxing/p/5616670.html先以一个简单直观的实例来介绍k-d树算法。假设有6个二维数据点{（2,3），（5,4），（9,6），（4,7），（8,1），（7,2）}，数据点位于二维空间内（如图2中黑点所示）。k-d树算法就是要确定图2中这些分割空间的分割线（多维空间即为分割平面，一般为超平面）。下面就要通过一步步展示k-

2017-04-13 16:18:37 503

转载 K近邻算法-KNN

转载：http://www.cnblogs.com/zjiaxing/p/5616664.html何谓K近邻算法，即K-Nearest Neighbor algorithm，简称KNN算法，单从名字来猜想，可以简单粗暴的认为是：K个最近的邻居，当K=1时，算法便成了最近邻算法，即寻找最近的那个邻居。为何要找邻居？打个比方来说，假设你来到一个陌生的村庄，现在你要找到与你有着相似特征的人群

2017-04-13 16:17:47 390

转载视觉slam闭环检测之-DBoW2 -视觉词袋构建

转载：http://www.cnblogs.com/zjiaxing/p/5616701.html需要准备的知识点：http://www.cnblogs.com/zjiaxing/p/5616653.html　　　　　　 http://www.cnblogs.com/zjiaxing/p/5616664.html　　　　　　　　 http://w

2017-04-13 16:15:24 993

转载视觉SLAM之词袋（bag of words）模型与K-means聚类算法浅析（2）

聚类概念：聚类：简单地说就是把相似的东西分到一组。同 Classification (分类)不同，分类应属于监督学习。而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。聚类不需要使用训练数据进行学习，应属于无监督学习。我们经常接触到的聚类分析，一般都是数值聚类，一种常见的做法是同时

2017-04-13 16:13:55 2205

转载视觉SLAM之词袋（bag of words）模型与K-means聚类算法浅析（1）

转载：http://www.cnblogs.com/zjiaxing/p/5548265.html在目前实际的视觉SLAM中，闭环检测多采用DBOW2模型https://github.com/dorian3d/DBoW2，而bag of words 又运用了数据挖掘的K-means聚类算法，笔者只通过bag of words 模型用在图像处理中进行形象讲解，并没有涉及太多对SL

2017-04-13 16:12:03 2270

转载视觉词袋模型BOW学习笔记及matlab编程实现

首先插入两个非常好的介绍BOW的ppt：1.https://wenku.baidu.com/view/6370f28d26fff705cc170aab.html2.https://wenku.baidu.com/view/7782de2fc281e53a5902ff03.htmlBoW 模型简介Bag of words模型最初被用在文本分类中，将文档表示成特

2017-04-13 15:16:32 2831

转载 orbslam2-基础理论（二)

这篇将要讲orbslam2相机初始位置估计的另一种方法：单应矩阵Ｈ（使用场景：平面，视差小）和map point的求法（一）：单应矩阵在计算机视觉中，平面的单应性被定义为一个平面到另外一个平面的投影映射。因此一个二维平面上的点映射到摄像机成像仪上的映射就是平面单应性的例子。如果点Q到成像仪上的点q的映射使用齐次坐标，这种映射可以用矩阵相乘的方式表示。若有一下定义

2017-04-01 10:00:25 1380

转载 orbslam2的基础理论（一）

转载http://blog.csdn.net/qq_18661939/article/details/51829573本篇博客借鉴了许多经典博客的理论。orbslam2相机pose估计和map point结构恢复orbslam2的相机初始估计有两种方法：本证矩阵Ｅ和单应矩阵两种方法，具体可以看我之前的博客oerslam2-初始化（1)再讲相机pose估计之前

2017-04-01 09:56:34 557

枫叶南国的博客