代码浅析DLIO(一)---整体框架梳理

news2024/11/20 7:11:00

0. 简介

我们刚刚了解过DLIO的整个流程，我们发现相比于Point-LIO而言，这个方法更适合我们去学习理解，同时官方给出的结果来看DLIO的结果明显好于现在的主流方法，当然指的一提的是，这个DLIO是必须需要六轴IMU的，所以如果没有IMU的画，那只有DLO可以使用了。

在这里插入图片描述

1. OdomNode–DLIO构造函数

OdomNode是一个ROS节点的构造函数，主要用于初始化节点的参数、订阅和发布的话题以及一些算法所需的参数和数据结构。在构造函数中，首先通过调用getParams()函数获得节点的参数，然后获取最大的线程数。接着初始化一些标志位和数据结构，例如dlio标定是否初始化、第一帧有效观测、第一帧IMU数据等。之后通过ros::NodeHandle订阅和发布话题，其中包括点云、IMU数据、odom、pose、path、关键帧位姿、关键帧点云和去畸变的点云。然后通过创建timer定时发布pose。接下来初始化位姿、lidar位置、IMU数据以及点云数据结构等。之后设置一些算法所需的参数，例如gicp的参数、voxel的参数等。最后获取CPU的信息并初始化一些度量指标和CPU时间。整个构造函数的主要作用是初始化节点的参数、订阅和发布话题以及一些算法所需的参数和数据结构，为后续的节点运行做好准备。

dlio::OdomNode::OdomNode(ros::NodeHandle node_handle) : nh(node_handle) {

  this->getParams(); //获得参数，主要是在cfg中读取的

  this->num_threads_ = omp_get_max_threads(); //获取最大的thread线程

  this->dlio_initialized = false;   // dlio标定是否初始化
  this->first_valid_scan = false;   //第一帧有效观测
  this->first_imu_received = false; //第一帧IMU数据
  if (this->imu_calibrate_) { // IMU是否已经标定，设置为true时候直接从cfg中读取
    this->imu_calibrated = false;
  } else {
    this->imu_calibrated = true;
  }
  this->deskew_status = false; //是否进行去畸变
  this->deskew_size = 0;       //去畸变的点云数量

  this->lidar_sub =
      this->nh.subscribe("pointcloud", 1, &dlio::OdomNode::callbackPointCloud,
                         this, ros::TransportHints().tcpNoDelay());
  this->imu_sub = this->nh.subscribe("imu", 1000, &dlio::OdomNode::callbackImu,
                                     this, ros::TransportHints().tcpNoDelay());

  this->odom_pub =
      this->nh.advertise<nav_msgs::Odometry>("odom", 1, true); //发布odom
  this->pose_pub = this->nh.advertise<geometry_msgs::PoseStamped>(
      "pose", 1, true); //发布pose
  this->path_pub =
      this->nh.advertise<nav_msgs::Path>("path", 1, true); //发布path
  this->kf_pose_pub = this->nh.advertise<geometry_msgs::PoseArray>(
      "kf_pose", 1, true); //发布关键帧的位姿
  this->kf_cloud_pub = this->nh.advertise<sensor_msgs::PointCloud2>(
      "kf_cloud", 1, true); //发布关键帧的点云
  this->deskewed_pub = this->nh.advertise<sensor_msgs::PointCloud2>(
      "deskewed", 1, true); //发布去畸变的点云

  this->publish_timer =
      this->nh.createTimer(ros::Duration(0.01), &dlio::OdomNode::publishPose,
                           this); //根据timer，发布pose

  this->T = Eigen::Matrix4f::Identity();       //初始化T
  this->T_prior = Eigen::Matrix4f::Identity(); //初始化T_prior，上一帧位姿
  this->T_corr = Eigen::Matrix4f::Identity(); //初始化T_corr,当前位姿

  this->origin = Eigen::Vector3f(0., 0., 0.);         //初始化原点
  this->state.p = Eigen::Vector3f(0., 0., 0.);        //初始化位置
  this->state.q = Eigen::Quaternionf(1., 0., 0., 0.); //初始化四元数
  this->state.v.lin.b = Eigen::Vector3f(0., 0., 0.); //初始化线速度,机体坐标系下
  this->state.v.lin.w = Eigen::Vector3f(0., 0., 0.); //初始化线速度,世界坐标系下
  this->state.v.ang.b = Eigen::Vector3f(0., 0., 0.); //初始化角速度,机体坐标系下
  this->state.v.ang.w = Eigen::Vector3f(0., 0., 0.); //初始化角速度,世界坐标系下

  this->lidarPose.p = Eigen::Vector3f(0., 0., 0.);        //初始化lidar位置
  this->lidarPose.q = Eigen::Quaternionf(1., 0., 0., 0.); //初始化lidar四元数

  this->imu_meas.stamp = 0.;
  this->imu_meas.ang_vel[0] = 0.; //初始化IMU的角速度
  this->imu_meas.ang_vel[1] = 0.;
  this->imu_meas.ang_vel[2] = 0.;
  this->imu_meas.lin_accel[0] = 0.; //初始化IMU的线加速度
  this->imu_meas.lin_accel[1] = 0.;
  this->imu_meas.lin_accel[2] = 0.;

  this->imu_buffer.set_capacity(this->imu_buffer_size_); //设置IMU的buffer
  this->first_imu_stamp = 0.;
  this->prev_imu_stamp = 0.;

  this->original_scan = pcl::PointCloud<PointType>::ConstPtr(
      boost::make_shared<const pcl::PointCloud<PointType>>()); //初始化原始点云
  this->deskewed_scan = pcl::PointCloud<PointType>::ConstPtr(
      boost::make_shared<
          const pcl::PointCloud<PointType>>()); //初始化去畸变点云
  this->current_scan = pcl::PointCloud<PointType>::ConstPtr(
      boost::make_shared<const pcl::PointCloud<PointType>>()); //初始化当前点云
  this->submap_cloud = pcl::PointCloud<PointType>::ConstPtr(
      boost::make_shared<const pcl::PointCloud<PointType>>()); //初始化子图点云

  this->num_processed_keyframes = 0; //初始化处理的关键帧数量

  this->submap_hasChanged = true; //初始化子图是否改变,第一帧肯定改变
  this->submap_kf_idx_prev.clear(); //初始化上一帧的关键帧索引

  this->first_scan_stamp = 0.; //初始化第一帧点云的时间戳
  this->elapsed_time = 0.;     //初始化时间
  this->length_traversed;      //初始化长度

  this->convex_hull.setDimension(3);  //设置凸包的维度
  this->concave_hull.setDimension(3); //设置凹包的维度
  this->concave_hull.setAlpha(this->keyframe_thresh_dist_); //设置凹包的阈值
  this->concave_hull.setKeepInformation(true); //设置凹包保留信息

  this->gicp.setCorrespondenceRandomness(
      this->gicp_k_correspondences_); //设置gicp的参数,这个值代表每次迭代时，随机选择的点对的数量
  this->gicp.setMaxCorrespondenceDistance(
      this->gicp_max_corr_dist_); //设置gicp的参数,这个值代表两个点云中对应点之间的最大距离
  this->gicp.setMaximumIterations(
      this->gicp_max_iter_); //设置gicp的参数,这个值代表最大迭代次数
  this->gicp.setTransformationEpsilon(
      this->gicp_transformation_ep_); //设置gicp的参数,这个值代表两次迭代之间的最小差异
  this->gicp.setRotationEpsilon(
      this->gicp_rotation_ep_); //设置gicp的参数,这个值代表两次迭代之间的最小旋转差异
  this->gicp.setInitialLambdaFactor(
      this->gicp_init_lambda_factor_); //设置gicp的参数,这个值代表初始lambda因子

  this->gicp_temp.setCorrespondenceRandomness(
      this->gicp_k_correspondences_); //设置gicp的参数,这个值代表每次迭代时，随机选择的点对的数量
  this->gicp_temp.setMaxCorrespondenceDistance(
      this->gicp_max_corr_dist_); //设置gicp的参数,这个值代表两个点云中对应点之间的最大距离
  this->gicp_temp.setMaximumIterations(
      this->gicp_max_iter_); //设置gicp的参数,这个值代表最大迭代次数
  this->gicp_temp.setTransformationEpsilon(
      this->gicp_transformation_ep_); //设置gicp的参数,这个值代表两次迭代之间的最小差异
  this->gicp_temp.setRotationEpsilon(
      this->gicp_rotation_ep_); //设置gicp的参数,这个值代表两次迭代之间的最小旋转差异
  this->gicp_temp.setInitialLambdaFactor(
      this->gicp_init_lambda_factor_); //设置gicp的参数,这个值代表初始lambda因子

  pcl::Registration<PointType, PointType>::KdTreeReciprocalPtr temp;
  this->gicp.setSearchMethodSource(
      temp, true); //设置gicp的参数,这个值代表搜索源点的方法
  this->gicp.setSearchMethodTarget(
      temp, true); //设置gicp的参数,这个值代表搜索目标点的方法
  this->gicp_temp.setSearchMethodSource(
      temp, true); //设置gicp的参数,这个值代表搜索源点的方法
  this->gicp_temp.setSearchMethodTarget(
      temp, true); //设置gicp的参数,这个值代表搜索目标点的方法

  this->geo.first_opt_done = false; //初始化几何观测的第一次优化
  this->geo.prev_vel = Eigen::Vector3f(0., 0., 0.); //初始化几何观测的上一次速度

  pcl::console::setVerbosityLevel(pcl::console::L_ERROR);

  this->crop.setNegative(true); //设置crop的参数,让所有内部的点都被删除
  this->crop.setMin(Eigen::Vector4f(-this->crop_size_, -this->crop_size_,
                                    -this->crop_size_, 1.0));
  this->crop.setMax(Eigen::Vector4f(this->crop_size_, this->crop_size_,
                                    this->crop_size_, 1.0));

  this->voxel.setLeafSize(this->vf_res_, this->vf_res_,
                          this->vf_res_); //设置voxel的参数,这个值代表体素的大小

  this->metrics.spaciousness.push_back(0.); //初始化度量指标
  this->metrics.density.push_back(this->gicp_max_corr_dist_); //初始化度量指标

  // CPU Specs
  char CPUBrandString[0x40];
  memset(CPUBrandString, 0, sizeof(CPUBrandString));

  this->cpu_type = "";

#ifdef HAS_CPUID //如果有cpuid
  unsigned int CPUInfo[4] = {0, 0, 0, 0};
  __cpuid(0x80000000, CPUInfo[0], CPUInfo[1], CPUInfo[2],
          CPUInfo[3]); //获取CPU的信息
  unsigned int nExIds = CPUInfo[0];
  for (unsigned int i = 0x80000000; i <= nExIds; ++i) {
    __cpuid(i, CPUInfo[0], CPUInfo[1], CPUInfo[2], CPUInfo[3]);
    if (i == 0x80000002) //获取CPU的型号
      memcpy(CPUBrandString, CPUInfo, sizeof(CPUInfo));
    else if (i == 0x80000003)
      memcpy(CPUBrandString + 16, CPUInfo, sizeof(CPUInfo));
    else if (i == 0x80000004)
      memcpy(CPUBrandString + 32, CPUInfo, sizeof(CPUInfo));
  }
  this->cpu_type = CPUBrandString;
  boost::trim(this->cpu_type);
#endif

  FILE *file;
  struct tms timeSample;
  char line[128];

  this->lastCPU = times(&timeSample);       //获取CPU的时间
  this->lastSysCPU = timeSample.tms_stime;  //获取CPU的系统时间
  this->lastUserCPU = timeSample.tms_utime; //获取CPU的用户时间

  file = fopen("/proc/cpuinfo", "r");
  this->numProcessors = 0;
  while (fgets(line, 128, file) != nullptr) {
    if (strncmp(line, "processor", 9) == 0)
      this->numProcessors++;
  }
  fclose(file);
}

2. callbackPointCloud–DLIO主要进程输入

这个代码是基本DLIO所有主要函数的调用渠道，用于处理传感器数据并进行实时SLAM。具体来说，该函数接收一个类型为sensor_msgs::PointCloud2ConstPtr的指针，并对其进行一系列处理。以下是该函数的主要步骤：

  • 获取当前时间戳，用于计算处理时间。
  • 如果是第一次处理，则记录第一个扫描的时间戳。
  • 进行DLIO的初始化，包括IMU校准和重力校准。
  • 将传入的点云数据转换为DLIO格式。
  • 预处理点云。
  • 检查点云是否有效，如果点数过少则返回错误。
  • 计算度量指标，并在单独的线程中进行。
  • 如果开启了自适应参数，则设置自适应参数。
  • 将当前扫描设置为输入源，并传入GICP算法进行配准。
  • 如果当前没有关键帧，则将初始帧设置为第一关键帧，并在单独的线程中构建子地图和关键帧。
  • 通过IMU、S2M和GEO方法获取下一个姿态。
  • 更新当前关键帧姿态和地图。
  • 如果需要，构建关键帧法线和子地图。
  • 更新轨迹和时间戳。
  • 将处理后的点云发布到ROS。
  • 更新一些统计数据。
  • 发布自定义DLIO消息。

该代码段中的函数主要使用了多线程技术，并涉及到大量的SLAM算法和数据处理操作，如GICP配准、IMU校准、重力校准、位姿估计、轨迹更新等。

void dlio::OdomNode::callbackPointCloud(
    const sensor_msgs::PointCloud2ConstPtr &pc) {

  std::unique_lock<decltype(this->main_loop_running_mutex)> lock(
      main_loop_running_mutex);
  this->main_loop_running = true;
  lock.unlock();

  double then = ros::Time::now().toSec();

  if (this->first_scan_stamp == 0.) {
    this->first_scan_stamp = pc->header.stamp.toSec();
  }

  // DLIO Initialization procedures (IMU calib, gravity align)
  if (!this->dlio_initialized) {
    this->initializeDLIO();
  }

  // 将传入的扫描转换为DLIO格式
  this->getScanFromROS(pc);

  // 预处理点云
  this->preprocessPoints();

  if (!this->first_valid_scan) {
    return;
  }

  if (this->current_scan->points.size() <= this->gicp_min_num_points_) {
    ROS_FATAL("Low number of points in the cloud!");
    return;
  }

  // 计算度量指标
  this->metrics_thread = std::thread(&dlio::OdomNode::computeMetrics, this);
  this->metrics_thread.detach();

  // 设置自适应参数
  if (this->adaptive_params_) {
    this->setAdaptiveParams();
  }

  // 将新帧设置为输入源，并传入GICP
  this->setInputSource();

  // 将初始帧设置为第一关键帧
  if (this->keyframes.size() == 0) {
    this->initializeInputTarget();
    this->main_loop_running = false;
    this->submap_future =
        std::async(std::launch::async, &dlio::OdomNode::buildKeyframesAndSubmap,
                   this, this->state);
    this->submap_future.wait(); // 等待任务完成
    return;
  }

  // 通过IMU + S2M + GEO获取下一个姿态
  this->getNextPose();

  // 更新当前关键帧姿态和地图
  this->updateKeyframes();

  // 如果需要，构建关键帧法线和子地图（如果我们还没有在等待中）
  if (this->new_submap_is_ready) {
    this->main_loop_running = false;
    this->submap_future =
        std::async(std::launch::async, &dlio::OdomNode::buildKeyframesAndSubmap,
                   this, this->state);
  } else {
    lock.lock();
    this->main_loop_running = false;
    lock.unlock();
    this->submap_build_cv.notify_one();
  }

  // 更新轨迹
  this->trajectory.push_back(std::make_pair(this->state.p, this->state.q));

  // 更新时间戳
  this->lidar_rates.push_back(1. / (this->scan_stamp - this->prev_scan_stamp));
  this->prev_scan_stamp = this->scan_stamp;
  this->elapsed_time = this->scan_stamp - this->first_scan_stamp;

  // 将信息发布到ROS
  pcl::PointCloud<PointType>::ConstPtr published_cloud;
  if (this->densemap_filtered_) {
    published_cloud = this->current_scan;
  } else {
    published_cloud = this->deskewed_scan;
  }
  this->publish_thread = std::thread(&dlio::OdomNode::publishToROS, this,
                                     published_cloud, this->T_corr);
  this->publish_thread.detach();

  // 更新一些统计数据
  this->comp_times.push_back(ros::Time::now().toSec() - then);
  this->gicp_hasConverged = this->gicp.hasConverged();

  // 调试语句和发布自定义DLIO消息
  this->debug_thread = std::thread(&dlio::OdomNode::debug, this);
  this->debug_thread.detach();

  this->geo.first_opt_done = true; //第一次优化完成
}

3. callbackImu—DLIO的IMU状态传播

下面的函数主要用于处理传感器数据，进行IMU校准，并将校准后的IMU测量值存储到IMU缓冲区中。该函数接收一个sensor_msgs::Imu类型的指针作为输入参数，并将该指针转换为sensor_msgs::Imu::Ptr类型的指针，以便进行操作。

函数首先将接收到的IMU数据标记为已接收状态，然后获取该数据的角速度和线性加速度信息。如果是第一次接收到IMU数据，则记录第一次接收到的时间戳。接下来进行IMU校准程序，该程序持续三秒钟，期间会记录一段时间内的陀螺仪和加速度计数据，并计算它们的平均值。如果需要进行重力校准，则会通过估计重力向量，计算出重力对齐方向，并更新状态量。如果需要进行加速度计校准，则会将重力从平均加速度中减去以得到偏差，并更新状态量。如果需要进行陀螺仪校准，则会计算陀螺仪的偏差，并更新状态量。最后，将IMU校准完成标记为真。

…详情请参照古月居

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1149722.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

基于SpringBoot的二手车交易系统的设计与实现

基于SpringBoot的二手车交易系统的设计与实现

目录 前言 一、技术栈 二、系统功能介绍 管理员功能实现 商家管理 公告信息管理 论坛管理 商家功能实现 汽车管理 汽车留言管理 论坛管理 用户功能实现 汽车信息 在线论坛 公告信息 三、核心代码 1、登录模块 2、文件上传模块 3、代码封装 前言 如今社会上各行…
阅读更多...
perl正则表达式常用语法

perl正则表达式常用语法

阅读更多...
中科驭数北京新址揭幕，中关村壹号热土不变

中科驭数北京新址揭幕，中关村壹号热土不变

因研发和运营团队规模增长&#xff0c;原办公空间已不能满足需求&#xff0c;近日中科驭数北京中关村办公室从中关村壹号A3座搬迁至中关村壹号D2座。 中科驭数自成立以来&#xff0c;一直专注聚焦算力基础设施核心芯片研发&#xff0c;是DPU芯片领域的国家专精特新小巨人企业&…
阅读更多...
Mybatis查树的两种写法

Mybatis查树的两种写法

Mybatis查树必须会&#xff0c;它有两种写法&#xff1a; 1、联表查询。只访问一次数据库。 2、递归查询。访问多次数据库。 1、联表查询&#xff08;推荐&#xff09; 表结构&#xff1a; create table common_region (region_id int(11),pr_region_id int(11),region_name …
阅读更多...
1300*C. Social Distance（贪心构造）

1300*C. Social Distance（贪心构造）

Problem - 1367C - Codeforces 解析&#xff1a; 统计出所有连续0序列&#xff0c;并且记录其左右两侧有没有1&#xff0c;然后对于四种情况分别判断即可。 #include<bits/stdc.h> using namespace std; int t,n,k; signed main(){scanf("%d",&t);while(…
阅读更多...
Leetcode刷题详解——最小路径和

Leetcode刷题详解——最小路径和

1. 题目链接&#xff1a;64. 最小路径和 2. 题目描述&#xff1a; 给定一个包含非负整数的 *m* x *n* 网格 grid &#xff0c;请找出一条从左上角到右下角的路径&#xff0c;使得路径上的数字总和为最小。 **说明&#xff1a;**每次只能向下或者向右移动一步。 示例 1&#xf…
阅读更多...
一共就五个名额，三个全给一个人？我表示不理解

一共就五个名额，三个全给一个人？我表示不理解

我对csdn举办的#你写过的最蠢的代码是/这个话题的活动表示质疑&#xff01;&#xff01;&#xff01;&#xff01; 先来看看评选规则&#xff1a; 再来看看评分标准&#xff1a; 接下来看看获奖选手&#xff1a; 这三人有啥区别&#xff1f;
阅读更多...
Seata入门系列【16】XA模式入门案例

Seata入门系列【16】XA模式入门案例

1 前言 在之前&#xff0c;我们试过了AT、TCC 模式&#xff0c;Seata 还支持XA 模式。 2 XA 协议 XA协议由Tuxedo首先提出的&#xff0c;并交给X/Open组织&#xff0c;作为资源管理器&#xff08;数据库&#xff09;与事务管理器的接口标准。Oracle、Informix、DB2和Sybase等…
阅读更多...
钡铼技术 工控机中的X86和ARM处理器：哪个更具可扩展性？

钡铼技术 工控机中的X86和ARM处理器：哪个更具可扩展性？

X86和ARM是两种不同的处理器架构&#xff0c;它们在工控机中的应用也有所不同。 X86架构的处理器是英特尔公司和AMD公司生产的&#xff0c;它们主要应用于个人电脑和服务器等领域。X86架构的处理器具有良好的通用性和兼容性&#xff0c;可以运行各种操作系统和应用软件。X86架…
阅读更多...
虚拟内存之请求分页管理

虚拟内存之请求分页管理

一、与基本分页存储管理的区别 程序执行过程中&#xff0c;访问信息不在内存时&#xff0c;OS需要从外存调入内存。——>调页功能 内存空间不够时&#xff0c;OS需要将内存中暂时用不到的信息换出到外存。——>页面置换功能 二、页表机制 1.页表&#xff1a;需要知道页面…
阅读更多...
Sub-1G物联网五大应用场景及主流无线模组推荐

Sub-1G物联网五大应用场景及主流无线模组推荐

在不断发展的无线通信领域里&#xff0c;Sub-1G已成为一门非常重要的无线通信技术&#xff0c;具备一系列独特的优势&#xff0c;被广泛应用在各种物联网设备中。 本文旨在阐明Sub-1G无线通信技术是什么&#xff0c;与2.4G通信技术对比它有什么优势。此外&#xff0c;信驰达科…
阅读更多...
【LeetCode刷题日志】27.移除元素

【LeetCode刷题日志】27.移除元素

&#x1f388;个人主页&#xff1a;库库的里昂 &#x1f390;C/C领域新星创作者 &#x1f389;欢迎 &#x1f44d;点赞✍评论⭐收藏✨收录专栏&#xff1a;LeetCode 刷题日志&#x1f91d;希望作者的文章能对你有所帮助&#xff0c;有不足的地方请在评论区留言指正&#xff0c;…
阅读更多...
linux驱动开发-点亮第一个led灯

linux驱动开发-点亮第一个led灯

linux驱动开发-点亮第一个led灯 一.背景知识二.如何写驱动程序三.实战演练3.1 查询原理图3.2 配置引脚为gpio模式3.3 配置引脚为输出模式3.4 DR寄存器 四.代码实例4.1 驱动层4.2 应用层 一.背景知识 我们这里使用的是百问网的imx_6ullpro的开发板。这里和裸机不同的是&#xf…
阅读更多...
Flash模拟EEPROM原理浅析

Flash模拟EEPROM原理浅析

根据ST的手册&#xff0c;我们可以看到&#xff0c;外挂EEPROM和Dflash模拟EEPROM&#xff0c;区别如下&#xff1a; 很明显&#xff0c;模拟EEprom的写入速度要远远快于外挂eeprom(有数据传输机制)&#xff1b; 其次&#xff0c;外挂EEPROM不需要擦除即可实现写入数据&#xf…
阅读更多...
Vue 的双向数据绑定是如何实现的？

Vue 的双向数据绑定是如何实现的？

目录 1. 响应式数据 2. v-model 指令 3. 实现原理 4. 总结 Vue.js 是一款流行的前端 JavaScript 框架&#xff0c;它以其强大的双向数据绑定能力而闻名。双向数据绑定使得数据在视图和模型之间保持同步&#xff0c;并且任一方的变化都会自动反映到另一方。那么&#xff0c;…
阅读更多...
语义分割 - 图像分割

语义分割 - 图像分割

语义分割将图片中的每个像素分类到对应的类别 应用&#xff1a;路面分割 vs 实例分割&#xff1a; 语义分割中最重要的数据集之一是&#xff1a;Pascal VOC2012
阅读更多...
UE4 HLSL学习笔记

UE4 HLSL学习笔记

在Custom配置对应ush文件路径 在HLSL中写入对应代码 Custom里面增加两个Input&#xff0c;名字必须和ush文件内的未知变量名字一样 然后就对应输出对应效果的颜色 这就是简单的加法运算 减法同理&#xff1a; 乘法除法同理 HLSL取最小值 HLSL取最大值 绝对值&#xff1a; 取余…
阅读更多...
Redis：加速你的应用响应时间，提升用户体验

Redis：加速你的应用响应时间，提升用户体验

绝大部分写业务的程序员&#xff0c;在实际开发中使用 Redis 的时候&#xff0c;只会 Set Value 和 Get Value 两个操作&#xff0c;对 Redis 整体缺乏一个认知。这里对 Redis 常见问题做一个总结&#xff0c;解决大家的知识盲点。 1、为什么使用 Redis 在项目中使用 Redis&am…
阅读更多...
【Python学习】—面向对象（九）

【Python学习】—面向对象（九）

【Python学习】—面向对象&#xff08;九&#xff09; 一、初识对象 类中不仅可以定义属性来记录数据&#xff0c;也可以定义函数&#xff0c;用来记录行为&#xff0c;类中定义的属性&#xff08;变量&#xff09;我们称之成员变量&#xff0c;类中定义的行为&#xff08;函数…
阅读更多...
一文详解如何从 Oracle 迁移数据到 DolphinDB

一文详解如何从 Oracle 迁移数据到 DolphinDB

Oracle 是一个广泛使用的关系型数据库管理系统&#xff0c;它支持 ACID 事务处理&#xff0c;具有强大的安全性和可靠性&#xff0c;因此被广泛应用于各种企业级应用程序。但是&#xff0c;随着数据规模的增加和业务需求的变化&#xff0c;Oracle 的一些限制和缺点也逐渐暴露出…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023