复杂环境下的视觉同时定位与地图构建 章国锋 浙江大学CAD&CG国家重点实验室 SLAM: 同时定位与地图构建 • 机器人和计算机视觉领域的基本问题 • 在未知环境中定位自身方位并同时构建环境三维地图 • 广泛的应用 • 增强现实、虚拟现实 • 机器人、无人驾驶 SLAM常用的传感器 • 红外传感器：较近距离感应，常用于扫地机器人。 • 激光雷达：单线、多线等。 • 摄像头：单目、双目、多目等。 如何处理快速运动和强旋转？ 复杂环境下的主要挑战 我们课题组的工作 • 面向大尺度场景的运动恢复结构 • ENFT-SFM：能够高效地处理大尺度场景下拍摄的循环回路和多 视频序列。 • 单目视觉的同时定位与地图构建 • ENFT-SLAM：能在大尺度场景下实时稳定工作、在线回路闭合； • RDSLAM：能在动态场景下稳定工作； • RKSLAM：可以实时运行在移动设备上，并能处理快速运动和强 检测有公共内容的子序列进行特征轨迹匹配 快速匹配矩阵估计 • 每个轨迹有一组描述向量 • 特征轨迹描述量 • 采用分层的K-means方法进行轨迹描述量聚类 快速匹配矩阵估计 非连续特征轨迹匹配 • 同时进行图像对的特征匹配和优化匹配矩阵 • 根据选择的图像对的特征匹配结果对匹配矩阵进行优化； • 根据更新的匹配矩阵更可靠地选择出有公共内容的图像对进行特征匹配。 大尺度运动恢复结构的难点 •

进 1328 算法 < 1 YOLOv6：又快又准的目标检测框架开源啦 作者：楚怡 凯衡 等 1. 概述 YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架 同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO Backbone 和 Rep-PAN Neck。 ● 优化设计了更简洁有效的 Efficient Decoupled Head，在维持精度的同时， 进一步降低了一般解耦头带来的额外延时开销。 ● 在训练策略上，我们采用 Anchor-free 无锚范式，同时辅以 SimOTA[2] 标签 分配策略以及 SIoU[9] 边界框回归损失来进一步提高检测精度。 2.1 Hardware-friendly （比如 GPU），同时也可 获得 GPU/CPU 上已经高度优化的 NVIDIA cuDNN 和 Intel MKL 编译框架的 帮助。 算法 < 5 实验表明，通过上述策略，YOLOv6 减少了在硬件上的延时，并显著提升了算法的 精度，让检测网络更快更强。以 nano 尺寸模型为例，对比 YOLOv5-nano 采用的 网络结构，本方法在速度上提升了 21%，同时精度提升 3.6% AP。

列表展示、推荐理由的展示等，每一个模块都要经过若干层的模型处理或者规则干 预，才会将最适合用户（指标）的结果展示在大家的眼前。 为了保证良好的用户体验，技术团队对模型预估能力的要求变得越来越高，同时模型 与特征的类型、数量及复杂度也在与日俱增。算法团队如何尽量少地开发和部署上 算法 < 3 线，如何快速进行模型特征的迭代？如何确保良好的预估性能？在线预估框架 Augur 应运而生。经过一段时间的实践，Augur 这一套逻辑很简单，构建起来也不复杂，所以在建设初期，我们快速在主搜的核心业 务逻辑中快速实现了这一架构，如下图所示。这样的一个架构使得我们可以在主搜的 核心排序逻辑中，能够使用各类线性模型的预估，同时也可以借助公司的技术能力， 进行深度模型的预估。关于特征抽取的部分，我们也简单实现了一套规则，方便算法 同学可以自行实现一些简单的逻辑。 算法 < 5 3. 预估框架思路的改变 3.1 老框架的局限 果的处理等业 务逻辑交给上层处理。 算法 < 7 ● 无状态，且可以做到分布式模型预估，无压力支持数千级别文档数的深度模型 预估。 架构上的改变，让 Augur 具备了复用的基础能力，同时也拥有了分布式预估的能力。 可惜，系统架构设计中没有“银弹”：虽然系统具有了良好的弹性，但为此我们也付 出了一些代价，我们会在文末进行解释。 4. 预估平台的构建过程 框架思路只能解决“能用

如图所示，MTFlutter 已涵盖研发、调试、测试、发布、线上运维及工程管理整套闭 环，同时落地了动态化解决方案，支撑了公司多个业务发展。在大前端融合的趋势 下，美团外卖商家端持续在探索更优的多端复用方案，通过 MTFlutter 生态的建设， 目前 Flutter 技术栈已覆盖商家端 App 中 90% 以上的业务，同时具备 Flutter 开发 能力的同学也达到 90% 以上。因此，在有足够技术“储备”的前提下，我们能够基 资源文件 CDN 化 由于 Flutter Web 资源引用机制的不同，即使在资源文件 Hash 化的过程中，把文件 的相对路径替换成带 CDN 域名的绝对路径，也无法实现 CDN 资源的加载。同时本 地测试发现图片和 Javascript 资源的加载逻辑还不尽相同，为此针对各自的加载逻 辑要分别进行优化。 ● 图片处理：经过对源码的大量阅读及梳理，我们发现图片请求的 URL 首先会 针对滚动优化，我们通过修改 Flutter SDK，使得 Canvas 在页面滚动时无需重复 创建，而是被缓存起来。这样大大节省了内存的开销（优化后页面内存占用稳定为 100M 左右，与常规 Web 页面无异），同时在一定程度上提升了滚动性能。以商家学 院文章内容页为例，对比优化前后滚动 FPS ： 前端 < 33 优化前 FPS 优化后 FPS 34 > 2021年美团技术年货 可以看到，Flutter

对于新的运营配置需求，研发同学需要开发对应的配置页面，然后转给运营同学进行配置的管理，最后运 营人员对资源进行配置上线，其流程如下： 对于每个运营配置需求都要经过需求评审、页面开发、配置管理、上线的流程。同时，对于配置页面的开 发，少则需要1到2天的开发工时，研发成本高。问题总结如下： 1. 研发成本高，每个需求要开发新的配置管理页面。 2. 研发周期长，运营效率低，从需求的提出到运营上线周期长。 设计一套整体的流程管理机制，解决运营的投放、审核、发布和回滚的问题。通过流程化的机制，我们实 现了“事前”、“事中”、“事后”的三级管理。 首先，在运营配置上线前，通过测试用户的预览功能，可以预览上线后的实时效果。同时，通过穿越功能 可查看将来时段显示的效果。防止出现上线后链接出错、视觉效果达不到预期等问题。 其次，在流程阶段，引入审核机制，通过视觉和内容两方面的审核，保证投放数据的准确性。 最后，在运营配 对于运营数据，无论是通过数据库的落地方案、还是通过分布式缓存的方案，都无法彻底解决服务中心化 和服务抖动的问题。通过接入的SDK化，可以做到数据的本地缓存更新机制，解除对中心化服务的依赖， 大大提升服务的稳定性和性能。同时整个APPKIT服务变成可水平扩展，在扩展过程中也不会影响中心服 务的稳定性。 四、APPKIT架构 四、APPKIT架构 APPKIT运营配置系统整体框架如下（数据流向如箭头所示）。从功能角度，大体上分为四层：数据层、

在视频和直播行业广泛使用。 2019 年当我们开放核心能力和竞争力之后，就开始与 Dubbo/Spring-cloud-alibaba 生态完成集 成，随着云原生的大势迅速被互联网行业使用。与此同时我们完成了多语言生态和服务网格生态的 布局。 2020 年 Nacos 迅速被成千上万家企业采用，并构建起强大的生态。 但是随着用户深入使用，逐 渐暴露⼀些性能问题，因此我们启动了 Nacos 的数据⼀致性以及数据同步，而要解决这个问题，就不得不引入共识算法，通过算法来保障各个节 点之间的数据的⼀致性。 为什么 Nacos 选择了 Raft 以及 Distro 为什么 Nacos 会在单个集群中同时运行 CP 协议以及 AP 协议呢？这其实要从 Nacos 的场景出 发的：Nacos 是⼀个集服务注册发现以及配置管理于⼀体的组件，因此对于集群下，各个节点之间 的数据⼀致性保障问题，需要拆分成两个方面 的当前可正 常提供服务的实例信息，必须从服务发现注册中心进行获取，因此对于服务注册发现中心组件的可 用性，提出了很高的要求，需要在任何场景下，尽最大可能保证服务注册发现能力可以对外提供服 务；同时 Nacos 的服务注册发现设计，采取了心跳可自动完成服务数据补偿的机制。如果数据丢 失的话，是可以通过该机制快速弥补数据丢失。 29 > Nacos 架构 因此，为了满足服务发现注册中心的可

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354 16.1. 使用线程同时地运行代码 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 可靠的代码，并且运行速度和内存使用上都十分高效。 已经在从事编写底层代码的程序员可以使用 Rust 来提升信心。例如，在 Rust 中引入并行是相 对低风险的操作，因为编译器会替你找到经典的错误。同时你可以自信地采取更加激进的优 化，而不会意外引入崩溃或漏洞。 但 Rust 并不局限于底层系统编程。它表达力强、写起来舒适，让人能够轻松地编写出命令行 应用、网络服务器等各种类型的代码——在本书中就有这两者的简单示例。使用 的原生库。如果你在此步骤需要更多帮助，请访问 https://rust-lang.github.io/rustup/ installation/windows-msvc.html。 本书的余下部分会使用能同时运行于 cmd.exe 和 PowerShell 的命令。如果存在特定差异，我 们会解释使用哪一个。 故障排除（Troubleshooting） 要检查是否正确安装了 Rust，打开命令行并输入：

每个进程拥有独立的内存空间，因此开销更大。 • 对于高性能并行计算，更好的是多线程。 为什么需要多线程：无阻塞多任务 • 我们的程序常常需要同时处理多个任务。 • 例如：后台在执行一个很耗时的任务，比 如下载一个文件，同时还要和用户交互。 • 这在 GUI 应用程序中很常见，比如浏览 器在后台下载文件的同时，用户仍然可以 用鼠标操作其 UI 界面。 没有多线程：程序未响应 • 没有多线程的话，就必须等文件下载完了 pthread 的。 • 解决： CMakeLists.txt 里链接 Threads::Threads 即可： 有了多线程：异步处理请求 • 有了多线程的话，文件下载和用户交互分 别在两个线程，同时独立运行。从而下载 过程中也可以响应用户请求，提升了体验 。 • 可是发现一个问题：我输入完 pyb 以后， 他的确及时地和我交互了。但是用户交互 所在的主线程退出后，文件下载所在的子 线程，因为从属于这个主线程，也被迫退 ，导致解算过程中基本别想做事，这一定程度上归功于 opengl 原始的单线程设计。 • 正面教材： zeno 可以在解算过程中，随时拖动滑块看前几帧的结果，编辑场景图，修改 节点间的连接，为下一次解算做准备，同时当前已经启动的物理解算还能在后台继续正常 运行。虽然 zeno 也用了 opengl ，但他用多进程成功在 opengl 的百般拖后腿下实现了 并发。 第 2 章：异步 异步好帮手： std::async

................................................................................... 413 16.1. 使用线程同时地运行代码 ........................................................................................... 414 可靠的代码，并且运行速度和内存使用上都十分高效。 已经在从事编写底层代码的程序员可以使用 Rust 来提升信心。例如，在 Rust 中引入并行是相 对低风险的操作，因为编译器会替你找到经典的错误。同时你可以自信地采取更加激进的优 化，而不会意外引入崩溃或漏洞。 但 Rust 并不局限于底层系统编程。它表达力强、写起来舒适，让人能够轻松地编写出命令行 应用、网络服务器等各种类型的代码——在本书中就有这两者的简单示例。使用 “使用 C++ 的桌面开发”（“Desktop Development with C++”） • Windows 10（或 11）SDK • 英语语言包，以及其他你所需要的语言包 本书的余下部分会使用能同时运行于 cmd.exe 和 PowerShell 的命令。如果存在特定差异，我 们会解释使用哪一个。 故障排除（Troubleshooting） 要检查是否正确安装了 Rust，打开命令行并输入：

· · · · · · · · · 4805 31 1 文档中心 2 关于 TiDB 2.1 TiDB 简介 TiDB 是 PingCAP 公司自主设计、研发的开源分布式关系型数据库，是一款同时支持在线事务处理与在线分析 处理 (Hybrid Transactional and Analytical Processing, HTAP) 的融合型分布式数据库产品，具备水平扩容或者缩容、金 融级高可用、实时 �→ 并且在非常大的规模上受到限制。批量 DML (tidb_dml_type = "bulk") 是一种新的 �→ DML 类型，用于更高效地处理大批量 DML 任务，同时提供事务保证并减轻 OOM 问题。 �→ 该功能与用于数据加载的导入、加载和恢复操作不同。 0 码力 | 4805 页 | 101.28 MB | 1 年前

3