江科大深蓝学院怎么样

江科大深蓝学院怎么样

江苏科技大学深蓝学院很不错。

一，学校简介

江苏科技大学深蓝学院是江苏科技大学的一个分支学院。深蓝学院位于中国江苏省镇江市丹阳市区，地理位置优越，靠近上海。

深蓝学院是江苏科技大学的一个独立学院，致力于提供高质量的教育和培训。它是江苏省教育部门的一个重要教育机构。深蓝学院提供各种本科和研究生课程，涵盖了多个学科领域，包括工程、经济学、文学、法学等。

二，师资力量

江苏科技大学深蓝学院拥有一支高水平的师资队伍，其中包括长江学者、国家级教学名师、江苏省教学名师等。
学院注重师资队伍建设，不断加强教师队伍的培养和引进。

学院建立了一套完善的教师管理制度，为教师提供了良好的工作环境和发展机会。
学院还积极与国内外知名高校和企业合作，邀请国内外知名专家和学者来校讲学和交流，不断拓宽教师的学术视野和科研能力。

如何报考江苏科技大学深蓝学院：

一，了解学院的招生政策和要求

访问江苏科技大学深蓝学院的官方网站，了解学院的招生政策和要求，包括报名条件、录取标准、招生范围等。 高三网

二，准备相关材料参加考试

根据招生政策和要求，准备相关材料，包括身份证、学历证明、高考成绩单等。按照学院的要求，参加学院组织的考试，包括综合笔试、综合素质考核及面试等。

四，提交申请

在规定的时间内，登录学院官方网站，填写并提交申请表。经过学院的审核和评估，如果符合录取标准，会收到学院的录取通知。

五，注意事项

报考江苏科技大学深蓝学院需要具备较高的学术水平和综合素质，建议认真准备，注重平时的学习和积累。同时，也要关注学院的官方网站，及时了解最新的招生政策和要求。

一.因子图优化学习---董靖博士在深蓝学院的公开课学习（1）

各位朋友，新的一年加油！持续产出佳绩！不知不觉，从九月开始到现在已撰写了四十篇文章，如有文章中的问题或遗漏，欢迎批评指正。随着学习的深入，发现有些文章存在不足，计划在春节假期期间整理更新。

言归正传，越来越多的SLAM（Simultaneous Localization and Mapping）领域从业者开始使用因子图优化方法。我目前也在深入学习此领域，面对众多疑问，决定开设一个专栏来系统探讨。

下面，将从因子图（Factor graph）模型在机器人领域（感知）的视角出发，逐步展开。

首先，设想一个简单的机器人问题（SLAM）：机器人在运动过程中能观测到两个路标点，定义了三个时间点，在此期间存在对路标点的观测量和机器人自身运动的估计量（里程计）。通过贝叶斯网络（Bayes Net）描述这一建模问题。

在贝叶斯网络中，通过有向边连接状态变量和观测变量。图中，蓝色圆圈表示路标节点变量，黄色圆圈表示机器人状态变量，二者均为状态变量。红色圆圈表示机器人对路标点的观测变量，绿色圆圈表示机器人对自身运动的观测变量，均为观测变量。此贝叶斯网络描述了状态变量和观测变量的联合概率模型。

概率模型定义为：在已知系统状态变量的情况下，可以推测出机器人得到的观测量。从而形成生成模型（generative model），用贝叶斯网络描述系统模型，在已知状态量的情况下，推算出观测量。

以X表示机器人状态量，Z表示观测量。假设已知系统状态的概率分布和给定系统状态下的观测量的条件概率（传感器模型），相乘得到联合概率，即系统状态变量和观测变量的联合概率。

观测变量的条件概率特点为：路标点1的观测变量仅与时间1下的机器人位置（状态变量）和路标点1的位置有关，与路标点2无关。图中清晰显示，路标点1的观测变量通过两个边连接到机器人的位置变量和路标点1的位置变量。这说明观测变量由单独决定的边连接的变量决定，极少的状态变量决定每个单独的观测变量，对构建矩阵的稀疏性至关重要。

所有观测变量的条件概率以乘积形式存在。在示例中，红色部分三个观测变量的条件概率相互独立，相乘。同样，绿色部分两个odometry观测变量也相乘。这些条件概率可以分解。

然而，在现实生活中，需要解决的问题是已知观测量，求解状态量，这是一个状态估计问题（SLAM问题）。

因子图（Factor graph）是一种估计模型，应用于贝叶斯定律（Bayes rule），给定Z（观测量），求解X（状态量）的概率正比于给定X，求解Z的概率。分母中的Z先验值与X无关，可以省略。

对于状态估计问题，即给定系统观测量，求解系统状态量，使得条件概率最大化。这是寻找最大后验分布（MAP），公式右侧项为先验概率（prior），通常是上一帧的最优后验概率。似然概率（likelihood）由传感器模型给出，左边就是最大后验概率。

因子图中的每个观测变量在贝叶斯网络中单独求解（相互独立），所有条件概率以乘积形式存在，且可分解。在因子图中，分解的每一项是一个因子，乘积乘在一起用图形式描述即为因子图。

因子图包含两类节点和边

节点：状态变量（圆圈），用于估计求解。

观测节点（即因子，用方块标定），表示每个得到的观测量。

因子图还包括一个先验因子（prior factor），表示公式中X的先验值（先验概率），用于固定整个系统的解，避免数值多解，达到数值可解。

整个因子图实际上是每个因子的乘积。红色对应观测量因子，绿色对应状态量之间的因子（里程计），紫色是先验因子。求解因子图即求出所有因子乘积的最大值，得到的系统状态即概率上最可能的状态。

根据中心极限定理，绝大多数传感器噪音符合高斯分布，因此每个因子用指数函数定义，指数函数对应了error function。error function表示用状态量推测的观测量与实际观测量之间的差异。

以odometry factor为例，error function为后一个位置减去前一个位置（预估量）与实际观测到的量之差。Landmark factor的error function同样如此，用Xi和Lj推测出的观测点位置量减去实际的观测点位置量。

希望error越小越好，说明观测值与预测值接近。套到MAP中来看，因子图的求解是要所有因子乘积最大化。对于负指数函数形式，每个因子乘积最大化代表内部fx最小化。这符合希望误差函数误差最小化的目的。即系统状态与观测值越吻合，error越小，那么φ就越大（MAP最大），希望找到一组状态变量能尽可能与观测量吻合。

概率问题转化为非线性最小二乘问题，对定义的因子图乘积概率希望最大化。假设所有因子都是负指数函数形式，对函数取负对数，则负指数函数最大化问题等价于一个非线性最小二乘问题。常用方法为迭代法，如高斯牛顿。

给定初始值，通过某种方法推测一组可能的系统状态变量，求解修改量（dx），让最小二乘值尽可能变小，求出dx加上原来的x（即修改了初始值），再代回原来的函数，迭代调整初始值，达到停止条件后，求出最优修改值。

中间求解增量步骤通常通过线性化（对非线性函数进行一阶泰勒展开）得到线性最小二乘问题（linear least square）。

方法一：通过normal equation求解，JtJ矩阵为正定矩阵（Jacobian矩阵满足列满秩），做Cholesky分解，将JtJ分解为RtR，其中R为上三角阵，实际求解两个上三角阵的线性方程组。

方法二：直接求解，通过QR分解，如果给定只有J，不计算Jt，对J进行QR分解，可以直接求解出R。

QR分解速度较慢，但Cholesky分解的数值稳定性较差，选择方法应根据所求解系统的性质决定。对于Jacobian矩阵，每一行对应一个因子，如紫色部分表示prior因子，绿色表示odometry因子，红色表示路标点观测因子。紫色一行只有一个（只在X1有非零项），因为先验因子只影响一个状态（X1），同样，对于里程计因子，只有X1和X2有连接，所以在J矩阵中第二行只有X1,X2有非零项。

J矩阵具有稀疏性质，因为每个观测量相关的系统状态量很少（每行只填很少），对求解有利。因子图生成的线性代数概率模型具有很好的稀疏性，因此因子图求解此类问题效率很高。

额外说明：J矩阵中，每个变量的位置对于求解性能有很大影响，这就是线性系统求解的ordering问题。不同ordering下，求解出来的上三角阵稀疏程度不同。通过调整变量元素的ordering（顺序），可以得到稀疏性较好的矩阵。对于直接方法（QR分解），ordering很重要。找最佳ordering是NP hard问题，现实中不会寻找，因为非常耗时。线性代数领域的专家开发了寻找近似最优ordering的方法，如COLAMD。

因子图的平滑增量优化特性，在机器人运行过程中，因子图往往是逐渐成长和增大的。例如，在移动过程中添加一组节点，随着观测数据增多，因子图逐渐增大。每次求解都是在上次基础上增加一些因子，而大部分因子图与之前基本一致。这是增量推理（incremental inference）。

如何避免这个问题？如何在状态变量越来越多时引出近似常数？最常用的方法是isam（Incremental Smoothing and Mapping），包括isam1和isam2。

isam1实际进行增量QR分解（Incremental QR Factorization）：给定一个J矩阵，可以分解成Q和R，假设因子图其他不变，之前因子图存在，新增了几个因子。问题在于如何在已知分解出来的QR的情况下，将增量的那一行加到R项。通过这种方法，将增量QR分解转化为增量三角化R的问题，即如果R增加了几列，如何通过正交阵将矩阵重新变成三角阵。

通过given rotation的方法：如果在R矩阵的下一列加了一个非零元素，左乘given旋转矩阵，可以将非零元素变成零元素，对应的代价是左乘后的矩阵那一行的0后面加了一些非零元素。一步步做这个步骤，将这一行的元素右边的元素逐渐消为0，消到最后一个元素，得到的矩阵是一个密集的三角阵，其大小与从哪里开始消元相关。

特殊情况：例如，机器人顺时针转圈，元素按时间ordering排，若新增了一个元素，建立了回环，机器人观测到第一帧第二帧观测到的东西，变量会影响最初的状态元素，导致很大的密集三角阵，处理时间会很慢，内存也会较大。因此，需要定期进行reordering（重新排序），重新做QR分解，以得到比较稀疏的R矩阵，计算速度才会比较快。

注意：isam1讨论线性系统，求解因子图使用迭代方法或线性代数方法，实际上是在做每一步线性化求解的增量步骤，即在做增量QR分解的过程中，线性化点保持不变。线性化点影响系统求解精度（如求解卡尔曼滤波问题，线性化点很重要），而增量QR分解本身不解决重线性化问题，因此对于isam1，需要定期重排序，重线性化（定期更新），以确保求解有一定程度的精度。

isam2（利用贝叶斯树线性因子图推理）：

将因子图转换成树状结构，如果增加了少量因子（少量系统变量），只需增加少许树上的节点，不需要重新求解整个树，速度较快。遇到大回环时，因为大部分变量都有触及，贝叶斯树中很多元素会被移动，需要重新计算大量节点，因此无论isam1的增量QR分解和isam2的贝叶斯树，遇到大回环情况，都需要重新求解。

贝叶斯树是理论最优的方法，isam1是偏经验的方法，实现起来比较困难。根据需求可以选择isam1还是isam2。

江苏科技大学深蓝学院值得进吗

江苏科技大学深蓝学院是一所致力于培养顶尖人才的学院，值得学生加入，但录取过程相对较为竞争激烈。该学院的目标是培养行业精英、学术精英和创业精英，通过集中优质教育资源，实施独特的教育培养模式，确保学生能够充分发挥潜力，拓宽视野。

深蓝学院采用“小班教学、导师引领、激发潜能、拓宽视野”的教育理念，注重学生在学习过程中的主体地位。该学院实施的“1+3+X”人才培养模式，为每位学生配备了全程化指导的导师。此外，还开设了“知识拓展”、“能力强化”和“素质提升”三类素质创新课程，旨在全面提升学生的能力和素质。

深蓝学院构建了多目标、多层面、多学科的拔尖创新人才培养体系，致力于培养具有理想远大、潜能突出、国际化视野的拔尖创新型人才。通过这种全面的培养体系，学生能够获得丰富的知识和实践机会，为未来的职业生涯打下坚实的基础。

总的来说，深蓝学院提供了一个理想的平台，让学生能够在学术、实践和创新方面得到全面的发展。然而，由于其独特的教育模式和优质教育资源的集中，学生需要付出更多的努力才能被录取。对于有志于成为行业精英、学术精英和创业精英的学生来说，深蓝学院无疑是一个值得追求的目标。