1、这周工作上主要是涉及了两件事，一件是能否做到实时针对门的识别和标示，二是能否利用二维码判断出机器人的相对位姿。可惜两件事的进展都不如人意。
先说第一件事情，对门的识别途径包括视觉、图形分析。像利用雷达的机器人可以根据一个封闭图形的缺口来识别。利用摄像头的机器人可以根据深度学习来实现对门口的识别。我们想的事情是在一个嵌入式系统中，如何尽可能利用少的资源实现对门口的识别。我们的传感器是RGB-D摄像头，如果不用RGB的话（涉及到嵌入式系统的GPU或者利用FPGA，最后还是非常有可能走这条路的），就是像雷达一样做点云分析，或者利用生成的地图来识别。我有点想取巧，能否直接利用RGB-D的点云数据呢，这个点云数据面上比雷达丰富，但是角度受限，只有60～70度，写了一段代码做个简单hough变换分析缺口，发现这种想法还是不是特别可行，特征不够典型，后面还要再考虑一下。
第二件事情利用二维码判断机器人的相对位姿。我们通常用二维码都是用来提取信息，做入口。网上其实也有很多分析，针对二维码的四个角的定位，经过视角变换后可以算出拍照者针对二维码平面的相对位姿，如果我们需要机器人自动定位，对准某个东西，可以利用这一点。但是实际测试一下，就会发现这种做法需要对二维码进行非常好的视觉识别，不同与平时二维码识别，我们所拍的图形受距离和角度的影响，平时用的识别算法性能下降非常多，适用的范围小的多。如果去掉二维码承载信息这个功能的话，直接用方框来定位可能效果好很多，下周准备试一下。
2、这周还是抽零星时间读bengio大神的deep learning这本书，囫囵吞枣的看完了前五章，很多理论没有搞明白，不过大神的书很多地方写的一目了然，总有让人原来是这样啊的感叹。准备找个时间写一个导读，把涉及到深度学习需要的一些数学知识罗列一下，方便自己后面学习。
3、Uadacity的课这周准备交通指示图标的识别，按照提示直接用lenet来训练发现效果也还可以啊，validation accuracy能到97%以上，但是test accuracy只能到91%，说明overfitting了，增加了dropout发现效果不明显，但是考虑是不是lenet的网络跟dropout不怎么匹配？后面考虑先试一下L2正则化，然后考虑调整网络结构，如果还没有效果，再考虑增大测试样本，通过噪声或者其它的方式。
4、跑步受雾霾影响，没有开始。
5、带儿子听了一场宫崎骏的动画音乐的交响乐，效果没得说，自己真是一个土人。
