前置：
Nvidia JetsonTx2 Ubuntu18.04 刷机教程（详细排雷）_prophet_xh的博客-CSDN博客_tx2 虚拟机
Nvidia JetsonTx2 Ubuntu18.04 安装 ros melodic（顺带快速解决sudo rosdep init问题）_prophet_xh的博客-CSDN博客
再次强调，不谈环境的安装教程纯属耍流氓。本教程适用于Nvidia TX2 ，cuda 10，ubuntu18.04的环境，并不通用，对其他的版本只起到参考作用。
继完成一系列环境配置后，准备开始用tx2进行rtabslam。但由于刷完机的板子自带的4.1.1的opencv版本，所以我们需要安装opencv3.2.0
没有必要去卸载opencv4,ubuntu下支持多版本的opencv共存，盲目卸载反而会引发更多问题。
1.首先去下载opencv3.2.0的sourse文件。
去上面这个官网找到3.2.0的版本（一页页翻），下载完成以后，可以提取到home目录下
如果下载慢，就点这个下，不用积分的哈
opncv3.2.0的官方代码包-机器学习文档类资源-CSDN下载
1.1安装一些依赖，一般opencv刷完机就已经存在了，这里补充记录下，刷机完成的用户可以跳过下面，直接到步骤2
sudo apt-get install cmake
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg.dev libtiff4.dev libswscale-dev libjasper-dev
这里可能有这个问题
E：无法定位软件包libjasper-dev
解决方案
一般的教程中是 sudo add-apt-repository "......" ，然后即可解决
但是很明显tx2的架构和一般的ubuntu系统不同
如果贸然使用，会出现
E：无法下载http://security.ubuntu.com/ubuntu/dists/xenial-security/main/binary-arm64/Packages 404 Not Found [IP: 91.189.91.38 80]
如果使用了一般教程的解决方案，而没有解决
此时，我们先把刚刚添加的 sudo add-apt-repository "......"去除掉（"....."是你刚刚添加的ppa,每个教程里的都不一样，我就用'......'来替代泛指一下）
sudo add-apt-repository -r "......"
然后添加tx架构的 ppa
sudo add-apt-repository "deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu-ports/ xenial main multiverse restricted universe"
sudo apt update
sudo apt install libjasper1 libjasper-dev
解决完毕
2.编译
cd opencv-3.2.0
mkdir build
cd build
再在终端输入下面这么一长段，直接复制到终端即可，这些配置适用于cuda10,其他环境请酌情配置
关于CMAKE_INSTALL_PREFIX=/usr/local/opencv320是你的安装路径，那你也可以写其它的
本文opencv320是自己加的文件夹，你可以取其它名字
该路径会影响到后期我们配置cv_birdge 或者 cmake list，记住你安排的路径
一般的CMAKE_INSTALL_PREFIX=/usr/local，这也是opencv默认安装路径
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local/opencv320 -D BUILD_PNG=OFF -D BUILD_TIFF=OFF -D BUILD_TBB=OFF -D BUILD_JPEG=OFF -D BUILD_JASPER=OFF -D BUILD_ZLIB=OFF -D BUILD_EXAMPLES=ON -D BUILD_opencv_java=OFF -D BUILD_opencv_python2=ON -D BUILD_opencv_python3=OFF -D ENABLE_PRECOMPILED_HEADERS=OFF -D WITH_OPENCL=OFF -D WITH_OPENMP=OFF -D WITH_FFMPEG=ON -D WITH_GSTREAMER=ON -D WITH_GSTREAMER_0_10=OFF -D WITH_CUDA=ON -D WITH_GTK=ON -D WITH_VTK=OFF -D WITH_TBB=ON -D WITH_1394=OFF -D WITH_OPENEXR=OFF -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-10.0 -D CUDA_ARCH_BIN=6.2 -D CUDA_ARCH_PTX="" -D INSTALL_C_EXAMPLES=ON -D INSTALL_TESTS=ON -D OPENCV_TEST_DATA_PATH=…/opencv_extra/testdata -D WITH_LAPACK=OFF ..
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local/opencv320 -D BUILD_PNG=OFF -D BUILD_TIFF=OFF -D BUILD_TBB=OFF -D BUILD_JPEG=OFF -D BUILD_JASPER=OFF -D BUILD_ZLIB=OFF -D BUILD_EXAMPLES=ON -D BUILD_opencv_java=OFF -D BUILD_opencv_python2=ON -D BUILD_opencv_python3=OFF -D ENABLE_PRECOMPILED_HEADERS=OFF -D WITH_OPENCL=OFF -D WITH_OPENMP=OFF -D WITH_FFMPEG=ON -D WITH_GSTREAMER=ON -D WITH_GSTREAMER_0_10=OFF -D WITH_CUDA=ON -D WITH_GTK=ON -D WITH_VTK=OFF -D WITH_TBB=ON -D WITH_1394=OFF -D WITH_OPENEXR=OFF -D CUDA_TOOLKIT_ROOT_DIR=/usr/local/cuda-10.0 -D CUDA_ARCH_BIN=6.2 -D CUDA_ARCH_PTX="" -D INSTALL_C_EXAMPLES=ON -D INSTALL_TESTS=ON -D OPENCV_TEST_DATA_PATH=.../opencv_extra/testdata -D WITH_LAPACK=OFF ..
一般这样在tx2,cuda10上cmake，不会出现报错，耐心等待即可
cmake结束后
make -j4
继续耐心等待
sudo make install
这里可能会报错
CMake Error at data/cmake_install.cmake:72 (file):
file INSTALL cannot find
"/home/prophet/opencv-3.2.0/.../opencv_extra/testdata".
Call Stack (most recent call first):
cmake_install.cmake:89 (include)
不要慌，我们去打开这个在date下cmake文件
找到最后，发现是最后出现的问题，而最后是share,分享的功能，对应用不造成影响，可以如图，将后3行注释掉（因为是在home目录下，双击就能编辑）
继续
sudo make install
完成
3.配置环境
创建opencv.conf文件
sudo gedit /etc/ld.so.conf.d/opencv.conf
添加下面内容
/usr/local/opencv320/lib
完成以后，终端输入
sudo ldconfig
接着添加路径
sudo gedit /etc/bash.bashrc
在文件最后添加路径（路径要自己安装路径，比如前文我是/usr/local/opencv320）
PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/opencv320/lib/pkgconfig
export PKG_CONFIG_PATH
刷新一下下
source /etc/bash.bashrc
此时我们已经了opencv3.2.0的安装，如果没什么问题的话，重新打开一个终端，输入
pkg-config opencv --modversion
应该会显示当前的opencv版本是3.2.0
4.ros 配置
终于结束了安装，那我们如何去让ros引用，ros下自带的是opencv4.1.1
安装结束了，并不代表就能用上，我们必须去让ros使用，而我们也没有卸载opencv4
故，我们需要将ros与opencv3.2.0连接起来
此时，我们要做的是去更改cv_birdge文件
打开cv_birdgeconfig.cmake文件
sudo gedit /opt/ros/melodic/share/cv_bridge/cmake/cv_bridgeConfig.cmake
修改画线的几行，注释掉的是原文件，下方的是改完的，根据自己的路径该：
像图片中这样改 ，一共是三处。
把
if(NOT "include;/usr/include;/usr/include/opencv " STREQUAL " ")
改成
if(NOT "include;/usr/local/opencv320/include/opencv2;/usr/local/opencv320/include/opencv " STREQUAL " ")
把
set(_include_dirs "include;/usr/include;/usr/include/opencv4")
改成
set(_include_dirs "include;/usr/local/opencv320/include/opencv2;/usr/local/opencv320/include/opencv;/usr/local/opencv320/include;/usr/include")
把
set(libraries "cv_bridge;/usr/lib/aarch64-linux-gnu/libopencv_core.so.3.2.0;/usr/lib/aarch64-linux-gnu/libopencv_imgproc.so.3.2.0;/usr/lib/aarch64-linux-gnu/libopencv_imgcodecs.so.3.2.0")
改成
set(libraries "cv_bridge;/usr/local/opencv320/lib/libopencv_core.so.3.2.0;/usr/local/opencv320/lib/libopencv_imgproc.so.3.2.0;/usr/local/opencv320/lib/libopencv_imgcodecs.so.3.2.0")
保存退出！
目前为止已经完成opencv3.2.0安装及ros环境配置
下一章将进行rtabmap的安装！
Original: https://blog.csdn.net/prophet_xh/article/details/124113271
Author: prophet_xh
Title: Nvidia TX2 安装 opencv3.2.0 及在ros melodic下配置opencv3.2.0
相关阅读1
Title: 汽车螺丝扭力标准
汽车螺丝扭力标准如下：
1、支座与车身螺栓(13MM)--25Nm；
2、支座与车身螺栓(18MM)--40Nm+90度/50Nm；
3、支座与发动机支座螺栓(18Mm)--100Nm；
4、支座与车身螺栓(13MM)--25Nm；
5、支座与车身螺栓(18MM)--40Nm+90度/50Nm；
6、支座与变速器支座螺栓(18MM)--100Nm；
7、摆动支架摆动支架与变速箱螺栓--40Nm+90度/50Nm；
8、摆动支架与副车架螺栓--20Nm+90度/25Nm；
9、发动机部分火花塞--25Nm(1.6/2.0),30Nm(1.8T)；
10、放油螺栓--30Nm；
11、机油滤清器--25Nm；
12、曲轴正时轮螺栓--90Nm+90度；
13、凸轮轴正时轮螺栓--65Nm；
14、曲轴轴瓦--65Nm+90度；
15、连杆轴瓦--80Nm+90度；
16、缸盖螺栓第一步--40Nm；
17、缸盖螺栓第二步--90度；
18、缸盖螺栓第三步--90度；
19、爆震传感器--20Nm；
20、双温开关--15Nm；
21、氧传感器--50Nm；
22、三元催化器与排气管连接螺栓--40Nm；
23、排气管双箍螺栓--40Nm；
24、变速箱部分变速箱与发动机连接部分--80Nm；
25、变速箱与启动机连接部分--80Nm；
26、变速箱与油底壳螺丝--40Nm；
27、换档杆壳体与车身--25Nm；
28、换档拉锁支架到变速器连接螺栓--25Nm；
29、变速箱油堵--25Nm；
30、速度表驱动轴--30Nm；
31、变速器壳盖螺栓--10Nm；
32、离合器总泵--25Nm；
33、离合器分泵--25Nm；
34、底盘部分制动踏板与助力器之间螺栓--20Nm；
35、前制动卡钳--35Nm；
36、后制动卡钳--35Nm；
37、转向拉杆与万向节连接--45Nm；
38、方向盘紧固螺母--50Nm；
39、转向十字轴与转向机连接--30Nm；
40、控制臂球头与控制臂连接--20Nm+90度；
41、控制臂球头自锁螺母--450Nm；
42、稳定杆与控制臂连接螺栓--45Nm；
43、稳定杆穿销自锁螺母--45Nm；
44、控制臂与副车架--70Nm+90度；
45、控制臂与车身--100Nm+90度；
46、副车架与转向机--20Nm+90度；
47、前减震器与转向节连接螺栓--65Nm+90度/75Nm；
48、前减震器上部六角螺母--60Nm；
49、后轮轴头自锁螺母--175Nm；
50、后桥支架与后桥连接--80Nm；
51、后桥支架与车身连接--75Nm；
52、后桥与后分泵连接--65Nm；
53、后轮轴头连接--60Nm；
54、后减震器与后桥连接--60Nm；
55、后减震器与车身连接--75Nm；
56、驱动轮法兰连接螺栓--50Nm；
57、轮胎螺栓--120Nm；
Original: https://www.cnblogs.com/LiuYanYGZ/p/16418376.html
Author: LiuYanYGZ
Title: 汽车螺丝扭力标准
相关阅读2
Title: 数学建模 - K-means聚类
; 解决问题
将样本划分为由类似的对象组成的多个类的过程（聚类）。
聚类后，可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。
（KMeans本质上是一种基于欧式距离度量的数据划分方法）
ps. 分类是已知类别的，聚类未知。
算法流程
K-means聚类算法：
- 指定需要划分的簇的个数K值（类的个数）;
- 随机地选择K个数据对象作为初始的聚类中心（不一定要是我们的样本点）;
- 计算其余的各个数据对象到这K个初始聚类中心
的距离，把数据对象划归到距离它最近的那个中心所
处在的簇类中; - 调整新类并且重新计算出新类的中心;
- 循环步骤三和四，看中心是否收敛（不变），如
果收敛或达到迭代次数则停止循环; - 结束
公式过程： k-means聚类算法
; 模型特性
K-means聚类优点：
（1）算法简单、快速。
（2）对处理大数据集，该算法是相对高效率的。
当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好 。
K-means聚类缺点：
（1）要求用户必须事先给出要生成的簇的数目K。
（2） 对初值敏感。
（3） 对于孤立点数据敏感。
ps. K‐means++算法可解决2和3这两个缺点。
K-means++算法选择初始聚类中心的基本原则是：
初始的聚类中心之间的相互 距离要尽可能的 远。（只对K-means算法" 初始化K个聚类中心" 这一步进行了优化）
即进行预处理优化：
步骤一：随机选取一个样本作为第一个聚类中心；
步骤二：计算每个样本与当前已有聚类中心的最短距离（即与最近一个聚类中心的距离），这个值越大，表示被选取作为聚类中心的概率较大；
最后，用轮盘法（依据概率大小来进行抽选）选出下一个聚类中心；步骤三：重复步骤二，直到选出K个聚类中心。选出初始点后，就继续使用标准的K-means算法了。
使用方法
- 利用Spss软件
默认使用的是 K-means++算法 - 利用matlab软件
X2 = zscore(X); % zscore方法标准化数据
Y2 = pdist(X2); % 计算距离（默认欧式距离）
Z2 = linkage(Y2); % 定义变量之间的连接，用指定的算法计算系统聚类树
T = cluster(Z2,6); % 创建聚类
H = dendrogram(Z2); % 作出系谱图（散点聚类图看腻了，这里画个系谱图）
结合 MATLAB 中的一些函数，结果作出系谱图
ps. MATLAB 以及 sklearn 也提供了相应的 kmeans() 函数可供直接聚类使用
from 5 分钟带你弄懂 K-means 聚类
注意事项
a. 聚类个数（K值）
分几类主要取决于个人的经验与感觉，通常的做法是多尝试几个K值，看分成几类的结果更好解释，更符合分析目的等。（即提前应该要知道分类数目）
ps. 如果不能提前判断要分几类，可以采用 系统（层次）聚类算法。
b. 数据量纲
如果数据的量纲不一样，那么算距离时就没有意义。例如：如果X1单位是米，X2单位是吨，用距离公式计算就会出现"米的平方"加上"吨的平方"再开平方，最后算出的东西没有数学意义，这就有问题了。
所以应该先进行数据的预处理（ 标准化处理）
可以直接利用spss实现：
; c. 分类与聚类区别
分类：类别是已知的，通过对已知类别的数据进行训练和学习，找到这些不同类的特征，再对未知类别的数据进行分类。属于监督学习。
聚类：事先不知道数据会分为几类，通过聚类分析将数据聚合成几个群体。聚类不需要对数据进行训练和学习。属于无监督学习。
一般而言，是否有监督，就看输入数据是否有标签，输入数据有标签，则为有监督学习，否则为无监督学习。
d. 适用条件
KMeans方法只有在簇的平均值被定义的情况下才能使用，且对有些分类属性的数据不适合。
异常值会对均值计算产生较大影响，导致中心偏移，因此对于"噪声"和孤立点数据最好能提前过滤 。
e. 对于K值的选择
from K-Means算法之K值的选择
; f. 簇的形式
from K-means聚类算法
g. 与其他聚类算法的比较
参考资料
Original: https://blog.csdn.net/weixin_51942493/article/details/125857141
Author: chen_ ：)
Title: 数学建模 - K-means聚类
相关阅读3
Title: Geohash算法
用户附近位置计算
经纬度与物理距离介绍
经纬度是经度与纬度的合称组成一个坐标系统，称为地理坐标系统，它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统，能够标示地球上的任何一个位置。
在一定误差范围内，通常情况下，经纬线和米的换算为：经度或者纬度0.00001度，约等于1米。以下表格列出更细致的换算关系：
在纬度相等的情况下在经度相等的情况下经度每隔0.00001度，距离相差约1米；每隔0.0001度，距离相差约10米；每隔0.001度，距离相差约100米；每隔0.01度，距离相差约1000米；每隔0.1度，距离相差约10000米。纬度每隔0.00001度，距离相差约1.1米；每隔0.0001度，距离相差约11米；每隔0.001度，距离相差约111米；每隔0.01度，距离相差约1113米；每隔0.1度，距离相差约11132米。
; 地图坐标系
WGS84坐标系地球坐标系，国际通用坐标系GCJ02坐标系火星坐标系，WGS84坐标系加密后的坐标系；Google国内地图、高德、QQ地图 使用BD09坐标系百度坐标系，GCJ02坐标系加密后的坐标系
注：如果使用GCJ-02坐标系，Geohash函数和距离计算函数理论上都应在WGS84坐标系下使用，在火星坐标系下会存在一定的偏差，主要是火星坐标系的加偏处理带来的，经过查阅资料及抽样测试，认为该误差在可接受范围内。
Geohash算法介绍
GeoHash是空间索引的一种方式，其基本原理是将地球理解为一个二维平面，通过把二维的空间经纬度数据编码为一个字符串，可以把平面递归分解成更小的子块，每个子块在一定经纬度范围内拥有相同的编码。
以GeoHash方式建立空间索引，可以提高对空间poi数据进行经纬度检索的效率。
编码规则为：先将纬度范围(-90, 90)平分成两个区间(-90, 0)和(0, 90)，如果目标维度位于前一个区间，则编码为0，否则编码为1，然后根据目标纬度所落的区间再平均分成两个区间进行编码，以此类推，直到精度满足要求，经度也用同样的算法，对(-180, 180)依次细分，然后合并经度和纬度的编码，奇数位放纬度，偶数位放经度，组成一串新的二进制编码，按照Base32进行编码。
示例
以当前所在办公区【两江国际】的位置坐标为例, 经纬度为（104.059684，30.559545）
第一步：将经纬度转换为二进制
序号纬度范围划分区间0划分区间130.559545所属区间1(-90, 90)(-90, 0.0)(0.0, 90)12(0.0, 90)(0.0, 45.0)(45.0, 90)03(0.0, 45.0)(0.0, 22.5)(22.5, 45.0)14(22.5, 45.0)(22.5, 33.75)(33.75, 45.0)05(22.5, 33.75)(22.5, 28.125)(28.125, 33.75)16(28.125, 33.75)(28.125, 30.9375)(30.9375, 33.75)07(28.125, 30.9375)(28.125, 29.53125)(29.53125, 30.9375)18(29.53125, 30.9375)(29.53125, 30.234375)(30.234375, 30.9375)19(30.234375, 30.9375)(30.234375, 30.5859375)(30.5859375, 30.9375)010(30.234375, 30.5859375)(30.234375, 30.41015625)(30.41015625, 30.5859375)111(30.41015625, 30.5859375)(30.41015625, 30.498046875)(30.498046875, 30.5859375)112(30.498046875, 30.5859375)(30.498046875, 30.541992188)(30.541992188, 30.5859375)113(30.541992188, 30.5859375)(30.541992188, 30.563964844)(30.563964844, 30.5859375)014(30.541992188, 30.563964844)(30.541992188, 30.552978516)(30.552978516, 30.563964844)115(30.552978516, 30.563964844)(30.552978516, 30.55847168)(30.55847168, 30.563964844)1
最后得到维度的二进制编码为：101010110111011, 用同样的方式可以得到精度(104.059684)的二进制编码：110010011111111
第二步：将经纬度的二进制编码合并
从偶数0开始，经度占偶数位，纬度占奇数位。
序号01234567891011121314151617181920212223242526272829
编码
111001001100011110111111101111
第三步：将合并后的二进制数做Base32编码
按照每5位一组，分成6组，每组计算其对应的十进制数值，按照Base32进行编码。
Base32编码表的其中一种如下，是用0-9、b-z（去掉a, i, l, o）这32个字母进行编码.
11100 10011 00011 11011 11111 01111
28(w) 19(m) 3(3) 27(v) 31(z) 15(g)
最终得到的经纬度编码为：wm3vzg
如上文二进制编码的计算过程，如果递归的次数越大，则生成的二进制编码越长，因此生成的geohash编码越长，位置越精确。目前Geohash使用的精度说明如下：
GeoHash用一个字符串表示经度和纬度两个坐标, 比直接用经纬度的高效很多，而且使用者可以发布地址编码，既能表明自己位于某位置附近，又不至于暴露自己的精确坐标，有助于隐私保护。
编码过程中，通过二分范围匹配的方式来决定某个经纬坐标是编码为1还是0，因此某些邻近坐标的编码是相同的，因此GeoHash表示的并不是一个点，而是一个矩形区域。 GeoHash编码的前缀可以表示更大的区域。例如wm3vzg，它的前缀wm3vz表示包含编码wm3vzg在内的更大范围。 这个特性可以用于附近地点搜索。
如果把某个区域或整个地图上的地理位置都按照Geohash编码，则会得到一个网格，编码递归粒度越细，网格的矩形区域越小，geohash编码的长度越大，则Geohash编码越精确。 不同的编码长度，生成的网格与实际地理的精度如下(Geohash字符串编码长度对应网格大小）
字符串长度网格宽度网格高度15000Km5000Km21250Km625Km3156Km156Km439.1Km19.5Km54.89Km4.89Km61.22Km0.61Km7153m153m838.2m19.1m94.77m4.77m101.19m0.596m
Geohash编码与网格
当前选取的编码长度为6，因此一个网格实际的地理差异在1.2公里与0.6公里，示例中两江国际对应的网格大致效果如图：
; 邻近网格位置推算
结论
根据Geohash的编码规则将经纬度分解到二进制，结合地理常识，中心网格在南北（上下）方向上体现为纬度的变化，往北则维度的二进制加1，往南则维度的二进制减1，在东西（左右）方向上体现为经度的变化，往东则经度的二进制加1，往西则减1，可以计算出上下左右四个网格经纬度的二进制编码，再将加减得出的经纬度两两组合，计算出左上、左下、右上和右下四个网格的经纬度二进制编码，从而就可以根据Geohash的编码规则计算出周围八个网格的字符串。
正向推导
以Geohash编码长度为6为基础，网格的宽高与实际距离换算为：1.2Km*0.6Km.
参考上文提到的，在经度相同情况下，每隔0.001度，距离相差约111米。0.6Km换算为纬度为：0.005405405。
当前两江国际粗粒度的wgs84坐标(104.05503，30.562251), 纬度二进制编码：101010110111011，经度二进制编码：110010011111111, Geohash值为：wm3vzg
正北方向近邻的网格维度为增加一个网格的高度，即纬度增加0.005405405，为： 30.562251 + 0.005405405 = 30.567656405， 转换为二进制编码后为(可用工具快速转换)： 101010110111100
正好是原纬度的二进制编码101010110111011 加1后的结果（101010110111011 + 000000000000001 = 101010110111100）
反向推导
当前两江国际粗粒度的wgs84坐标(104.05503，30.562251), 纬度二进制编码：101010110111011，经度二进制编码：110010011111111, Geohash值为：wm3vzg
基于当前坐标的网格，正北方向近邻的网格N，其纬度二进制加1后为：101010110111100，经度不变，其Geohash值为： wm3vzu
通过http://geohash.co/ 反向转换其经纬坐标为：(104.0570068359375,30.56671142578125）
通过https://www.box3.cn/tools/lbs.html 查询2个坐标的实际位置，误差在531m(符合精度范围）
; 邻近8个网格位置计算
Geohash编码：wm3vzs纬度二进制编码：101010110111100经度二进制编码：110010011111110公式：(Lat_bin + 1, Lon_bin - 1)Geohash编码：wm3vzu纬度二进制编码：101010110111100经度二进制编码：110100101101010公式：(Lat_bin + 1, Lon_bin)Geohash编码：wm6jbh纬度二进制编码：101010110111100经度二进制编码：110010100000000公式：(Lat_bin + 1, Lon_bin + 1)Geohash编码：wm3vze纬度二进制编码：101010110111011经度二进制编码：110010011111110公式：(Lat_bin, Lon_bin - 1)Geohash编码：wm3vzg纬度二进制编码：101010110111011经度二进制编码：110010011111111公式：(Lat_bin, Lon_bin)Geohash编码：wm6jb5纬度二进制编码：101010110111011经度二进制编码：110010100000000公式：(Lat_bin, Lon_bin + 1)Geohash编码：wm3vzd纬度二进制编码：101010110111010经度二进制编码：110010011111110公式：(Lat_bin - 1, Lon_bin - 1)Geohash编码：wm3vzf纬度二进制编码：101010110111010经度二进制编码：110010011111111公式：(Lat_bin - 1, Lon_bin)Geohash编码：wm6jb4纬度二进制编码：101010110111010经度二进制编码：110010100000000公式：(Lat_bin - 1, Lon_bin + 1)
附近3公里网格模型
青色代表：用户位置的网格编码，红色代表：附近附近3公里的网格编码
Original: https://blog.csdn.net/usher_ou/article/details/122716877
Author: Usher_Ou
Title: Geohash算法