1. andrew christian，能否具体解释下svo的运动估计与深度估计两方面的知识？

1. SVO 简介SVO 全称 Semi-direct monocular Visual Odometry（半直接视觉里程计），是苏黎世大学机器人感知组的克里斯蒂安.弗斯特（Christian Forster，主页：Christian Forster）等人，于2014年ICRA会议上发表的工作，随后在github开源：uzh-rpg/rpg_svo 。2016年扩展了多相机和IMU之后，写成期刊论文，称为SVO 2.0，预定将在IEEE Trans. on Robotics上发表（视频见[2]）。SVO 2.0目前未开源（个人认为以后也不会开）。 SVO主要工作由弗斯特完成，此外他也在乔治亚理工的gtsam组呆过一段时间，参与了gtsam中IMU部分，文章发表在RSS 2015上，亦是VIO当中的著名工作[3]。此文章后续亦有期刊版本，预计也在TRO上发表。不过会议论文中公式推导有误，而且弗斯特本人似乎只参与了实现部分，没怎么管公式推导……当然这些都是八卦，不谈了。与SVO相关工作是同一组的REMODE[4]，实现了在SVO定位基础上的单目稠密建图（需要GPU），由SVO的二作马蒂亚（Matia Pizzoli）完成。SVO，虽然按照作者的理解，称为“半直接法”，然而按照我个人的理解，称为“稀疏直接法”可能更好一些。众所周知，VO主要分为特征点法和直接法。而SVO的实现中，混合使用了特征点与直接法：它跟踪了一些关键点（角点，没有描述子，由FAST实现），然后像直接法那样，根据这些关键点周围的信息，估计相机运动以及它们的位置。这与特征点法（以ORB-SLAM为代表）那样，需要对每张图像提取特征点和描述子的实现，是有明显不同的。所以，作者称之为“半直接法”。不过，由于SVO跟踪的“关键点”，亦可以理解成“梯度明显的像素”。从这个角度来看，它和LSD-SLAM[5]更加相近。只是LSD-SLAM跟踪了所有梯度明显的像素，形成半稠密地图；而SVO只跟踪稀疏的关键点，所以不妨称之为“稀疏直接法”。这一点，和今年慕尼黑理工丹尼尔.克莱默（Daniel Cremers）组的雅各布.恩格尔（Jakob Engel）提出的DSO[6]是很相似的。（PS：ORB,LSD,SVO几个作者似乎都去了同一个公司啊……那我还搞啥……）在视觉里程计中，直接法最突出的优点是非常快（ORB作者劳尔曾认为特征点比较快，我觉得是不对的）。而在直接法中（包括稀疏的，半稠密的以及稠密的），使用稀疏的直接法，既不必费力去计算描述子，也不必处理像稠密和半稠密那么多的信息，能够达到极快的速度。因此，SVO即使在低端计算平台上也能达到实时性，而在PC平台上则可以达到100多帧每秒的速度。在作者后续工作SVO 2.0中，速度更达到了惊人的400帧每秒。这使得SVO非常适用于计算平台受限的场合，例如无人机、手持AR/VR设备的定位。无人机也是弗斯特等人最初开发SVO的目标应用平台。SVO另一特点是实现了一种特有的深度滤波器（Depth Filter）。这里一种基于均匀——高斯混合分布的深度滤波器，由弗吉亚兹于2011年提取并推导[7]。由于原理较为复杂，之后再详细解释。SVO将这种滤波器用于关键点的深度估计，并使用了逆深度作为参数化形式，使之能够更好地计算特征点位置。这里SVO在建图线程中的主要任务。开源版的SVO代码清晰易读，十分适合读者作为第一个SLAM实例进行分析。初学者可以从SVO或ORB开始读起，弗斯特写代码一直比较清楚。SVO的整体框架如下图所示：整个过程分为两个大模块：追踪与建图（与PTAM类似）。上半部分为追踪部分。主要任务是估计当前帧的位姿。又分为两步：先把当前帧和上一个追踪的帧进行比对，获取粗略的位姿。然后根据粗略的位姿，将它与地图进行比对，得到精确的位姿并优化见到的地图点。随后判断此帧是否为关键帧。如果为关键帧就提取新的特征点，把这些点作为地图的种子点，放入优化线程。否则，不为关键帧的时候，就用此帧的信息更新地图中种子点的深度估计值。下半部分为建图部分。主要任务是估计特征点的深度。因为单目SLAM中，刚提的特征点是没有深度的，所以必须用新来的帧的信息，去更新这些特征点的深度分布，也就是所谓的“深度滤波器”。当某个点的深度收敛时，用它生成新的地图点，放进地图中，再被追踪部分使用。整个SVO架构要比ORB简单一些（ORB有三个线程，且要处理关键帧的共视关系和回环检测），所以效率也要高一些。下面详细谈这两个模块的做法。-------------------------------------------------------------2. 追踪（Tracking）部分追踪部分理解难点主要有两个：如何计算帧与帧之间位姿变换？如何计算帧与地图之间的位姿变换？下面分别来说这两点。2.1 Frame-to-Frame的位姿变换追踪的第一步是将当前帧与上一个追踪成功的帧进行对比，粗略估计当前帧的位姿。该问题的基本形式为：已知上一帧对地图点的观测（包括2D投影位置和深度），以及当前帧的图像，如何计算当前帧的位姿？用数学语言说，已经帧的位姿，并且知道它的观测量时，求解。在SVO里，该问题被称为 Model-based Image Alignment （带有相机模型的图像配准），实际上就是我们平时说的稀疏直接法。直接法的原理在我的博客中给出过比较细的推导：直接法 - 半闲居士 - 博客园 ，此外我也讲过一次讲座：直接法的原理与实现_高翔_bilibili_演讲•公开课_科技_bilibili_哔哩哔哩弹幕视频网 。本质上，它通过最小化前一帧和当前帧之间的光度误差来求得当前帧的（粗略）位姿：要理解它，你需要非线性优化的基本知识。同时，为了求目标函数相对于位姿的导数，你需要学习一些李代数的知识。这在我的博客和讲座中均有比较详细的探讨：视觉slam第4章_演讲•公开课_科技_bilibili_哔哩哔哩弹幕视频网非线性优化与g2o录像：http://pan.baidu.com/s/1c2qPdle由于不想在知乎打公式，所以请读者去看视频和讲座以了解其中原理（因为都已经讲过一遍了）。实现当中，SVO自己实现了高斯——牛顿法的迭代下降，并且比较取巧地使用了一种反向的求导方式：即雅可比在k-1帧图像上进行估计，而不在k帧上估计。这样做法的好处是在迭代过程中只需计算一次雅可比，其余部分只需更新残差即可（即G-N等式右侧的）。这能够节省一定程度的计算量。另一个好处是，我们能够保证k-1帧的像素具有梯度，但没法保证在k帧上的投影也具有梯度，所以这样做至少能保证像素点的梯度是明显的。实现当中另一个需要注意的地方是金字塔的处理。这一步估计是从金字塔的顶层开始，把上一层的结果作为下一层估计的初始值，最后迭代到底层的。顶层的分辨率最小，所以这是一个由粗到精的过程（Coarse-to-Fine），使得在运动较大时也能有较好的结果。值得一提的是，完全可以使用优化库，例如g2o或ceres来实现所有的步骤。在优化库中，可以选用更多的优化方式，而且L-M或Dogleg的结果也会比G-N更有保证。我自己就用两个库各实现过一遍。2.2 Frame-to-Map在2.1求解之后，我们得到了当前帧位姿的粗略估计。因为它是基于上一帧的结果来计算的，所以如果把它当作真实位姿估计的话，将有较大的累积误差。因此，需要进一步和地图之间进行特征点比对，来对当前帧位姿进一步优化。主要步骤如下：遍历地图中的所有点，计算在当前帧的投影位置。由于当前帧有粗略的位姿估计，这个投影位置应该与真实位置有少量误差（2~3个像素）。对每个成功投影的地图点，比较这些点的初始观测图像与当前帧的图像。通过计算光度的误差，求取更精准的投影位置。这步类似于光流，在SVO中称为Refinement。根据更精确的投影位置，进行位姿与地图点的优化。这一步类似于Bundle Adjustment，但SVO实现中，是把Pose和Point两个问题拆开优化的，速度更快。判断是否生成关键帧，处理关键帧的生成。这里理解的难点是，地图点初次被观测到的图像与当前帧的图像进行比对时，不能直接对两个图像块求差，而需要计算一个仿射变换（Affine Warp）。这是因为初次观测和当前帧的位移较远，并且可能存在旋转，所以不能单纯地假设图像块不变。仿射变换的计算方式在PTAM论文的5.3节有介绍，似乎是一种比较标准的处理方式。（其实SVO的追踪部分和PTAM整个儿都挺像。）实现当中可能还需要注意一些细节。例如有些地方使用了网格，以保证观测点的均匀分布。还有Affine Warp当中需要注意特征点所在的金字塔层数，等等。此后的Bundle Adjustment部分和传统的区别不大，除了把pose和point分开计算之外。关键帧判断方面，SVO是比较薄弱的（考虑的东西太少），和ORB相比差了不少。-------------------------------------------------------------3 Mapping部分Mapping部分主要是计算特征点的深度。如前所言，单目VO中，刚刚从图像中提取的热乎的关键点是没有深度的，需要等相机位移之后再通过三角化，再估计这些点的深度。这些尚未具备有效深度信息的点，不妨称之为种子点（或候选点）。然而，三角化的成功与否（以及精度），取决于相机之间的平移量和视线的夹角，所以我们通常要维护种子点的深度分布，而不是单纯的一个深度值。牵涉到概率分布的，往往都是理论一大堆屁话，实际可以操作的只有高斯分布一种——高斯只要在计算机里存均值和协方差即可。在逆深度[8]流行起来之后，用逆深度的高斯分布成了SLAM中的标配。然而SVO却使用了一种高斯——均匀混合分布的逆深度（由四个参数描述），推导并实现了它的更新方式，称为Depth Filter。它的工作逻辑大概是这样的：如果进来一个关键帧，就提取关键帧上的新特征点，作为种子点放进一个种子队列中。如果进来一个普通帧，就用普通帧的信息，更新所有种子点的概率分布。如果某个种子点的深度分布已经收敛，就把它放到地图中，供追踪线程使用。当然实现当中还有一些细节，比如删掉时间久远的种子点、删掉很少被看到的种子点等等。要理解Depth Filter，请搞清楚这两件事：基于高斯——均匀的滤波器，在理论上的推导是怎么样的？Depth Filter又是如何利用普通帧的信息去更新种子点的？第1个问题，请参照论文[4],[7],以及[7]的补充材料，以及补充材料的补充材料。相信研究SVO的人应该都推导过，并不很难，静下心来推一遍即可，我当时也就一块小白板就推完了。在SLAM群的群文件里有一个depth filter.pdf，也给出了推导过程：或者请看SVO原理解析 - 路游侠 - 博客园 。我觉得应该用不着把公式在知乎上再敲一遍……第2个问题，你需要搞明白极线搜索这件事。由于种子点的深度不确定，它在别的帧里看起来就在一条直线（极线）上：于是你从这条极线的一个端点走到另一个端点，把每处的图像块都和参考的去比较，就可以（可能）找到正确的匹配了。哦别忘了要Affine Warp一下……找到之后，让depth filter更新其深度分布即可。当然如果位移太小或视线平行性太高，让深度变得更加不确定也是有可能的。在理想情况下，你可以期待一个地图点经过不断观测之后收敛的过程。-------------------------------------------------------------4 评述以上就是SVO的基本工作原理了。那么，这样一套系统实际工作起来效果如何呢？相比于其他几个开源方案有何优劣呢？首先要澄清一点的是：开源版本的SVO，是一个比较挫的版本。相比于LSD或ORB，我还很少看到有人能一次性把SVO跑通的。但是从论文上看，开源版本并不能代表SVO的真实水平。所以应该是心机弗斯特开源了一个只有部分代码的，不怎么好用的版本，仅供学习研究使用。相比之下，DSO，LSD，ORB至少能够在自己数据集上顺利运行，而ORB、LSD还能在大部分自定义的相机上运行，这点开源版本的SVO是做不到的。那么，抛开开源实现，从理论和框架上来说，SVO有何优劣呢？优点：着实非常快，不愧为稀疏直接法；关键点分布比较均匀；缺点：（不是我嫌弃它，确实有一堆可以吐槽的地方）首先这货是VO，不是SLAM，没有闭环。这意味着丢失后没法重定位——丢了基本就挂了。追踪部分：SVO首先将当前帧与上一个追踪的帧比较，以求得粗略的位姿估计。这里存在一个问题：这必须要求上一个帧是足够准确的！那么问题就来了：怎么知道上一个帧是准的呢？开源SVO里甚少考虑出错的情况。如果上一个帧由于遮挡、模糊等原因丢失，那么当前帧也就会得到一个错误的结果，导致和地图比对不上。又由于这货是没法重定位的，所以就。。。挂了呗。。。还是追踪部分。既然是直接法，SVO就有直接法的所有缺点。后面那位同学来背一遍直接法缺点？怕模糊（需要全局曝光相机）怕大运动（图像非凸性）怕光照变化（灰度不变假设）4. 地图部分：Depth Filter收敛较慢，结果比较严重地依赖于准确的位姿估计。如果统计收敛的种子点的比例，会发现并不高，很多计算浪费在不收敛的点上。相比于纯高斯的逆深度，SVO的Depth Filter主要特点是能够通过Beta分布中的两个参数a,b来判断一个种子点是否为outlier。然而在特征点法中我们也能够通过描述来判断outlier，所以并不具有明显优势。--------------------------------------------------------------------------------------------小结SVO是基于稀疏直接法的视觉里程计，速度非常快。代码清晰易读，研究SVO会有不少启发。但是开源实现存在诸多缺点，不实用。论文中效果应该不是这个开源代码能够实现的。--------------------------------------------------------------------------------------------参考文献[1] Foster et al., SVO: Fast semi-direct monocular visual odometry, ICRA 2014. [2] SVO 2.0[3] Foster et al., IMU preintegration on manifold for efficient visual-inertial maximum-a-posteriori estimation, RSS 2015.[4] Pizzoli, Matia and Forster, Christian and Scaramuzza, Davide, REMODE: Probabilistic, monocular dense reconstruction in real time, ICRA 2014. [5] Engel, Jakob and Schops, Thomas and Cremers, Daniel, LSD-SLAM: Large-scale direct monocular SLAM, ECCV, 2014. [6] Engel, Jakob and Koltun, Vladlen and Cremers, Daniel, Direct sparse odometry, 2016.[7] George Vogiatzis and Carlos Hernández, Video-based, real-time multi-view stereo, Image and Vision Computing, 2011.[8] Civera, Javier and Davison, Andrew J and Montiel, JM Martinez, Inverse depth parametrization for monocular SLAM, IEEE transactions on robotics, 2008.

2. 最强的NBA状元你觉得是谁？

很高兴能回答这个问题！

提起NBA选秀状元郎！那可是每支球队都想得到的球员，他们甚至可以改变一支球队的命运，也可以作为一支球队的建队基石，当然不是所有的状元郎都能在这个联盟发光发热，这其中也有一些水货状元打不出身价，那么自2007年至今最强状元是谁，让我们来分一下。自2007年至今产生了13位NBA选秀状元，包括5位外线，1位锋线，7位内线。格雷格·奥登

据选秀前的体测数据显示，奥登的穿鞋后身高2.13米，臂展达到2.24米，站立摸高为2.84米。原地起跳0.81米，助跑起跳0.86米，禁区往返跑11.67秒，四分之三场地冲刺仅用3.27秒。作为一个大个子，他不仅身高臂长，能蹦善跳，而且，其速度和灵活性竟然丝毫不逊于小个子。如果不是伤病这个选秀模板是奥尼尔+奥拉朱旺的天才的职业生涯会取得辉煌的成就。

德里克·罗斯

2008年NBA选秀中于首轮第1顺位被芝加哥公牛队选中，新秀赛季当选NBA年度最佳新秀并夺得NBA全明星技巧挑战赛冠军，2009-10赛季入选NBA全明星替补阵容。2010-11赛季，22岁的罗斯荣膺NBA常规赛最有价值球员（MVP），成为NBA历史上最年轻的MVP，该赛季入选NBA最佳阵容一阵和NBA全明星赛首发阵容。2011-12赛季再度入选NBA全明星赛首发阵容。

但是这又是一个被伤病摧毁的天才，NBA最年轻的常规赛MVP获得者，如果不是伤病“风城玫瑰”会取得比现在更好的成就，虽然现在依然在联盟里效力，但已经远不如受伤以前，忘不了罗斯得到50分流泪的画面，包含了太多的情感，和只有自己才懂的心酸。布雷克-格里芬

虽然缺席了新秀赛季，但是格里芬也没有让人失望，2010-11赛季当选最佳新秀、入选最佳新秀第一阵容；3次入选全明星阵容，2011年全明星阵容扣篮大赛上获得冠军；4次入选最佳阵容。

2009年的状元郎已经成为一名相当出色的组织前锋，得分、篮板、助攻、三分样样精通，被交易到活塞后，格里芬屡次打出了职业生涯代表作，扣将的帽子早就已经摘掉，如今的白魔鬼已经进化不少，新赛季格里芬场均25.6分8.3个篮板5.3次助攻的表现也更加全面，养生打法的格里芬会越来越出色。约翰·沃尔

墙哥是2010年的状元，以速度著称的沃尔从进入联盟以来就展现了强大的竞争力。约翰·沃尔于2010年以选秀状元身份进入NBA，新秀赛季入选最佳新秀阵容第一阵容，2011年全明星新秀挑战赛当选MVP;2014-15赛季入选最佳防守阵容第二阵容;2016-17赛季入选最佳阵容第三阵容;5次入选全明星阵容。位5届全明星球员职业生涯能得到19+9的优秀数据。

凯里-欧文

2011年骑士在概率很低的情况下获得了状元签，欧文的表现也对得起自己状元郎的身份，凯里·欧文2011年以选秀状元身份进入NBA，新秀赛季当选最佳新秀；2014年首次入选全明星正赛先发阵容，并当选最有价值球员；同年代表美国队参加男篮世界杯，获得冠军并当选MVP；2014-15赛季入选最佳阵容第三阵容；2015-16赛季随骑士队获得NBA总冠军。职业生涯场均可以贡献22分3.5个篮板5.6次助攻1.3次抢断并且多次展现了自己的大心脏。如今的欧文是很多年轻人的偶像眼花缭乱的运球过人，灵活的脚步动作让人印象深刻！！

安东尼-戴维斯

2012年鹈鹕用首轮第一顺位选中了安东尼-戴维斯，新秀赛季戴维斯场均13.5分8.2个篮板1次助攻1.2次抢断1.8次封盖已经展现了不俗的实力，但是从第二个赛季开始戴维斯便开启了场均20+10+1+2（得分、篮板、抢断、封盖）的全面表现。到目前为止，戴维斯已经收获了一座全明星MVP奖杯、三个盖帽王、三次一阵、两次二防、一次一防的成就。

随着职业生涯的深入，戴维斯已经展现了内线的统治力，不仅拥有出色的进攻技巧，还拥有强悍的防守能力，如果能够保证身体健康，戴维斯必将开启属于自己的时代。安东尼-本内特

本内特可谓是历史上最水的一名状元，当时他在2013年的选秀大会上以首轮第一顺位被克利夫兰骑士队选中，原本以为他可以为这支球队带来一些帮助，然而到了比赛场上他完全找不到自己的定位，作为一名大前锋，他的身高只有203厘米，虽然他的体重达到117公斤，但是他却显得很笨拙，在场上完全没有活力，进攻端也没有良好的投篮手感，防守端移动脚步又迟缓，因此他也成为各支球队最不受欢迎的球员，先后辗转几支球队都没有取得进步，可以说他是这十几位状元中混得最差的一位！

安德鲁-维金斯威金斯在场上司职小前锋和后卫，也就是锋卫摇摆人，拥有不俗的冲击力和得分能力，他的身高达到203厘米，这样的身高完全具备打小前锋的条件，臂展达到213厘米也还不错，站立摸高达到272厘米，不过体重只有88公斤，因此他的体型显得很瘦弱，对抗能力也不算太强，与那些强壮的锋线球员对比还是落于下风，这名球员属于攻强守弱型的锋卫摇摆人，因此他的防守能力一直不被认可，除了防守一般外，他的进攻还需要提高效率，提高关键时刻的大心脏能力。卡尔-安东尼-唐斯唐斯是新时代内线球员的代表，对于森林狼来说，唐斯就是最重要的宝贝。在进攻端，唐斯是所有战术的基础。因为有战术体系的倾斜，加之队友的辅助，本赛季唐斯场均可以拿到26.5分和4.4次助攻，两项数据均是生涯新高。而且唐斯场均可以命中3.3个三分，是同位置球员里场均三分命中数最多的一个。当然，作为一个中锋，唐斯在内线的表现也可圈可点。本赛季唐斯有285次出手都是发生在油漆区，其中命中了184个，命中率达到64.6%。唐斯是一个非常契合时代的球员，他的出手大多是在禁区或者是在三分线以外，这也就使得唐斯的进攻非常高效。其实如果只看数据，唐斯是一个完美的内线球员，而如果从实际表现来看，唐斯并没有达到合格标准，存在刷数据的行为。本-西蒙斯

本西蒙斯拥有2.08米的身高却打的是控卫，关键这么高的身高还有很好的协调性和灵活性，这就非常难得，所以西蒙斯从新秀赛季就惊艳了所有人，人人都从他身上看到了詹姆斯的身影，场均得到16.9分，8.5篮板，7.4助攻和1.9次抢断，就技术层面而言，西蒙斯的射术不佳。西蒙斯虽然场均有接近17分入账，但他并不是一个出色的射手，他更多的得分来自于篮下，虽然休赛期苦练了射术，开赛以来也看到了他在比赛中增加了中远投，但是还是要持续增强自己的投射能力。

马克尔-富尔次

作为17年选秀状元的富尔茨为什么一直没打出身价，其实这是有一定原因的，过去的一个赛季富尔茨基本上没有打多少场比赛，所以他对于NBA的对抗还有比赛节奏其实都不算很熟悉，再加上和队友一起打比赛的时间并不长，所以导致富尔茨可能到现在为止还不能担任球队绝对核心的一个原因。但除了这些以外，其实导致富尔茨无法打出水平最致命的一点是因为富尔茨患有一种运动障碍性的疾病——易普症。确实是让人有点心疼这个状元的，据说富尔茨在今年夏天投了15万次投篮，甚至比科比当年特训的时候还要多，我们要给他足够多的耐心，期待他越来越好。

德安德烈-艾顿

艾顿其实在季前赛就已经让无数球迷惊喜，不仅有超强的身体素质，除了他的身体素质之外，艾顿最大的优势在于低位和跳投结合的能力，能够把这三件事结合起来，加上快速的脚步移动和靠谱的运球能力，让他成为了一个强力进攻型球员。因为他多场砍下20+10，展现了十足的内线统治力。而来到新赛季后，艾顿还能砍下14.3+10.7+3的数据，但是缺点还是有的，尽管他拥有顶尖的身体条件，但他的抢断率和盖帽率分别在0.8%和6.3%，在历史上的乐透秀中都差到排得上号。只要太阳耐心的培训，这支球队迟早有一天能重回季后赛。蔡恩-威廉姆森

蔡恩-威廉姆森蔡恩-威廉姆森最让人叹为观止的地方，他的身体天赋！蔡恩-威廉姆森身高2.01米，但是体重却高达129公斤，虽然说体重很重但是丝毫不影响他的灵活性，拥有后卫般的速度和敏捷，利用体重和爆发力碾进内线的超框暴扣更是家常便饭。这意味着在进入NBA之后，蔡恩面对如今盛行的小球联盟以及新规则的吹罚下，要比当年詹姆斯面对的防守环境更宽松，也更加难以阻挡，手快眼快，走位积极，不需要拿球就有进攻威胁：掩护、前场篮板。所以可以是个好队友。他的无球和防守嗅觉很好，但是缺点也明显有点射程（但不稳定），有面筐运球技（但不稳定），有爆发力背身（但只擅长右肩翻身，和格里芬一样只有一侧威胁），有一定的传球手法和视野，需要持续提高自己的能力，找准自己的定位。所以根据上面的分析个人觉得最强状元应该是安东尼戴维斯，不管从进攻还是防守都非常出色，随着比赛经验的增长，已经没有太明显的短板。大家觉得呢，欢迎来讨论！！

3. ac男模是什么意思？

andrew christian ，一个内裤的品牌

4. 怎么做好一位ceo？

Comparably今天宣布了美国年度最佳CEO奖的获奖者。获奖者来自员工对其Comparably.com的员工提供的评级，微软CEO Satya Nadella在榜单中排名第一。“微软有数千名员工参与了这项调查。Nadella得到了他的团队令人难以置信的分数，“Comparably的联合创始人兼首席执行官Jason Nazar说。

“三年多以前，微软并不是科技领域的宠儿。现在，他们成为世界上最有价值的公司。我认为团队对他为建立这项业务所做的工作感到非常兴奋。“

根据Comparably的报告，微软员工也很欣赏他在发生意外时的处理方式。

具体榜单（第二图为中小企业最佳CEO）：

Top 50 Best CEOs of Large Companies (Ranked)

1. Satya Nadella, Microsoft (Redmond, WA)

2. Craig Menear,The Home Depot (Atlanta, GA)

3. Sundar Pichai, Google(Mountain View, CA)

4. Brad Smith, Intuit (Mountain View, CA)

5. Brian Halligan,HubSpot (Cambridge, MA)

6. Jeff Bezos, Amazon (Seattle, WA)

7. Bert Bean,Insight Global (Atlanta, GA)

8. Alex Shootman,Workfront (Lehi, UT)

9. Marc Benioff, Salesforce (San Francisco, CA)

10. John Legere,T-Mobile (Bellevue, WA)

11. Lynn Jurich, Sunrun (San Francisco, CA)

12. Timothy Cook, Apple (Cupertino, CA)

13. W. Craig Jelinek, Costco (Issaquah, WA)

14. Julie Sweet, Accenture (US) (New York, NY)

15. Carlos Rodriguez, ADP (Roseland, NJ)

16. Doug Mack, Fanatics (Jacksonville, FL)

17.John Van Siclen, Dynatrace (Waltham, MA)

18. Rami Elghandour, Nevro (Redwood City, CA)

19. Elon Musk, SpaceX/Tesla (Hawthorne, CA)

20. Mike Morhaime,Blizzard Entertainment (Irvine, CA)*

21. Bryce Maddock,TaskUs (Santa Monica, CA)

22. Cathy Engelbert,Deloitte (US) (New York, NY)

23. Ed Bastian,Delta Air Lines (Atlanta, GA)

24. Ryan Smith,Qualtrics (Provo, UT)

25. Michael Dell, Dell (Round Rock, TX)

26. Jamie Dimon, JPMorgan Chase & Co (New York, NY)

27. Dara Khosrowshahi, Uber (San Francisco, CA)

28. Amy Zupon, Vertafore (Denver, CO)

29. Harley Lippman, Genesis10 (New York, NY)

30. Hubert Joly, Best Buy (Bloomington, MN)

31. Andrew Cecere, U.S. Bank (Minneapolis, MN)

32. Reed Hastings,Netflix (Los Gatos, CA)

33. Mark Zuckerberg,Facebook (Menlo Park, CA)

34. Steven Berglund, Trimble (Sunnyvale, CA)

35. Mark Parker, Nike (Beaverton, OR)

36. Bob Sulentic, CBRE (Los Angeles, CA)

37. Susan Wojcicki,YouTube (San Bruno, CA)

38. Colin Doherty,Fuze (Boston, MA)

39. Michael Sullivan, Acquia (Boston, MA)

40.Daniel Schulman, PayPal (San Jose, CA)

41. Frederick Smith, FedEx(Memphis, TN)

42. Richard Fairbank, Capital One (McLean, VA)

43. Arne Sorenson, Marriott (Bethseda, MD)

44. Gene Hall,Gartner (Stamford, CT)

45. Gail Boudreaux,Anthem, Inc. (Indianapolis, IN)

46. Bruce Cerullo,Nordic Consulting (Madison, WI)

47. Brian Roberts,Comcast (Philadelphia, PA)

48. Scott Wagner,GoDaddy (Scottsdale, AZ)

49. Mary Barra,General Motors (Detroit, MI)

50. William McDermott,SAP (Newtown Square, PA)

*Mike Morhaime is now the former Blizzard CEO and the one rated for these awards. The new CEO took Office in Oct. 2018.

Top 50 Best CEOs of Small/Mid-Size Companies (Ranked)

1. David Cancel,Drift (Boston, MA)

2. Sameer Dholakia,SendGrid(Denver, CO)

3. Giuseppe Incitti,Sitetracker (Palo Alto, CA)

4. Robert Wahbe,Highspot (Seattle, WA)

5. Gavan Thorpe,Boostability (Lehi, UT)

6. Mahe Bayireddi, Phenom People (Ambler, PA)

7. Ariel Cohen, TripActions (Palo Alto, CA)

8. Greg Besner, CultureIQ (New York, NY)

9. Bob Pritchett, Faithlife (Bellingham, WA)

10.Whitney Wolfe Herd, Bumble (Austin, TX)

11. Howard Brown, RingDNA (Sherman Oaks, CA)

12. Scott Wolfe Jr.,zlien (New Orleans, LA)

13. Brian Hartnack,Archer Education (Los Angeles, CA)

14. Brew Johnson,PeerStreet(El Segundo, CA)

15. Nick Mehta, Gainsight (Redwood City, CA)

16. Blake Murray,Divvy (Lehi, UT)

17. Steve Carlson, ForwardLine Financial (Woodland Hills, CA)

18. Stephane Donze, AODocs (San Francisco, CA)

19. Harry Glaser, Periscope Data (San Francisco, CA)

20. Sean Kelly, SnackNation (Culver City, CA)

21. Alexander Austin,Branch Metrics (Redwood City, CA)

22. Anindya Datta,Mobilewalla(New York, NY)

23. Cynthia Barreda, NetCentrics (Herndon, VA)

24. David Glass, LHP Engineering Solutions (Columbus, OH)

25. Timothy Harris, Swift Navigation (San Francisco, CA)

26. Timo Rein,Pipedrive (New York, NY)

27. Francis Davidson, Sonder(San Francisco, CA)

28. Erik Huberman, Hawke Media (Santa Monica, CA)

29. Christine Crane, BoldLeads (Chandler, AZ)

30. Karl Mehta,EdCast (Mountain View, CA)

31. Matt Westgate, Lullabot (Providence, RI)

32. John Wise,InvestCloud (West Hollywood, CA)

33. Ryan Malone, SmartBug Media (Newport Beach, CA)

34. Zohar Dayan, Wibbitz (New York, NY)

35. Oleg Rogynskyy, People.ai (San Francisco, CA)

36. Chuck Goetschel, Rallio (Irvine, CA)

37. Max Roper, Appetize (Los Angeles, CA)

38. Sam Shank, HotelTonight (San Francisco, CA)

39. Robert Blatt, MomentFeed (Santa Monica, CA)

40. Anant Kale,AppZen (San Jose, CA)

41. Dustin Moskovitz, Asana (San Francisco, CA)

42. Gleb Polyakov, Nylas (San Francisco, CA)

43. Peter Swaniker,Ximble (Carlsbad, CA)

44. Steve Elliott, AgileCraft (Austin, TX)

45. Alan Rich, Chrome River Technologies (Los Angeles, CA)

46. Brooke LeVasseur, AristaMD (La Jolla, CA)

47. Christian Gormsen, Eargo (San Jose, CA)

48. Shafat Qazi, BQE Software (Torrance, CA)

49. Sarah Nahm, Lever (San Francisco, CA)

50. Kylie Wright-Ford, Reputation Institute (Cambridge, MA)

5. 安德鲁王子亲爹？

菲利普亲王。

约克公爵安德鲁王子，全名安德鲁·阿尔伯特·克里斯蒂安·爱德华（Andrew Albert Christian Edward），1960年2月19日出生于白金汉宫，是英国女王伊丽莎白二世和爱丁堡公爵菲利普亲王的次子，相传也是伊丽莎白女王最疼爱的儿子。

6. 香港有AndrewChristian品牌吗？

有，在西武百货，地址的话，九龙西部的旺角有一家，价格不是很贵吧

7. 安姓都有那些名人？

以下是一些知名的姓安的名人：

安徒生（Hans Christian Andersen）：丹麦作家，被誉为童话之父，创作了许多经典的童话故事，如《小美人鱼》、《丑小鸭》等。

安妮·弗兰克（Anne Frank）：犹太裔德国女孩，因为纳粹迫害而躲藏在阁楼中，她的日记《安妮日记》成为了世界文学的经典之作。

安格斯·迪顿（Angus Deaton）：英国经济学家，因为对消费、贫困和福利经济学的研究而获得了2015年诺贝尔经济学奖。

安东尼·霍普金斯（Anthony Hopkins）：英国演员，以其出色的表演技艺而闻名，曾获得奥斯卡最佳男主角奖，代表作品包括电影《沉默的羔羊》。

安妮·海瑟薇（Anne Hathaway）：美国女演员，曾获得奥斯卡最佳女配角奖，参演了《穿普拉达的女王》、《悲惨世界》等知名电影。

安迪·沃霍尔（Andy Warhol）：美国艺术家，代表着波普艺术运动，以其独特的绘画风格和对大众文化的描绘而闻名。

这只是一小部分姓安的名人，还有许多其他领域的知名人士也姓安。