<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Listron的专栏]]></title><description><![CDATA[站在巨人的肩膀上学习与成长(如果哪一天我不学习了，那一定是我死了)]]></description><link>https://blog.csdn.net/Listron</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Listron]]></copyright><item><title><![CDATA[xviz开发深层理解（一看就懂的小白理解模式）]]></title><link>https://blog.csdn.net/Listron/article/details/147414856</link><guid>https://blog.csdn.net/Listron/article/details/147414856</guid><author>Listron</author><pubDate>Tue, 22 Apr 2025 12:59:45 +0800</pubDate><description><![CDATA[在某种程度上，你可以将XVIZ看作是一个专门为大规模、时间序列的3D数据设计的“HTTP”，它就像是数据交换的通信协议。，deck.gl就会监听这个数据流，并在新的数据到达时进行更新。当XVIZ服务端生成新的数据并将其发送到客户端时，底层的WebSocket连接或其他类型的数据接口会接收这些数据，并触发一个事件。，deck.gl框架会处理剩余的工作，包括从正确的流中获取数据，并应用你定义的访问器函数（如。参数的值会依赖于你的XVIZ服务端配置：服务端定义了哪些数据流是可用的，以及它们的名称是什么。]]></description><category></category></item><item><title><![CDATA[向量数据库]]></title><link>https://blog.csdn.net/Listron/article/details/147049365</link><guid>https://blog.csdn.net/Listron/article/details/147049365</guid><author>Listron</author><pubDate>Mon, 07 Apr 2025 17:48:02 +0800</pubDate><description><![CDATA[通过对向量数据的操作，包括元素级算术和聚合，RedisVector 为处理向量提供了一个多功能环境，适用于处理和分析高维向量数据的机器学习应用，从而能够创建定制的推荐系统和基于相似性的准确搜索。向量数据库的主要优点是，它允许基于数据的向量距离或相似性进行快速准确的相似性搜索和检索。遗憾的是，这种方式无法进行混合检索。在向量检索的基础上，Milvus 支持数据分区分片、数据持久化、增量数据摄取、标量向量混合查询、time travel 等功能，同时大幅优化了向量检索的性能，可满足任何向量检索场景的应用需求。]]></description><category></category></item><item><title><![CDATA[激光雷达参数统计]]></title><link>https://blog.csdn.net/Listron/article/details/136586327</link><guid>https://blog.csdn.net/Listron/article/details/136586327</guid><author>Listron</author><pubDate>Sat, 09 Mar 2024 16:38:02 +0800</pubDate><description><![CDATA[另外，角分辨率大小决定了一次扫描能返回的样本点数以及该激光雷达所能检测的最小障碍物大小，比如2个激光光束相邻测距点的角度为0.4°，那么当探测距离为200m的时候，2个激光光束之间的距离为200m*tan0.4°≈1.4m。而盲区也会因为距离过近而产生，比如下图中，当物体紧贴激光雷达光罩时，性能好的激光雷达产品依然能够有效探测，做到“零盲区”，而有的激光雷达在0.2米时就产生盲区无法成像了。在类似于测绘，自动驾驶等场景下，激光雷达肯定是线数越高越好，但也有一个缺点，那就是。先给小伙伴们做一个小测试，]]></description><category></category></item><item><title><![CDATA[两万字简述自动驾驶决策规划常用算法]]></title><link>https://blog.csdn.net/Listron/article/details/135357853</link><guid>https://blog.csdn.net/Listron/article/details/135357853</guid><author>Listron</author><pubDate>Wed, 03 Jan 2024 10:46:07 +0800</pubDate><description><![CDATA[对于已经在OpenList中的4个格子，我们以它上面的格子S[2][2]举例，从起点A经由格子S[3][2]到达格子S[2][2]的G值为20（10+10）大于从起点A直接沿对角线到达格子S[2][2]的G值14。与PRM相同的是两者都是基于随机采样的算法，不同的是PRM最终生成的是一个无向图，而RRT生成的是一个随机树。对于图6所示的有向图，V可以表示为{A，B，C，D，E，F，G}，E可以表示为{，，，，，，}。]]></description><category></category></item><item><title><![CDATA[无人驾驶相关硬件汇总]]></title><link>https://blog.csdn.net/Listron/article/details/134545593</link><guid>https://blog.csdn.net/Listron/article/details/134545593</guid><author>Listron</author><pubDate>Wed, 22 Nov 2023 10:05:41 +0800</pubDate><description><![CDATA[激光雷达主要用于3D感知，是一种可以探测物体精确位置的传感器，其主要是通过对目标物发射激光信号，再根据从物体反射回来的信号时间差来计算这段距离，然后根据发射激光的角度来确定物体和发射器的角度，从而得出物体与发射器的相对位置。毫米波雷达主要用于障碍物感知，工作频段在毫米波频段的雷达，测距原理是根据收发之间的时间差测得目标的位置数据。主要用于无人车四围近距离障碍物的感知。可见光相机犹如人的“眼睛“，可以将现实世界的色彩以及形状信息转变为数字信息来为无人小车提供感知，主要用于白天以及夜间的障碍物感知。]]></description><category></category></item><item><title><![CDATA[使用 Python 实现一个简单的智能聊天机器人]]></title><link>https://blog.csdn.net/Listron/article/details/128844012</link><guid>https://blog.csdn.net/Listron/article/details/128844012</guid><author>Listron</author><pubDate>Thu, 02 Feb 2023 09:03:36 +0800</pubDate><description><![CDATA[智能对话机器人]]></description><category></category></item><item><title><![CDATA[5G时代的边缘计算]]></title><link>https://blog.csdn.net/Listron/article/details/127784292</link><guid>https://blog.csdn.net/Listron/article/details/127784292</guid><author>Listron</author><pubDate>Thu, 10 Nov 2022 10:37:36 +0800</pubDate><description><![CDATA[5g 边缘计算]]></description><category></category></item><item><title><![CDATA[V2X、OBU、RSU、V2V关系]]></title><link>https://blog.csdn.net/Listron/article/details/122956918</link><guid>https://blog.csdn.net/Listron/article/details/122956918</guid><author>Listron</author><pubDate>Wed, 16 Feb 2022 09:46:02 +0800</pubDate><description><![CDATA[1. V2X、OBU、RSU、V2V 名词术语解释
OBU： On Board Unit 车载单元
RSU： Road Side Unit 路侧单元
V2V： Vehicle to Vehicle 车与车通信
V2X： Vehicle to Everything 车辆到一切通信

2. V2X、OBU、RSU、V2V之间的协作关系
假设有两辆智能驾驶汽车A和B

A车具备：自动驾驶计算平台mdc、V2X设备OBU
B车具备：自动驾驶计算平台mdc、V2X设备OBU
智能驾驶道路路侧安装有: 路测单元RSU(]]></description><category></category></item><item><title><![CDATA[浅聊一下车载以太网技术及其EAVB和TSN技术]]></title><link>https://blog.csdn.net/Listron/article/details/122667741</link><guid>https://blog.csdn.net/Listron/article/details/122667741</guid><author>Listron</author><pubDate>Mon, 24 Jan 2022 15:06:21 +0800</pubDate><description><![CDATA[说起以太网，相信大家都很熟悉，毕竟在当下的信息时代，离开了网络的日子是无法想象的。但是，与普通的以太网相比，车载以太网是个什么鬼？为什么要单独提出来说？这二者之间又有什么区别呢？EAVB和TSN又是个什么高大上的东东？别着急，听我慢慢道来。。。

一、传统车载网络简介
很明显的，车载以太网本质上来说就是一种车载网络通信技术。所以，在开始介绍车载以太网之前，我们要先介绍一下传统的车载网络通信技术。传统的车载网络主要有CAN、LIN、FlexRay 及 MOST【他们之间的详细介绍，请参见我的另外一篇博文（几种]]></description><category></category></item><item><title><![CDATA[Hadoop的SecondaryNameNode和HA（高可用）区别]]></title><link>https://blog.csdn.net/Listron/article/details/120842486</link><guid>https://blog.csdn.net/Listron/article/details/120842486</guid><author>Listron</author><pubDate>Tue, 19 Oct 2021 11:15:10 +0800</pubDate><description><![CDATA[在Hadoop2.0之前，NameNode只有一个，存在单点问题（虽然Hadoop1.0有SecondaryNameNode，CheckPointNode，BackupNode这些，但是单点问题依然存在），在hadoop2.0引入了HA机制。Hadoop2.0的HA机制官方介绍了有2种方式，一种是NFS（Network File System）方式，另外一种是QJM（Quorum Journal Manager）方式。

一、SecondaryNameNode介绍

Secondary NameNode名字]]></description><category></category></item><item><title><![CDATA[知识图谱的重要性---大师就是大师]]></title><link>https://blog.csdn.net/Listron/article/details/120430909</link><guid>https://blog.csdn.net/Listron/article/details/120430909</guid><author>Listron</author><pubDate>Thu, 23 Sep 2021 11:05:09 +0800</pubDate><description><![CDATA[人工智能要在行业中得到应用的先决条件，首先要对行业建立起认知，只有理解了行业和场景，才能真正智能化。说白了，就是要建立行业知识图谱，才能给行业AI方案。

说到人工智能技术，人们首先会联想到深度学习、机器学习技术；谈到人工智能应用，人们很可能会马上想起语音助理、自动驾驶等等，不过，在AI World 2017世界人工智能大会上,百度副总裁、AI技术平台体系（AIG）总负责人王海峰却没有讲这些，这次他聊的是知识图谱。

虽然你可能说不出知识图谱的具体定义，但其实每天都在使用它。当你在百度搜索时，搜索结果右侧的]]></description><category></category></item><item><title><![CDATA[数据库与数据仓库区别]]></title><link>https://blog.csdn.net/Listron/article/details/120370308</link><guid>https://blog.csdn.net/Listron/article/details/120370308</guid><author>Listron</author><pubDate>Sat, 18 Sep 2021 16:47:31 +0800</pubDate><description><![CDATA[在具体学习数据仓库之前先看一下数据中心的整体构架以及数据流向。


	DB 是现有的数据来源，可以为mysql、SQLserver、文件日志等，为数据仓库提供数据来源的一般存在于现有的业务系统之中。
	
	
	ETL 是 Extract-Transform-Load 的缩写，用来描述将数据从来源迁移到目标的几个过程：

	
 Extract，数据抽取，也就是把数据从数据源读出来。
 Transform，数据转换，把原始数据转换成期望的格式和维度。如果用在数据仓库的场景下，Transform也包含数据清洗，清]]></description><category></category></item><item><title><![CDATA[hadoop2x从安装到测试伪分布式集群的wordcount]]></title><link>https://blog.csdn.net/Listron/article/details/120267454</link><guid>https://blog.csdn.net/Listron/article/details/120267454</guid><author>Listron</author><pubDate>Mon, 13 Sep 2021 15:32:58 +0800</pubDate><description><![CDATA[标题比较长，

主要完成的功能，

1:安装hadoop2.10.1

2:搭建伪分布式集群

3:测试自带的wordcount



遇到很多坑，需要自己填。



1:从hadoop官网下载tar的hadoop2.10.1安装包，之后解压；

这里我用的自己的阿里云服务器（这里有一些坑可能你遇不到，因为这个事阿里云和本地关系造成的）

2:修改各种文件，可以参考https://blog.csdn.net/xiaozhuangyumaotao/article/details/106010114

不过里面]]></description><category></category></item><item><title><![CDATA[Spark与Flink对比]]></title><link>https://blog.csdn.net/Listron/article/details/119993448</link><guid>https://blog.csdn.net/Listron/article/details/119993448</guid><author>Listron</author><pubDate>Mon, 30 Aug 2021 11:26:10 +0800</pubDate><description><![CDATA[Spark缺点
无论是 Spark Streaming还是 Structured Streaming,
Spark流处理的实时性还不够,所以无法用在一些对实时性要求很高的流处理场景中。
这是因为 Spark的流处理是基于所谓微批处理( Micro- batch processing)的思想,即它把流
处理看作是批处理的一种特殊形式,每次接收到一个时间间隔的数据才会去处理,所以天生很难在实时性上有所提升。
虽然在 Spark2.3中提出了连续处理模型( Continuous Processing Model)]]></description><category></category></item><item><title><![CDATA[3种负载均衡slb]]></title><link>https://blog.csdn.net/Listron/article/details/119891748</link><guid>https://blog.csdn.net/Listron/article/details/119891748</guid><author>Listron</author><pubDate>Tue, 24 Aug 2021 15:51:27 +0800</pubDate><description><![CDATA[Server Load Balancer，slb随着现在互联网的流量越来越大，稍微好一点的系统，访问量就非常大了，并且系统功能也越来越复杂，那么单台服务器就算将性能优化得再好，也不能支撑这么大用户量的访问压力了，这个时候就需要使用多台机器，设计高性能的集群来应对。

那么，多台服务器是如何去均衡流量、如何组成高性能的集群的呢？

此时就需要请出 「负载均衡器」 入场了。

负载均衡（Load Balancer）是指把用户访问的流量，通过「负载均衡器」，根据某种转发的策略，均匀的分发到后端多台服务器上，后端的]]></description><category></category></item><item><title><![CDATA[并行计算与分布式计算]]></title><link>https://blog.csdn.net/Listron/article/details/119889607</link><guid>https://blog.csdn.net/Listron/article/details/119889607</guid><author>Listron</author><pubDate>Tue, 24 Aug 2021 14:41:02 +0800</pubDate><description><![CDATA[并行计算、分布式计算以及网格计算和云计算都是属于高性能计算（HPC）的范畴，主要目的在于对大数据的分析与处理，但它们却存在很多差异。我们需要了解两者的原理、特点和运用的场合，对云计算的了解大有裨益。



之所以将两种计算技术放在一起，是因为这两种计算具有共同的特点，都是运用并行来获得更高性能计算，把大任务分为N个小任务。但两者还是有区别的，关于两者的区别在后面有介绍。



并行计算



1、并行计算概念



并行计算（Parallel Computing）又称平行计算是指一种能够让多条指令同时进行.]]></description><category></category></item><item><title><![CDATA[LIN总线、CAN总线、FlexRay总线和MOST总线]]></title><link>https://blog.csdn.net/Listron/article/details/119530946</link><guid>https://blog.csdn.net/Listron/article/details/119530946</guid><author>Listron</author><pubDate>Mon, 09 Aug 2021 09:36:48 +0800</pubDate><description><![CDATA[汽车中的电子部件越来越多，光是ECU就有几十个，这么多的电子单元都要进行信息交互。传统的点对点通信已经不能满足需求，因此必须要采用先进的总线技术。

车用总线就是车载网络中底层的车用设备或车用仪表互联的通信网络。目前，有四种主流的车用总线：CAN总线、LIN总线、FlexRay总线和MOST总线。

用一张表格来说明各种总线的区别



LIN总线



LIN（Local Interconnect Network）是面向汽车低端分布式应用的低成本（0.5美元），低速串行通信总线。它的目标是为现有汽车网络提]]></description><category></category></item><item><title><![CDATA[WebGIS概念]]></title><link>https://blog.csdn.net/Listron/article/details/118570161</link><guid>https://blog.csdn.net/Listron/article/details/118570161</guid><author>Listron</author><pubDate>Thu, 08 Jul 2021 11:34:41 +0800</pubDate><description><![CDATA[Web + GIS 就是，在Web网页上的GIS系统，我们可以在网页（浏览器）上进行GIS数据处理操作、可视化展示等。
WebGIS 三层架构主要为展示层、地图服务层、数据层，通过UML图形进行理解：




	3D WebGIS是近期未来的方向，因为大数据可视化，最佳配合展示方式是3D地图
	
	
	地图要素展示（建筑、路线信息），空间分析（最短路径、最快路径），数据分析可视化（交通实时情况），POI兴趣点（附近景点、商家、美食等）。
	
	
	Web服务器一般指网站服务器，简单的可以理解为，电脑上的文件]]></description><category></category></item><item><title><![CDATA[hadoop的初步认识]]></title><link>https://blog.csdn.net/Listron/article/details/118419998</link><guid>https://blog.csdn.net/Listron/article/details/118419998</guid><author>Listron</author><pubDate>Fri, 02 Jul 2021 17:19:51 +0800</pubDate><description><![CDATA[Hadooop 可以称作一个大数据管理和分析平台。

Hadoop 是一个开源的大数据分析软件，或者说编程模式。它是通过分布式的方式处理大数据的，因为开源的原因现在很多企业都在运用 hadoop 的技术来解决一些大数据的问题，在数据仓库方面 hadoop 是非常强大的。但在数据及时以及实时的分析展现层面上，hadoop 也有着明显的不足。

但 Hadoop 并不等于大数据，它只是一个成功的分布式系统，用于处理离线数据。

除了 Hadoop 之外，Storm 和 Apache Spark 也是优秀的大数.]]></description><category></category></item><item><title><![CDATA[自动驾驶定位系统-Global Navigation Satellite Systems (GNSS)]]></title><link>https://blog.csdn.net/Listron/article/details/118413922</link><guid>https://blog.csdn.net/Listron/article/details/118413922</guid><author>Listron</author><pubDate>Fri, 02 Jul 2021 14:19:02 +0800</pubDate><description><![CDATA[自动驾驶定位系统-Global Navigation Satellite Systems (GNSS)



高精度全局定位系统本质上可以看做一个级联的定位系统，先通过GNSS系统提供一个可能的位置范围，再利用激光雷达(Lidar)系统、视觉定位系统等方法进行局部环境的搜索匹配，从而实现厘米级的定位精度。由于需要由GNSS为高精度定位系统提供全局唯一的位置初值和误差范围，所以它在自动驾驶系统中的作用至关重要。

一、什么是GNSS

全球导航卫星系统(Global Navigation Satellite ]]></description><category></category></item></channel></rss>