Vulcan_Q的博客

承接上一篇博客，通过一个简单的Demo例子介绍了行为树的代码实现

文章介绍了行为树的基本概念以及介绍了MIT开源的行为树实现库——BehaviorTree.CPP的使用，包含部分C++的代码实现

VScode中配置keil的编写环境，解决头文件索引、STM32关键字波浪线报错等环境问题

本篇接上篇，介绍了空域图像增强方法中的领域运算，也即卷积运算。并基于此介绍了多种滤波器。最后，补充了二值化相关与形态学图像处理的相关知识

本篇博客主要介绍了图形处理的入门基本知识，相关的图像概念，以及空域图像增强的点运算部分

最近因为学习开发需要，要开始接触一些视觉相关的内容，拿到了一个Inter 的D435i深度相机，记录一下在Ubuntu18环境下配置SDK 包的历程。

工程测试技术课程作业，实现不同信号的输入与叠加以及实时观测，并使用matlab自带的播放功能，可以从听觉上感知信号的输出。

**reset()函数返回的是一个array类型以及其中数据的type！模拟游戏进行学习任务。因此需要将observation指定为真正需要的array信息即可,得到的的变量observation类型与Agent存储时的。因此怀疑返回的observation有问题，于是通过。报错信息提示为数据维度不对应，也即最初通过。在强化学习DQN网络代码实现过程中，针对。

本文为深度强化学习基础的第五篇，介绍了从离散控制进阶到连续控制，分别介绍了确定策略梯度方法进行连续控制，以及使用随机策略进行连续控制

本文Hi胜读强化学习基础的第四篇博客，主要学习记录了策略梯度中使用Baseline方法来降低动作价值函数的方差，提高收敛速度；并介绍了A2C方法，分析了其与Reinforce的联系与差别。

本文为深度强化学习的第三篇，承接上篇介绍了蒙特卡洛算法的应用，并结合TD算法的具体缺点，从两个角度介绍了两个改进方案——经验回放与高估问题优化，最后介绍了对DQN网络结构的优化——Dueling Network 结构

本文是深度强化学习基础的第二篇，从AC算法的角度接入，并介绍了AlphaGo的训练流程以及其中涉及到的相关知识。

本篇为深度强化学习基础的第一篇，回顾并介绍了强化学习中的一些基本概念，并初步阐释了神经网络在策略学习与价值学习中的应用。

本文为强化学习基础的第三篇内容，主要记录了基于动态规划方法求解贝尔曼期望方程的迭代算法，以及相应的迭代策略评估、策略迭代、价值迭代内容

本文为强化学习基础的第二篇内容，主要围绕马尔可夫性质与马尔可夫奖励、决策过程展开，并通过回溯图等形式深入分析了贝尔曼方程与贝尔曼最优方程的组成与意义

本文开始入门学习强化学习，主要介绍了强化学习本身的一些特点以及与智能体分类、基本组成相关的一些基本概念

针对lys_ws的新版Unitree_A1_motor SDK移植步骤详解

人工智能原理入门的最后一篇内容，主要实现了基于循环神经网络的语言处理过程，初步介绍了经典RNN网络结构以及LSTM网络结构

人工智能原理自学（四）——Keras手写体识别实验、卷积神经网络入门