自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(9)
  • 收藏
  • 关注

原创 Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks论文阅读

我们的目标是共同推理和预测一个场景中所有智能体的未来轨迹。我们假设我们接收到一个场景中所有人的轨迹作为输入,X = X1, X2,…, Xn,并同时预测所有人未来的轨迹,Y = Y1, Y2,…Yn。行人的输入轨迹i定义为Xi = (x ti, yt i),从时间步长t = 1,…, tobs,和未来的轨迹(地面真相)可以类似地定义为Yi = (x ti, yt i),从时间步长t = tobs + 1,…, tpred。我们用Yi表示预测结果。

2024-04-20 20:18:09 874

原创 理解生成对抗网络

这样,G和D构成了一个动态对抗(或博弈过程),随着训练(对抗)的进行,G生成的数据越来越接近真实数据,D鉴别数据的水平越来越高。训练完成后,我们得到了一个生成模型G,它可以用来生成以假乱真的数据。它的输入参数是x,x代表数据,输出D(x)代表x为真实数据的概率,如果为1,就代表100%是真实的数据,而输出为0,就代表不可能是真实的数据。这个结果就是我们想要生成的图片,也就是通过学习来的F, 生成器能将一个随机向量的空间映射到训练数据的分布上, 通过一个随机向量能通过映射F生成一个符合训练数据分布的数据。

2024-04-20 18:10:31 1730

原创 Learning to Simulate Crowds with Crowds论文阅读

通过强化学习控制代理行为在多个领域一直引起人们的兴趣。其中一个主要焦点是模拟多智能体群体,在移动到目标的同时避免碰撞。尽管避免碰撞很重要,但也有必要捕获现实的预期导航行为。我们引入了一种新颖的方法,其中包括:1)用于学习最优导航策略的强化学习方法,2)用于纠正策略导航决策的基于位置的约束,以及3)用于选择策略控制参数的众包框架。基于最佳选择的参数,我们训练了多智能体导航策略,并在人群基准上进行了演示。我们将我们的方法与现有的工作进行比较,并证明我们的方法实现了卓越的多代理行为。

2024-04-18 16:48:30 594 1

原创 Data-Driven Crowd Simulation with Generative Adversarial Networks论文阅读

给定一组观察到的轨迹,我们使用最新形式的神经网络——生成对抗网络(GAN)来学习这组轨迹的属性并生成具有相似属性的新轨迹。为了显示我们的GaN在学习入口点分布方面的性能,我们计算了ETH场景中的500(假)入口点,并计算了样本在R边界上的分布。我们已经提出了一种数据驱动的人群模拟方法,它使用Gans来学习输入轨迹的属性,然后生成具有相似属性的新轨迹。与经典的“路线跟随”[6]的主要区别是,我们的轨迹有一个时间成分:它们规定了一个代理应该以什么速度移动,这个速度可能会随着时间的推移而改变。

2024-04-17 13:32:53 1595

原创 马尔可夫链蒙特卡罗法

可以采用传统的蒙特卡罗法,如接受-拒绝法、重要性抽样法,也可以使用马尔可夫链蒙特卡罗法。马尔可夫链蒙特卡罗法是以马尔可夫链为概率模型的蒙特卡罗法,它构建一个马尔可夫链,使其平稳分布就是要进行抽样的分布,首先基于该马尔可夫链进行随机游走,产生样本的序列,之后使用该平稳分布的样本进行近似数值计算。随机抽样(直接抽样法、接受-拒绝抽样法、重要性抽样法 等),可用于数学期望估计、积分近似计算,一般的蒙特卡罗法中的抽样样本是独立的,而马尔可夫链蒙特卡罗法中的抽样样本不是独立的,样本序列形成马尔科夫链。

2024-04-15 16:52:27 433 1

原创 数据驱动和模型驱动的区别

数据驱动是通过移动互联网或者其他的相关软件为手段采集海量的数据,将数据进行组织形成信息,之后对相关的信息进行整合和提炼,在数据的基础上经过训练和拟合形成自动化的决策模型。因此,数据驱动的过程是非常复杂的,需要有数据和不断的输入,然后需要模型根据比对决策结果和现实数据把偏差信息反馈给机器学习,在其后不断的机器学习迭代过程中自我完善。:数据驱动是模型去适应数据,模型是根据不同的数据而改变的。在我们身边的数据驱动的例子就是:1、电子购物软件中的定制推送,每个人的推送内容都是不同的,会根据你平时的浏览的数据生成。

2024-04-15 11:30:26 1100

原创 数字孪生理解

数字孪生的解释:综合运用感知、计算、建模等信息技术,通过软件定义,对物理实体进行描述、预测,进而实现物理空间与虚拟空间的交互映射。两个空间指的是现实空间与虚拟空间,二者信息实时联通并且能够进行交互:现实空间的数据反映到虚拟空间的描述中,虚拟空间的决策和处理结果反馈回现实空间。并且除此之外,衍生的一系列服务、解决方案、咨询、平台、工具等等,都是大家可以参与进去的身份。专注于数据的:数据采集(物联网相关)、数据处理、数据驱动模型(算法);模型层是核心:可视化模型、算法模型、数据模型(软件);

2024-04-15 11:09:35 142

原创 安装pyclustering模块

如果你已经在 Visual Studio Code 中导入了 Conda 环境,你可以在 VSCode 的终端中使用以下命令安装。请注意,为了避免版本冲突,建议在 Conda 环境中安装和管理你的 Python 包。是你创建的 Conda 环境的名称。是一个常用的 Conda 渠道,它提供了很多额外的包。,那里有很多社区维护的 Conda 渠道,你可以搜索并找到你需要的包。确保你的 Conda 环境是激活状态,或者在激活状态下运行上述命令。安装完成后,你就可以在你的 Python 代码中导入。

2023-11-13 17:40:57 212

原创 vscode中怎么导入conda环境

请注意,你也可以在 VSCode 的设置中手动配置 Python 解释器的路径,但上述步骤是使用 "Python: Select Interpreter" 命令的推荐方法,因为它提供了更直观的界面和更方便的选择。确保在 VSCode 的终端中使用正确的 Conda 环境,你可以运行。如果选择的 Conda 环境还没有在本地安装,VSCode 将会提示你安装环境。在列表中,你应该能够看到 Conda 环境的解释器。选择完 Conda 环境后,VSCode 将在右下角的状态栏显示你选择的环境。

2023-11-12 22:17:44 5025 1

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除