Leo@Apas

原创 STM32G0单片机自带RTC

STM32有个自带RTC外设，外接32.768KHz的晶振后可得到相对精确的计时功能。实测了一个一小时快个1秒多。

原创 STM32单片机串口数据接收处理框架

在使用STM32单片机串口接收不固定长度数据包时，采用了每个字节中断，然后接收存储的方式，前面一直会有错误，尤其是波特率比较高（可能相对于该款单片机的主频，其他中断任务过多），甚至到后面没法接收到数据的情况。

原创 wsl里面安装使用locate

WSL：WSL（Windows Subsystem for Linux）是微软在Windows 10及更高版本中引入的一个功能，它允许用户在不需要传统虚拟机或双系统的情况下，直接在Windows上运行Linux二进制可执行文件（ELF格式）。locate：在Ubuntu系统中，locate命令是一个非常快速且高效的工具，用于查找文件或目录。但是安装完locate后，使用时提示：/var/lib/plocate/plocate.db: No such file or director。就是没有文件数据库。

原创 STM32G431收发CAN

PB8作为CAN_RX，PB9作为CAN_TX，连接一个CAN收发器TJA1051T/3。

原创 STM32单片机内存映射

单片机的Flash，RAM，各个系统寄存器，共享同一地址空间32位单片机，意味着这个地址空间有2^32 byte，即4G，完全足够分配给实际的存储。所以所有的真实存储会映射到同一的4G大小的地址空间内，有序排放。-以STM32G4单片机为例几点：代码段：存放程序等，由真实的Flash映射到这段RAM段：存放变量，或者特殊情况下（如内存模式调试等）的代码堆（heap）和栈（stack）：会被分配到RAM段内。堆可以由用户程序用malloc等函数使用，栈用作局部变量和函数传递参数。全局变量：

原创 C++常用库

C++作为一种功能强大的编程语言，其强大的功能来源于其丰富的类库及库函数资源。

原创 C++17中的并行STL算法

C++17引入了并行STL（Standard Template Library）算法，这允许你在多核处理器上并行执行常见的STL算法，从而提高性能。因此，在实际应用中，你可能需要进行性能测试来决定是否使用并行算法。要使用并行STL算法，你需要确保你的编译器和标准库支持C++17，并且通常需要使用特定的编译选项来启用C++17标准。注意，使用并行算法时，算法函数中的操作必须是无副作用的（即线程安全的），否则可能会导致未定义行为。使用并行STL算法非常简单，你只需要在调用算法时指定执行策略即可。

原创 现代C++中的for循环

在现代C++（特别是C++11及以后的标准）中，for循环经历了一些显著的改变和增强，使得它更加灵活和强大。

原创 C++ 20的条件判断语句的增强

C++20 引入了一些新的特性和改进，使得条件判断语句更加灵活和强大。

原创 C++ 的协程

协程函数使用co_awaitco_yield（对于生成器）或co_return来控制其执行流程。下面是一个简单的例子，展示了如何使用co_await来挂起和恢复协程的执行。// 一个简单的awaitable对象，它会在一段时间后“完成”} // 协程需要挂起void await_suspend(std::coroutine_handle<>) const noexcept {} // 挂起时的操作（这里为空）

原创 C++ 23的格式化输出

库的改进可能包括一些小的增强和额外的功能，但核心功能和使用方法与 C++20 是兼容的。要获得最新的信息和具体的改进内容，建议查阅最新的 C++ 标准文档或相关编译器的文档。在 C++23 中，它可能会变得更加标准或有所改进，但具体情况取决于标准的最终定义和编译器的实现。库本身的核心功能没有大的变化，但可能会有一些小的改进和额外的功能。然而，需要注意的是，具体的改进内容可能因编译器和标准库实现的不同而有所差异。库（也称为 C++20 的标准库格式化功能）的进一步支持和可能的增强。在 C++23 中，虽然。

原创 原子操作 std::atomic

是 C++11 引入的一个模板类，用于实现原子操作。原子操作是不可分割的操作，它们在多线程环境下可以安全地执行，而无需额外的同步机制（如互斥锁）。提供了对基本数据类型的原子操作支持，如整数、布尔值、指针等。以下是。

原创 std::thread 多线程

C++11 标准库引入了多线程支持，使得 C++ 程序能够更高效地利用多核处理器。

原创 多线程同步原语std::shared_timed_mutex 和 std::shared_lock

和是 C++11 标准库中提供的多线程同步原语，用于实现更灵活的读写锁机制。它们允许多个线程同时读取共享数据，但在写入时，只允许一个线程独占访问。是一个读写锁，它允许多个线程同时持有共享锁（用于读操作），但只允许一个线程持有独占锁（用于写操作）。当某个线程持有独占锁时，其他任何尝试获取共享锁或独占锁的线程都会被阻塞，直到独占锁被释放。truefalsetruefalselock()try_lock()truefalsetruefalseunlock()是一个锁管理类，专门用于管理或的共享锁。

原创 智能指针std::weak_ptr

是一个模板类，它用于观察一个由管理的对象，而不拥有该对象。这意味着不会增加被观察对象的引用计数，因此当所有实例都被销毁时，对象仍然会被正确释放，即使还有实例指向它。

原创 智能指针std::shared_ptr

是一个模板类，用于管理动态分配的对象。它允许多个实例共享对同一个对象的所有权。当最后一个拥有该对象所有权的被销毁或重置时，它所管理的对象也会被自动删除。这种机制有助于避免内存泄漏和悬挂指针等问题。

原创 卡尔曼滤波算法Kalman filter algorithm

一、假如状态向量服从高斯分布：而且状态转移是线性的：测量是状态的线性关系（带噪声）初始状态的置信度也是正态分布二、卡尔曼滤波的算法流程为

原创 智能指针 std::unique_ptr

是 C++11 引入的一种智能指针，它实现了独占所有权语义，即同一时间内只能有一个拥有某个对象。当被销毁时（例如，离开其作用域时），它所管理的对象也会被自动删除。这有助于防止内存泄漏和野指针问题。以下是。

原创 C++中的Lambda表达式

Lambda 表达式是现代 C++（C++11 及以后版本）引入的一项功能，它允许你定义匿名函数对象。Lambda 表达式在编写简短的回调函数、算法操作以及需要传递函数对象的地方非常有用。

原创 多变量高斯分布

原创 git使用的一般流程

Git的一般工作流程是一个循环迭代的过程，涉及多个关键步骤，这些步骤帮助开发人员有效地管理项目版本和协作开发项目。

原创 std::future怎么使用？

是 C++11 引入的一个类模板，用于表示一个异步操作的结果。它通常与std::async或线程池等一起使用，以便在不阻塞当前线程的情况下获取其他线程或异步任务的结果。以下是如何使用。

原创 三路比较运算符＜=＞

这是默认的三路比较运算符声明，它会被编译器自动实现为基于成员的比较。如果你的类有成员变量，并且这些成员变量也支持三路比较运算符，那么编译器会自动为你的类生成这个运算符的实现。double b;if (a!} else {在这个例子中，MyClass的首先比较成员变量a，如果a不相等，则直接返回a与other.a的比较结果；如果a相等，则继续比较成员变量b。

原创 noexcept 是什么？

noexcept是C++11引入的一个关键字，用于指定一个函数或函数模板在运行时是否不会抛出异常。当函数被标记为noexcept时，它向编译器和程序的其他部分承诺不会抛出任何类型的异常。这一特性有助于提高代码的安全性和性能，因为编译器可以根据这一信息进行优化，避免生成处理异常的额外代码。

原创 C++各个版本的主要特性

C++是一种高级编程语言，以其强大的功能、灵活性和高效性而闻名。随着C++标准的不断更新，C++语言持续发展，各个版本引入了不同的主要特性，以适应现代软件开发的需求。

原创 处理ASAM-MDF格式的开源python库asammdf

asammdf是一个强大的Python库，专为处理ASAM（Association for Standardization of Automation and Measuring Systems）MDF（Measurement Data Format）文件而设计。MDF是一种用于存储测量和诊断数据的标准格式，广泛应用于汽车工程、航空航天以及其他领域。以下是对asammdf。

原创 ASAM-MDF4标准格式

ASAM-MDF4（Measurement Data Format version 4）即测量数据格式版本4，是ASAM（Association for Standardization of Automation and Measuring Systems，自动化与测量系统标准化协会）的标准文件格式，专门用于汽车行业以二进制文件格式存储测量数据。

原创 ros2中使用launch.xml启动时，怎么在命令行里设置参数，或者加载参数文件（params.yaml）

在ROS2中使用launch.xml启动时，可以通过命令行设置参数或加载参数文件（如params.yaml）。

原创 ASAM OpenX系列标准

ASAM OpenX系列标准包括OpenDRIVE、OpenCRG、OpenSCENARIO等多个子标准，每个标准都针对仿真测试场景的不同方面进行了详细规定。这些标准共同构成了自动驾驶仿真测试领域的重要基础，为全球自动驾驶技术的发展提供了有力支持。

原创 OpenSCENARIO简介

OpenSCENARIO是ASAM OpenX系列标准之一，与OpenDRIVE和OpenCRG等标准共同构成了自动驾驶仿真模拟系统集成、测试评估领域的重要基石。它主要关注于描述驾驶模拟应用程序中的动态内容，如交通参与者的行为以及他们如何与其他参与者和环境进行交互。

原创 Lanelet2与OpenDrive和OpenStreetMap的关系

Lanelet2、OpenDrive和OpenStreetMap在自动驾驶和智能交通系统中都扮演着重要角色，但它们之间在功能和用途上存在一些差异。

原创 ros2里面python编写的包中setup.py的语法

文件时，需要确保所有指定的元数据和依赖关系都是准确的，并且与你的包的实际内容相匹配。文件是一个Python脚本，用于定义包的元数据、依赖关系以及安装和分发包的指令。这个文件是Python包的标准配置方式，ROS 2中的Python包也遵循这一约定。部分包含了对ament资源索引的引用，这是ROS 2包的一部分，用于标识包的存在和位置。但是，请注意，在ROS 2中，Python节点通常不是作为独立的命令行工具来运行的，而是通过ROS 2的节点管理器（如。应该是一个字符串，表示你的包的版本号。

原创 ros2里面的launch.py的语法

ros2 的启动python文件的语法

原创 ros2里launch.xml文件语法

remap>ROS 2 中的文件用于定义一组节点、服务、参数等的启动配置。这些文件遵循 XML 语法，并使用 ROS 2 的特定标签和属性来定义启动时的行为和配置。随着 ROS 2 的发展，ROS 2 引入了系统，它使用 Python 脚本（通常是.launch.py文件）作为主要的启动文件格式，但 XML 格式仍然被支持，特别是在一些旧的项目或为了与 ROS 1 兼容的场合。然而，值得注意的是，在 ROS 2 Foxy 及以后的版本中，XML 格式的启动文件（）已经不再是官方推荐的方式。

原创 大陆ars408雷达上传的扫描到的对象（object）的CAN消息

目标列表目标输出列表有5个消息组成，并且以固定的时间间隔发送，通过标识 RadarCfg_OutputType(0x200)。1、 Object 0 Status(0x60A)第一条消息包含列表头信息2、 Object 1 General(0x60B)此消息包含目标的位置和速度，并且反复在所有抓到的目标中发送。3、Object 2 Quality(0x60C)此消息包含目标的重要消息，并且反复在抓到的目标中发送。

原创 ROS 2中，CMakeList.txt常见语法

在ROS 2中，CMakeList.txt 文件扮演着配置和管理构建过程的重要角色。这个文件遵循CMake的语法，用于定义如何编译和链接源代码。下面是一些在ROS 2项目CMakeList.txt文件中常见的语法和用法。

原创 pytorch学习笔记7 tensor基本数学运算

如果是（4,3,28,32）与(4,1,64,32)，则会先做广播（broadcast）处理，再做矩阵乘法。floor: 下取整， ceil：上取整，trunc：整数部分 ， frac：小数部分，round：四舍五入取整。或者torch.add, torch.sub, torch.mul, torch.div。函数把所有数据限定在指定范围内,小于最小值的会用最小值替代，大于最大值的用最大值替代。一个参数表示（min），两个参数表示（min，max）Exp(e的x次方), log（e为底的对数）

原创 pytorch学习笔记6 tensor拼接和拆分

dim必须首选相同（上例都是3），其次除了合并的dim（上例中为dim0）外，其它dim的size必须相同（dim 1的size是32，dim2的size是8），否则需要手动处理到相同再合并。stack叠加，会增加一个新维度，下图显示stack与cat的差别。split 按长度拆分。chunk 按数量拆分。

原创 pytorch学习笔记5 tensor 广播broadcasting

可广播的条件：右对齐，有dim的size必须是1（或者size相同），再扩展到相同size；没有dim，先插入dim，size=1，再扩展到相同size。否则不符合广播操作条件。=>[4,32,14,14] 做到与Feature maps的shape相同，才能进行相加。不同shape直接加减，系统会自动做broadcasting操作。比如：Feature maps： [4,32,14,14]先右对齐（小维度对齐）

原创 pytorch学习笔记4 tensor变换

transpose操作之后要用contiguous()把存储空间规整到一起，再使用view。transpose（d1,d2）d1和d2维度交换。permute 重新按参数排列各维度数据。