- 博客(20)
- 收藏
- 关注
RSS订阅原创 强化学习基础和代码实现
Critic：评估当前动作的价值并更新，这部分本质上和DQN网络一致，这里选择的下个状态的Q value是基于actor网络基于下个状态输出的最佳动作，因为Critic网络目的是学习能够准备估计当前策略下的预期回报，从而指导actor进行策略更新。注：Q-learning和Sarsa的区别在于对更新过程选择的目标Q值，前者选择下一状态的最大Q值，后者根据当前策略选择下一状态的Q值。Q-learning：关键更新公式如下，可以是off-policy也可以是on-policy。
2023-12-28 22:20:38
419
原创 贝叶斯推理以及贝叶斯滤波算法推导
具体来说就是系统给出了一个机器人系统上一时刻的置信度和限制的控制量和观测量，第一步预测现在的置信度也就是先验的部分，而第二部分更新结合了测量结果得到当前的后验概率。先验概率由以往的经验给出，似然概率又当前模型给出，贝叶斯准则简短的一行公式提供了很多工程应用指导。，因为这里很多时候是一个常数，所以也称作归一化常数。贝叶斯准则说明了一个什么道理呢？
2023-11-16 03:55:28
176
原创 Linux学习笔记
shell是一个接受键盘输入命令的程序，它可以把命令传递给操作系统去执行。当最后一个字符是“#”不是“$”，说明是超级用户权限，如以root身份登录。在shell中复制粘贴要用shift+ctrl+c和shift+ctrl+v或者鼠标中键粘贴。切换虚拟终端，通过Ctrl+Alt+F1到Ctrl+Alt+F6访问，返回图形化界面是Alt+F7。
2023-04-13 19:11:16
255
1
原创 笔记：从NeRF-＞GRAF-＞GIRAFFE
笔记：从NeRF->GRAF->GIRAFFENeRF:输入的数据为一个场景和这角度图像和相应的相机参数来提高观测角度，得到5D数据（(x,y,z),(θ，φ)），以MLP的参数来表征该场景，输出（(r,g,b),σ）。注：σ是一定的，只与position有关，但是color根据不同的视角不同不一样，所有由（(x,y,z),(θ，φ)）共同决定。volume rendering：T(t)为透光率，σ(r(t))是点的体密度，c(r(t),d)是点的颜色提出了两个优..
2022-05-01 21:42:36
790
2
原创 StyleGAN系列学习笔记
StyleGAN系列学习笔记：先上效果图：-StyleGAN相比于pix2pix和cycleGAN的优点主要在于，可以对style的解耦和实现对style的可控性增强。我们重点关注StyleGAN如何实现对特征的解耦和融合。StyleGAN的前身是proGAN,主要思想是从低分辨率的图像训练GAN，然后逐代增大生成图像的分辨率。（每次训练G和D只有一个网络）先来大致看一下StyleGAN的pipeline：其主要分为Mapping network和Synthesis..
2022-04-29 23:15:10
739
原创 笔记：半监督的3D语义分割
笔记：半监督的3D语义分割半监督的意义：解决三维点云标注的时间和成本代价。基于点云的深度学习问题voxel-based method 需要大量的memory costview-based method 对3D数据的密度敏感point-based method 表现比较好，但是需要大量的标注信息paper1:Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation
2022-04-08 21:31:36
3370
2
原创 笔记：基于点云的语义分割的小样本学习
笔记：Few-shot learning for tackling open-set generalization：基于点云的语义分割的应用：场景理解，给点云中每一个点赋予特点的语义标签。（如自动驾驶）小样本学习的意义：解决太过于依赖大量标定数据，减少成本；可以提高泛化能力,识别未曾见过的目标。paper1:Few-shot 3D Point Cloud Semantic Segmentation提出问题：rely on large amounts of labeled trai
2022-04-07 23:33:44
1293
原创 MMdetection3d环境搭建和使用避坑记录
MMdetection3d环境搭建和使用避坑记录官方github:https://github.com/open-mmlab/mmdetection3d官方文档：https://mmdetection3d.readthedocs.io/本文以在MMdetection3d平台简单训练和测试pointpillars为例，推荐一套不容易报错的一条龙配置流程。推荐使用Anaconda创建虚拟环境，这样方便管理环境（比如重装）：conda create -n open-mmlab python=3.7
2022-01-22 16:48:51
1984
1
原创 LOL改成英文版（整活篇）
放假在家必须做的一件事就是燃LOL，整点小活，把游戏改为英文版。因为在网上搜到的改某个配置文件并不管用，于是我亲自找遍了游戏的配置文件，逐个尝试，终于还是成功了，分享并记录一下，免得自己以后忘记了又要重找。英雄联盟\Riot Client Data\User Data\Config路径下，将RiotClientSettings文件用记事本打开，将en_US改为ch_CN就好了。（改完之后新装备和新英雄技能可能看不懂，哈哈哈 - -！）...
2022-01-20 14:00:53
3087
1
原创 Five aspects of researches about automatic drive perception by Waymo
Main stream network model:Pointpillar: Fast Encoders for Object Detection from Point Clouds by Lang et al.paper:https://arxiv.org/pdf/1812.05784.pdfPV-RCNN++:Point-Voxel Feature Set Abstraction for 3D Object Detection by Shi et al.paper:https:/
2021-12-11 21:28:53
2118
原创 Real-Time tracking system based on jetson nano
Leg Tracking Systempreface: use limited computing resources and storage resources to achieve low-cost real-time target detection and tracking.specialty:Low-cost embedded development.传统的目标检测方法，受光线影响较大，基于当下流行的深度学习算法，测试低成本嵌入式开发的实际性能，更加贴近机器人开发实际工程，包含硬件
2021-12-01 15:52:21
3140
原创 海康威视在linux下使用笔记——ros驱动相机
经过两天的踩坑，因为是第一次用海康威视的相机，下面是海康的相机在linux下的二次开发和在ros下驱动的笔记。一、下载官方海康威视Linux系统的MVS SDK：官方网址：海康机器人-机器视觉-下载中心 选择“机器视觉工业相机客户端MVS V2.1.0（Linux）”下载。解压后有适应各种架构计算机的压缩包：其中常用的是： 树梅派：armhf架构 jetson nano: aarch64架构 PC: x86_64架构 解压后安装：里面有一个IN.
2021-10-20 22:23:25
12705
9
原创 基于二轴云台目标跟踪系统设计
文章目录前言 机器学习之前的目标检测研究 一、系统总览 上位机及其功能 下位机及其功能 二、基本方案设计 云台结构设计 机器视觉运算需求分析 三、目标识别算法与跟踪算法 运用HOG特征结合SVM的目标识别和跟踪算法 改进的HOG+CamShift跟踪算法 YOLOv3目标检测 四、云台跟踪控制 PID算法及改进 串口通讯协议 前言文...
2021-10-18 17:34:14
6917
4
原创 浅谈机器人感知——激光雷达、摄像头的分类、区别和应用
机器人感知：一、常用传感器： lidar* or radar camera* IMU GPS 编码器 二、lidar分类及特点： 单线雷达：二维、功耗低、精度高、能耗低、数据少。 如：Hokuyo公司的UTM-30LX 多线雷达：三维、范围大、信息全面、数据大。（贵） 如：LIVOX的Horizon：三、lidar 和 camera的区别: lidar: 主动探测、稀疏、精度高、深度信息好、频率...
2021-09-19 17:00:49
924
原创 实用笔记：git clone源地址太慢，换源
Github国内镜像网站可以用github.com.cnpmjs.org# git clonegit clone https://github.com/username/xxx.git# 换源到国内源 github.com.cnpmjs.orggit clone https://github.com.cnpmjs.org/username/xxx.git
2021-09-13 22:36:34
1253
原创 基于stm32f103的简易自制手柄
文章目录前言 一、模块准备 二、电路走线 三、通信协议 总结前言这是wtr第一版自制手柄。软件部分在github上：https://github.com/zhuzhengming/wtr_diy_joystick#wtr_diy_joystick一、模块准备模块包括stm32f103最小系统板，无线as32-ttl串口模块，矩阵键盘，两个摇杆模块，spi通信显示屏。如图为大致排版：二、电路走线下图为几个模块的连接线路，需要做的：在..
2021-08-24 17:35:50
1830
原创 Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（三）——应用在ROS上
文章目录前言 一、darknet_ros代码简析 二、修改ros驱动包的文件内容 三、ros系统下运行效果 总结前言Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（一）——环境配置Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（二）——训练自己的权重文件在前文的环境配置工作和简单测试之后，制作了自己的数据集并训练了自己的权重文件，接下来是将这个网络模型，应用到ros上。提示：以下是本篇文章正文内容，下
2021-08-24 17:17:09
3451
5
原创 Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（二）——训练自己的权重文件
文章目录前言 一、安装darknet包和编译 工程包下载 编译 下载预训练模型并简单测试 二、制作自己的训练集并训练 准备数据集 数据标注 生成训练集和测试集 修改必要的文件 开始训练 总结前言经过之前的准备，基本已经具备了darknet运行的环境条件了，接下来是安装和编译darknet包和简单测试，准备自己的数据集训练自己的权重文件。一、安装darknet包和编译（一）代码下载：可以直接参考github主页：https://gith
2021-08-24 16:47:17
4269
16
原创 Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（一）——环境配置
文章目录前言 一、Darknet简介 二、环境要求 三、准备工作 四、正式安装 安装显卡驱动 安装cuda 总结前言这是基于轻量级深度学习框架darknet的yolo3模型实践在ros平台下实现训练自己的数据集来进行目标识别的过程记录。本文主要手把手带你配置darknet框架需要的环境配置。一.Darknet简介：Darknet是一个轻量级深度学习框架，是一个完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，在makefile里面选择自己
2021-08-24 16:03:21
1946
6
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