- 博客(15)
- 收藏
- 关注
RSS订阅原创 无人机仿真与路径规划平台
本平台基于ROS与Gazebo，面向三维空间的多旋翼无人机仿真、三维避障路径规划与自主飞行控制。支持三维RRT路径规划、三维球体障碍物建模、全自动一键运行、可视化与轨迹分析。真正的三维RRT路径规划与避障三维球体障碍物建模与碰撞检测支持无人机起点降落、路径跟随、飞控仿真全流程一键启动，自动加载RViz可视化配置代码结构清晰，易于二次开发与扩展。
2025-07-02 17:41:56
1898
1
原创 第七章：总结
了解了人工智能、机器学习和深度学习的关系理解了神经网络的基本概念和历史发展看到了神经网络在现实世界中的广泛应用神经网络的核心思想是模仿人脑的工作方式，通过大量简单的计算单元（神经元）相互连接，形成能够学习和适应的复杂系统。关键概念：神经元：基本的计算单元，接收输入并产生输出权重：连接强度，决定输入对输出的影响程度偏置：阈值，决定神经元激活的难易程度激活函数：引入非线性，增加网络的表达能力深度学习的旅程才刚刚开始。这个领域发展迅速，每天都有新的突破和发现。
2025-06-26 22:09:47
863
原创 第 6 章：进阶话题
本章探讨深度学习中的进阶话题，重点分析过拟合问题及其正则化解决方案。过拟合表现为模型在训练数据上表现优异但在新数据上表现不佳，类似于"死记硬背"。通过PyTorch代码示例，展示了复杂模型容易产生过拟合的现象，以及如何通过Dropout等正则化技术进行改善。Dropout通过在训练时随机关闭部分神经元，防止模型过度依赖特定神经元，从而提升泛化能力。实验对比证明正则化模型能产生更平滑的预测曲线，有效降低过拟合风险。这些技术对于构建稳健的深度学习系统至关重要。
2025-06-26 22:01:06
995
原创 第五章：常见的神经网络架构
本章系统介绍了三种核心神经网络架构。卷积神经网络（CNN）通过局部感受野和参数共享高效处理图像数据，典型结构包括LeNet和ResNet。循环神经网络（RNN）及其变体LSTM/GRU专为序列数据设计，能捕捉时序依赖关系。Transformer基于自注意力机制，突破性地解决了长距离依赖问题，成为NLP和CV领域的首选架构。每种架构在适用场景、计算效率和特征提取能力上各具优势，选择合适的架构是深度学习成功的关键。文末通过MNIST识别案例展示了CNN的实际应用。
2025-06-26 20:59:28
1106
原创 第 4 章：第一个神经网络实战——使用 PyTorch
在将图像送入模型之前，我们通常需要进行一些预处理。转换为张量：将 PIL 图像或 NumPyndarray转换为 PyTorch 的Tensor格式。归一化 (Normalization)：将张量的像素值从[0, 255]的范围缩放到一个更小的、以 0 为中心的范围，例如[-1, 1]。这有助于加速模型收敛并提高性能。我们可以使用将这些操作串联起来。# 定义一个转换流程transforms.ToTensor(), # 将图片转换为张量，并将像素值从 [0, 255] 归一化到 [0.0, 1.0]
2025-06-25 09:24:20
1596
原创 第 3 章：神经网络如何学习
在第二章中，我们详细了解了神经网络的静态结构：由神经元组成的层，以及连接它们的权重和偏置。现在，我们将进入整个教程最核心的部分：神经网络是如何从数据中"学习"的？这个学习过程是一个动态的、不断调整自身参数以求更佳预测的过程。让我们从第一步开始。
2025-06-24 22:19:25
924
原创 第 2 章：基本组成部分：神经元与层
在第一章中，我们从宏观上了解了神经网络是什么以及它的强大之处。现在，是时候深入其内部，一探究竟了。本章我们将聚焦于构成神经网络的最基本单元——神经元（节点），以及它们是如何组织成"层"的。我们将从历史上第一个，也是最简单的神经元模型开始。
2025-06-24 22:00:51
1051
原创 第 1 章：神经网络简介
从最直观的层面理解，人工神经网络（Artificial Neural Network, ANN）是一种模仿生物神经网络（尤其是人脑）结构和功能的数学模型。它的初衷是让计算机能够像人一样思考和学习。
2025-06-24 21:39:08
722
原创 基于启发式算法的旅行商问题 (TSP) 求解器
旅行商问题 (Traveling Salesman Problem, TSP) 是一个经典的组合优化问题。问题描述为：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短可能路径。本项目使用两种不同的启发式算法来寻找该问题的近似最优解。
2025-06-24 21:22:43
432
原创 基于Gazebo仿真环境的智能车辆导航控制
本项目是一个基于 ROS (Robot Operating System) 和 Gazebo 的高保真仿真平台，专为学习、测试和验证经典的自动驾驶路径跟踪控制算法而设计。平台集成了一个四轮差速驱动机器人模型、一个带有多样化场景的城市世界，并内置了从基本PID到高级MPC的多种控制算法实现。
2025-06-20 15:37:23
1637
原创 《多传感器融合 SLAM 系统的设计与实现》—— 基于 IMU-Lidar-RTK 的 EKF 融合定位
本文提出了一种基于IMU-Lidar-RTK多传感器融合的EKF-SLAM系统，通过扩展卡尔曼滤波框架实现高精度定位与建图。系统创新性地融合了RTK、IMU和激光雷达数据，解决了单一传感器在信号遮挡、漂移等问题。算法层面实现了基于FPFH特征的快速点云配准、多尺度ICP优化和高效回环检测机制。项目采用模块化设计，包含数据预处理、传感器融合、位姿估计等完整流程，适用于智能物流、自动驾驶等场景。数学上结合了IMU预积分、点云配准和EKF状态估计，通过离散化处理实现了鲁棒的位姿跟踪。实验验证表明该系统能够有效提升
2025-05-28 20:07:40
1836
原创 基于卡尔曼滤波的GPS与IMU融合定位轨迹估计
卡尔曼滤波（Kalman Filter）是一种基于线性系统的递归滤波算法，广泛应用于估计系统状态、去除噪声干扰和预测系统行为。
2025-03-20 20:06:42
1218
原创 基于 YOLO 的多任务识别算法
YOLO（You Only Look Once）系列算法在目标检测领域取得了显著进展。图像划分：将输入图像划分为S×S的网格，每个网格负责检测其中心落在该网格内的目标。特征提取：使用卷积神经网络（CNN）提取图像特征。边界框预测：每个网格预测B个边界框，每个框包含位置（x, y, w, h）和置信度。类别预测：每个网格预测C个类别的条件概率。损失函数：使用平方误差损失函数，综合考虑定位误差、置信度误差和分类误差。改进特征提取：采用Darknet-19作为主干网络，提升特征提取能力。
2024-12-30 17:27:34
2312
原创 基于U-Net（CNN）网络的数字图像分割
最终，Dice Loss 通过 1 - Dice 系数 进行定义，确保损失越小，Dice 系数越大，说明预测结果与真实标签越相似。Dice 系数的取值范围在 [0, 1] 之间，其中 1 表示预测结果和真实标签完全重叠，0 表示完全不重叠。到此为止，我们的数据集的准备就结束了，接下来我们就需要对于我们的数据集进行预处理阶段。输入图像 -> 编码器(3层) -> 桥接层 -> 解码器(3层) -> 输出层。其中，白色部分就是我们所圈出来的数字部分。
2024-10-25 16:49:47
2031
1
原创 基于YOLOv5的手写数字识别模型
在本文中，我们将探讨如何使用YOLOv5来构建一个手写数字识别模型。尽管YOLOv5主要应用于通用目标检测任务，但通过适当的数据准备和模型调整，它也可以用于手写数字的检测和识别。我们将一步步展示如何从数据准备、模型训练到最终的预测与评估。
2024-10-15 23:46:54
4235
5
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