- 博客(20)
- 收藏
- 关注
RSS订阅原创 半小时搞定 C++ 在 windows + vscode 上部署
近几年都是用vscode 做IDE，涉及C++编程，在Linux上也没涉及很复杂的配置操作，大的工程有cmake, 单文件直接裸用gcc 编。今天想windows环境下部署c++环境，实话说已经N多年没在win平台用过C++了，相关记忆停留到上学时期的dev c++ IDE + win 版gcc编译器的安装。搜了半小时，发现现在在csdn上相关教程内容质量堪忧，要么乱要么老。最后还是按照官方教程（yyds, 永远紧跟官方指南，不要一开始就baidu）走了一遍流程，过程很顺利，希望能给相关的同学一些参考。
2023-10-04 21:57:30
616
1
原创 C++ 知识点总结（持续更新）
override可以让编译器在编译时检查子类是否正确地重写了父类的虚函数。主要是提醒编译器检查。只能用于虚函数的重写时。不能用于非虚函数和静态函数。virtual 是修饰成员函数的关键字，修饰的函数称之为虚函数。不加virtual，则不能在运行时绑定，只能按照定义时候的对象调用。如基类指针，编译时候即绑定了基类的成员函数。虚函数属于运行时候的多态，使用基类指针调用不同的派生类的成员函数。如果自己写了构造函数，编译其则不会生成默认构造函数。如果还需要，则可以用。
2023-08-20 23:05:38
132
1
原创 《动手学强化学习》- 学习笔记一
机器学习分预测型和决策型。决策型就是强化学习。特点是，决策能影响环境，引起环境的改变。特点：转变到新的状态，获得即时奖励，随着时间的推移最大化积累奖励。
2023-06-18 21:33:14
240
原创 强化学习实操笔记（二）
DQN系列 。对有一些游戏来说，它的state 和 action 很多，这个Q矩阵就会很膨胀，甚至有时action不是离散的，是不可数的。所以用一个Q矩阵来做评估就有点捉襟见肘了，D**QN的思想就很简单，提出了可以利用神经网络来计算Q矩阵**，因为Q矩阵的作用，无非就是输入一个 tate 和 action 输出一个 分数q。**而且DQN还利用了离线学习的思路，对数据的利用率高**
2023-06-11 18:41:47
149
原创 强化学习实操笔记（一）
代码地址:下午无事，找个强化学习的教程回顾。这里是简要的一些笔记。假设你进入一个赌场，面对一排老虎机（所以有多个臂），每个老虎机都有一定的概率获取奖励，你试验的总次数是一定的，这就是从经典的多臂老虎机问题。这里就有在线学习及更宽泛的强化学习中一个核心的权衡问题：Conlict between exploitation and exploring。即我们是应该探索（exploration）去尝试新的可能性，还是应该守成（exploitation）
2023-06-10 22:21:56
386
原创 GAN系列学习之 cGAN 、lsGAN和DCGAN
生成时候，我们就可以选择移除，或者不移除feature map上有窗户的位置的特征，继续往下生成图像，得到下面的对比图，第一排是有窗户的，第二排是处理后生成的图片，网络删去了窗户，或者替换为了其他物体，这说明学到了窗户的特征。另外一种是 c=b=-1, a=0设置，这种设置的考虑是，很多情况下，输出的值是0-1之间的数，且希望G生成的尽可能真，也就是D对真正的x，和G生成的x’ , 也就是G(z)打一样的分。上图的是G的设计，100维度的z，线性变换后，reshape 4。
2023-04-15 19:46:02
761
原创 轨迹预测论文之八: Vision-based Intention and Trajectory Prediction in Autonomous Vehicles: A Survey
摘要的意思就是“我是一篇综述，我批判性比较了最近两三年的预测模型，总结了常见的数据集和对应的评价方法”。引言部分中有以下一些总结（ps: 基本是边看边翻译，有条件还是自己看下原文）：预测任务包括两个方面，一是其他道路参与者的意图，参与者包括车辆，行人，骑行人等，意图是指直行左转右转（这就是意图预测或者行为预测）；第二个方面就是参与者的轨迹预测。预测任务表现好可以帮助planning模块，避免交通事故，提升安全性，许多公司都专门建立的预测的pipeline。
2023-04-09 21:43:31
980
原创 GAN系列学习之 GAN
今天准备开一个新坑，回顾一下GAN系列的相关论文。GAN在AI领域，代表一个技术路线，或者一个门派，了解它是非常有必要的。当然在线AI领域一片欣欣向荣，图像生成领域也涌现了stable diffusion 这个新分支，在这个领域有压倒GAN的势头。GAN作为14年提出的模型，也是有很长的研究历史了。
2023-04-09 18:11:55
302
原创 轨迹预测论文之七：SCENE TRANSFORMER A UNIFIED ARCHITECTURE FOR PREDICTING MULTIPLE AGENT TRAJECTORIES
老文章分享多了，来看一篇预测领域比较新的论文，是2021年下半年的论文SCENE TRANSFORMER。视觉领域在VIT出来后的21年，各种变种的Vit如雨后春笋一般出现，迅速在视觉领域攻城掠地。到现在TRANSFORMER已经是各个领域最normal的一种结构了，预测领域也不例外。文章提出了一种对多目标轨迹预测的统一的框架，直观感觉，与之前最大的不同，就是大量使用attention结构进行信息交互。
2023-03-26 15:58:15
1669
原创 轨迹预测经典论文之六：Rules of the Road: Predicting Driving Behavior with a Convolutional Model of Semantic Int
分享的论文年代实在是越来越久远了，这篇文章是2019年初的论文了，是4年前的论文。回顾这样的论文，也就是大致看看思路，回顾下当时论文的关注点。
2023-03-19 18:02:25
417
原创 轨迹预测经典论文之五：MultiPath: Multiple Probabilistic Anchor Trajectory Hypotheses for Behavior Prediction
MultiPath2019年的一篇论文，也比较久远了，来自waymo，也是这个领域的一篇经典论文。这篇论文当时看的时候自己其实没有完全理解，似懂非懂，现在再回来回顾一下。其做法现在来看非常容易理解，文章认为轨迹的多模，或者说不确定新，来源于两部分，意图的不确定性和控制的不确定性。意图的不确定性，这部分，用trajectory anchor 解决， 在给定一个意图后，控制也会对未来的预测带来不确定性，这种不确定性认为在每个时刻都是服从正态分布的，这种不确定性就用参数化的与锚轨迹之间的offset来表示。
2023-03-19 13:31:35
2297
1
原创 轨迹预测经典论文之四：CoverNet: Multimodal Behavior Prediction using Trajectory Sets
添加链接描述趁着刚写完上篇，状态还在，快马加鞭，再回看一个2020年（这时代算是较古老了）的经典做多模轨迹预测的论文Covernet，文章思路不复杂，也是属于离散化，anchor-based，细节就不写太详细了，整体就算是回顾下预测领域data driven的一些发展历史吧。文章主要创新点，就在于把预测轨迹的问题，看作了一个离散轨迹簇下的分类问题（当然anchor-based这也不是首创）。这个离散轨迹，要保证对可能的状态空间的覆盖，也要满足车辆动力学方面的约束。
2023-03-18 21:57:26
895
原创 轨迹预测经典论文之三: HOME: Heatmap Output for future Motion Estimation
上篇讲了dense TNT，把sparse 输出转换为dense的，获得更多有用的信息，2021年也有一篇论文就是本文的HOME，也使用了dense的heatmap输出，有着相似的思想。不过这篇文章没有采用vectornet的编码形式，还是用的渲染的bev图作为encoder的输入。（Thomas还发表了GOHOME，改为了vector形式的输入，这是后话）。下面让我们看一下这篇论文是如何训练和利用heatmap的。
2023-03-18 18:20:33
1288
原创 轨迹预测经典论文之二 DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets
承接上篇的TNT，紧接着来回顾下Hang Zhao老师团队的Dense TNT。Dense TNT是21年发表的到现在一年半之久了，目前源码也放出来了（但比较乱, 建议还是不看了，理解思想最重要）它是在TNT基础上的改进。如摘要提到的那样，以前的anchor-based方法，需要预先定义好一个适合的预先撒goal点的方法，并且要设计相应的goal点选择算法（主要是为了得到多模的输出）。
2023-03-15 22:50:21
1163
1
原创 D*算法的思考与理解
D*算法：特点：后向搜索，或者说是反向计算。按照论文中的结果，比replan的效率高不少，在动态环境中表现优秀。这是因为它提前把地图信息都计算并存储的缘故。里面的节点被称为state,每个state有如下的值：tag:new,open,closed 分别标识三类节点，分别标识没有加入过open表的、在open表的、曾经在open表但现在已经被移走的。一开始所有的点的tag初值为new...
2019-10-13 12:14:39
9701
10
原创 冒泡、选择、插入、归并、快排
几种排序算法的理解？冒泡排序：扫描两趟，遇见不等的交换，第一趟扫描过后，最后一个必然是最大值。特点，稳定，o（n^2），空间o(1)，in-space算法，改进方向有：标记最后一个发生交换的位置，在该趟走到这里得时候就可以结束。如果某一趟这个位置前没有发生交换，则已经完成了排序插入排序：插入排序就像打麻将，一个个放入的。以第一个数为标杆，第二个数小于值就往前，大于之都往后，则前...
2019-10-13 10:10:46
158
原创 GIT 常用指令总结
闲来无事想总结一下git 操作指令，很多时候总结才有提高，不总结，老是容易记混。下面按照一般使用的顺序总结。1.初始配置需要配置用户名与邮箱。git config --global user.name "xxx"git config --global user.email "xxx@163.com"初始化本地和拉取远程代码库git initgit clone <u...
2019-10-12 21:51:15
179
原创 A*算法的思考与理解
A*算法是一种典型的启发式搜索算法，所谓启发，是指利用已知的全图信息，进行有方向性，有目的性的搜索。设起始节点为 s(start），终点为g(goal)，首先从A算法出发。一、评价函数A算法的评价函数：f(n) = g(n) + h(n)g*(n)：从s到n的最短路径的耗散值h*(n)：从n到g的最短路径的耗散值注意这里的带星号的都是最短路径g(n)、h(...
2019-10-10 22:32:13
6634
原创 appllo课程笔记之规划模块
视频链接：http://bit.baidu.com/Course/detail/id/294.htmlpart1：规划的本质是搜索，即在构造空间中搜索处一条最优的轨迹，它包含了路径信息和速度配置信息。规划在不同的领域有不同的含义：机器人领域：涉及RRT， A*，D* 等，控制领域，涉及MPC,LQR等，而在最新的人工智能领域，是生成状态道动作的映射，如强化学习，模仿学习等。...
2019-09-07 22:26:24
338
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