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

-+

海里的果

个人学习请多指教

  • 博客(20)
  • 收藏
  • 关注

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 21:57:30 540 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 23:05:38 127 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 21:33:14 233

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 18:41:47 143

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 22:21:56 379

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 19:46:02 727

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 21:43:31 949

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 18:11:55 297

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 1605

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 18:02:25 404

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 2199 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 21:57:26 848

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 1247

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 1114 1

原创 轨迹预测经典论文之一 TNT:Target-driveN Trajectory Prediction

车辆轨迹预测论文阅读

2023-03-12 18:43:22 2888 2

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 9665 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 10:10:46 156

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 21:51:15 175

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 6610

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 22:26:24 331

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