原创 機器學習1:模型評估
機器學習有兩個非常重要的問題: 1.How well is my model doing? 如果我們已經訓練好了模型,該模型效果如何,用什麼方式來檢爲測? 2.How do we improve the model based o
原创 機器學習2:錯誤與優化
1.錯誤類型 機器學習中常犯的兩個錯誤是,過於簡化模型,過於複雜化模型 2.交叉驗證 之前將數據分爲訓練集和測試集,判定模型效果,實際上犯了一個錯誤,將測試集參與了模型判定。 爲更客觀的反映模型效果,引入一個新的子集,交叉驗證集
原创 無人駕駛12:路徑規劃,生成路徑曲線
優達學城的第7個項目實現:https://github.com/luteresa/P7-Path-Planning.git 運動規劃問題: 配置空間 配置空間:定義機器人的所有可能配置,一般在二維空間中,定義爲[x,y, th
原创 無人駕駛11:行爲規劃
行爲規劃的內容包括車輛如何生成安全的、可行駛的軌跡以到達目的地: 我們會使用計算機視覺和傳感器融合得到的數據,來理解我們周圍的環境,也將使用從定位模塊得到的數據來精確理解我們具體置身何處,路徑規劃使用所有這些數據來決定下一步執行
原创 無人駕駛13:PID控制器
基於環境反饋的控制方法,叫做反饋控制。 控制模塊的目的是讓無人車能夠按照規劃好的路徑行駛,需要將環境當前的反饋和規劃的參考量進行比較,得到當前偏離參考量的誤差,並基於這個誤差設計一定的算法來產生輸出信號,使得誤差不斷變小,直到爲0
原创 無人駕駛10:行爲預測
預測模塊工作過程: 預測模塊根據輸入的地圖數據,以及傳感器融合的數據,生成並輸出一些預測數據, 這些預測數據,包含了周圍所有其他機動車以及其他移動物體的未來狀態。 通常,這些預測數據可以展示爲若干可能的運動軌跡。 預測數據還包括每
原创 無人駕駛8: 粒子濾波定位(優達學城項目)
優達學城無人車定位的項目實現: 粒子濾波算法流程圖 粒子濾波的僞代碼: step1:初始化 理論上說,當粒子數量足夠多時,能準確地呈現貝葉斯後驗分佈,如果粒子太少,可能漏掉準確位置,粒子數量太多,會拖慢濾波器,無法實時定位無人
原创 無人駕駛7:粒子濾波
粒子濾波定位原理和過程: 1.初始化:在已知地圖上隨機初始化N個粒子(N取合適值,太小,不足以估算真實位置,太大,增大計算量); 2.運動更新:根據運動模型,更新每個粒子狀態; 3.測量更新:根據傳感器測量融合信息,更新所有粒子狀
原创 無人駕駛9:路徑規劃(離散):A star算法
1 廣度優先搜索算法(Breadth-First_Search) 核心思想是,從起始節點開始,將它的所有Neigbors加入到下一步要搜索的預備隊列中; 然後從預備隊列按一定規則選出一個節點,重複上一步驟;直到找到目的節點。 1.
原创 無人駕駛14:PID控制器實例
這是優達學城PID控制器項目實現,這個調試方法是做項目時,mentor給的建議,實踐中,效果還蠻不錯~~ PID Controller the project require to create a PID Controller
原创 無人駕駛5: 貝葉斯公式
假設有個一維的方格,初始位置爲均勻分佈(因爲不知道任何信息) 測量更新 測量當前方格顏色之後,計算所有方格概率分佈 #Modify your code so that it normalizes the output for
原创 ubuntu 16.04安裝protobuf
下載源碼 $git clone https://github.com/protocolbuffers/protobuf.git $cd protobuf/ $git submodule update --init --recurs
原创 樣條函數--spline
參考鏈接:https://kluge.in-chemnitz.de/opensource/spline/ 主要功能: 給點若干點的前提下,擬合出儘量光滑的曲線,該曲線保證通過所有點。 該方法簡單易用,優於多項式擬合 用法: ste
原创 將conda虛擬環境添加到jupyter
激活conda環境 conda activate tf 將conda虛擬環境寫入kernel中 python -m ipykernel install --user --name 虛擬環境名字 --display-name "jupy
原创 ROS--2 開發環境安裝
2.1 安裝ROS 爲省時間,先用udacity的虛擬機環境;後續再裝實體機。 點贊 收藏 分享 文章舉報 雅克在路上 發佈了238 篇原創文章 · 獲贊 19 · 訪問量 1