- 博客(16)
- 收藏
- 关注
RSS订阅原创 基于matlab的RRT&RRT*算法实现以及可视化
学习记录-基于采样的路径规划算法内容来源RRT主要步骤动态效果展示优缺点：自己进行的改进尝试RRT*主要步骤NearCChooseParentrewire总结及动态效果图Informed RRT*其他优化RRT的方式总结内容来源记录学习深蓝路径规划课程-基于采样的路径规划一节的作业和笔记，实现基于matlab的RRT以及RRT*算法实现以及可视化。RRT伪代码树结构x, y记录此节点位置xPrev, yPrev记录父节点位置dist记录此节点到起点的距离(与作业源码不符，我自己进行了修改
2021-04-08 12:22:11
10333
8
原创 车载多传感器融合定位方案Pipeline：IMU，CNSS，LIDAR
Coursera自动驾驶-状态估计与定位的结课项目解析，利用CARLA仿真器提供的数据，基于Error-State Kalman Filter融合来自IMU,LIDAR,GNSS的数据完成对于车辆的状态估计与定位
2020-11-08 20:04:22
1463
2
原创 局部路径规划器的实现：有限状态机+conformal lattice
基于车道追踪，避障，车辆跟随，停车标志几个场景，说明下local planner的基本实现原理
2020-10-25 21:14:14
2484
1
原创 横向自动控制方法：Purepursuit, Stanley, MPC对比
基于Self-Driving car Course1作业，使用了不同的控制方式，比较了他们各自的特点
2020-09-30 16:10:15
7684
8
原创 自动驾驶课程笔记 longitudinal vehicle control 公式推导+代码作业
class Vehicle(Vehicle): def step(self, throttle, alpha): # ================================== # Implement vehicle model here #wheel angular velocity w_w = self.GR*self.w_e #engine torque Te = throttle..
2020-09-26 17:06:21
712
1
原创 Datawhale数据分析-建模与评估
建模与评估一级目录二级目录三级目录模型建立1. 清洗数据2. 选择模型3. 分割数据集4. 模型创建5. 输出预测结果评估1. 目的2. 交叉验证3. 评价数据对于一些思考问题的想法1. 清洗前后数据的不同:2. 数据集哪些差异会导致模型在拟合数据是发生变化3. 什么情况下切割数据集的时候不用进行随机选取4. 为什么线性模型可以进行分类任务，背后是怎么的数学关系5. 对于多分类问题，线性模型是怎么进行分类的6. 预测标签的概率对我们有什么帮助一级目录二级目录三级目录模型建立1. 清洗数据由于最初
2020-08-28 17:07:22
564
原创 Datawhale机器学习-向量机
机器学习-SVM笔记向量机的分类标准软间隔和硬间隔非线性核函数分类-高斯函数多分类参考向量机的分类标准将两个线性可分的点集(Linearly separable case)分类可以有很多种选择，但如何让机器学习后选择最佳的Decison Boundary？向量机（Support Vector Machine）给出的标准是：找出一条曲线, 使其距离两个类别的最近的样本最远支持向量：样本中距离超平面最近的一些点，这些点叫做支持向量。软间隔和硬间隔然而当样本数据有噪音点时，SVM同样需要处理欠/过拟
2020-08-26 20:06:30
264
原创 对几种数据可视化工具的用途
柱状图这类图形比较适合直观的表达离散型特征对分类结果的影响比如泰坦尼克号数据集中男女中死亡人数的可视化：#泰坦尼克号数据集中男女中死亡人数data.groupby(['Sex','Survived'])['Survived'].count().unstack().plot(kind='bar',stacked='True')# stack: 两个图标叠加在一起plt.title('Survived people')plt.ylabel('Number')plt.xlabel('Sex')
2020-08-24 23:03:35
392
原创 Datawhale数据重构
数据分析-数据重构concatjoinmergeappendDataFrame-->SeriesGroupbyconcatconcat :join another DataFrame重要参数：axis = 1 横向合并axis = 0(default) 纵向合并ignore_index: default False: 此时的index只是两个DataFrame的组合，并没有重新排序True: index重新排序# axis =1 各表在横向拼接result_up = pd.conca
2020-08-24 20:58:47
220
原创 Datawhale机器学习-决策树感想
机器学习-决策树学习笔记理论模型代码和参数criterionmax_depthmin_samples_leaf怎样提高准确率数据处理调整参数总结理论个人对决策树理论的理解：决策树就像是由不同层级的很多选择器的组合，这些选择器内部的criteria是通过对训练集中的数据学习得到的。之后有新的数据传入时，选择器就一层层的对输入数据做判断，最底层选择器给出最有可能的分类结果模型代码和参数tree_clf = DecisionTreeClassifier()其中可设置的重要参数有:criterion
2020-08-22 21:10:30
590
原创 Datawhale 数据分析打卡2-数据清洗及特征处理
数据清洗及特征处理一. Why clean data?二. 数据清洗三. 特征观察与处理四. 总结一. Why clean data?在导入数据并进行一些初始操作对数据有一个初步认识之后，需要开始数据清洗以及重构，将原始数据变为一个更好用的数据，为之后放入模型做准备。二. 数据清洗在原始数据集中经常会出现缺失值，异常点等，如果将这些数据直接放入模型中进行训练，肯定会影响训练效果。所以说要对raw data进行清洗将其变成可分析的数据集常用的函数和功能:查看缺失值首先要查看下哪些列有较多的缺失值
2020-08-20 21:05:24
258
原创 Datawhale-机器学习打卡1
Datawhale机器学习逻辑回归逻辑回归主要解决分类问题，分类问题函数是不连续的阶跃函数，且函数边界[0,1].sigmoid函数曲线与阶跃函数曲线很相似，z>0, sigmoid(z)>0.5, z<0 sigmoid(z)<0.5，其本身具有分类属性，函数在0到1之间。而且sigmoid函数求导方便，而且cost function可以用log函数表达，log函数具有convex属性，易于求解。sigmoid函数连续可以借用方程θX表示z, 假设θX>0,y=1,
2020-08-19 21:36:17
193
原创 Datawhale 数据分析打卡1
Data Analysis数据分析-1.数据基础操作1. 数据载入及观察2. pandas基础3. 探索性数据分析总结数据分析-1.数据基础操作参加了由Datawhale举办的小组学习活动，学习内容为数据分析，记录下第一章的所学内容1. 数据载入及观察在数据处理中，第一步通常都需要导入数据，并进行对数据的初步预览导入库 导入所需数据库:import numpy as np; import pandas as pd载入数据 pd.read_csv(‘filename’), csv为文件格式，可替
2020-08-18 23:17:17
172
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