<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[昔风不起，唯有努力生存！]]></title><description><![CDATA[自主移动机器人、强化学习、示教学习、路径规划]]></description><link>https://blog.csdn.net/u013468614</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; u013468614]]></copyright><item><title><![CDATA[内网Win10安装python+pip]]></title><link>https://blog.csdn.net/u013468614/article/details/158037804</link><guid>https://blog.csdn.net/u013468614/article/details/158037804</guid><author>u013468614</author><pubDate>Fri, 13 Feb 2026 11:40:59 +0800</pubDate><description><![CDATA[本文介绍了在Windows 10系统中安装和配置Python及pip的步骤：首先从Python官网下载安装包；然后将Python添加到系统环境变量；检查并安装pip工具，建议使用清华镜像源提升下载速度；最后将pip所在目录加入环境变量并验证安装。通过简单的命令行测试即可确认安装是否成功。这些步骤为Python开发环境搭建提供了基础保障。]]></description><category></category></item><item><title><![CDATA[Pedestrian Risk Level Prediction system |行人危险程度预测系统]]></title><link>https://blog.csdn.net/u013468614/article/details/143589669</link><guid>https://blog.csdn.net/u013468614/article/details/143589669</guid><author>u013468614</author><pubDate>Fri, 08 Nov 2024 14:48:54 +0800</pubDate><description><![CDATA[近几年，道路状况评估在在智能交通系统领域的研究与应用层面都受到重要的关注。在众多的交通参与者中，行为与运动可预测性低的行人又是主要极端复杂场景的重要因素。当前评估行人危险程度的方法主要有两类：1)基于预定义的碰撞函数；2）人类打标签的方法。这些方法一般场景泛化性比较差，也很少能考虑行人与自车的交互关系，实际效果很有限。本文介绍的行人危险程度预测（Pedestrian Risk Level Prediction，PRLP）系统由三个模块组成：数据采集与处理模块、行人轨迹预测模块以及风险水平识别模块。]]></description><category></category></item><item><title><![CDATA[参数化曲线（四）：动态运动基元]]></title><link>https://blog.csdn.net/u013468614/article/details/133443620</link><guid>https://blog.csdn.net/u013468614/article/details/133443620</guid><author>u013468614</author><pubDate>Sat, 30 Sep 2023 22:30:54 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[参数化曲线（三）：B样条曲线]]></title><link>https://blog.csdn.net/u013468614/article/details/133443593</link><guid>https://blog.csdn.net/u013468614/article/details/133443593</guid><author>u013468614</author><pubDate>Sat, 30 Sep 2023 22:29:50 +0800</pubDate><description><![CDATA[上一章介绍的贝塞尔曲线由一系列控制点唯一确定，即N1个控制点唯一确定一个N阶的贝塞尔曲线。贝塞尔曲线有很多优点，但是当应用涉及复杂长曲线时会存在问题。而本章要介绍的B样条曲线在保留了贝塞尔曲线所有优点的同时，克服了贝塞尔曲线表示复杂长曲线时存在的问题。]]></description><category></category></item><item><title><![CDATA[参数化曲线（二）：贝塞尔曲线]]></title><link>https://blog.csdn.net/u013468614/article/details/133443567</link><guid>https://blog.csdn.net/u013468614/article/details/133443567</guid><author>u013468614</author><pubDate>Sat, 30 Sep 2023 22:28:46 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[参数化曲线（一）：多项式曲线]]></title><link>https://blog.csdn.net/u013468614/article/details/133443536</link><guid>https://blog.csdn.net/u013468614/article/details/133443536</guid><author>u013468614</author><pubDate>Sat, 30 Sep 2023 22:27:10 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[解析几何基础（三）：判断两线段是否有交点，若有返回交点]]></title><link>https://blog.csdn.net/u013468614/article/details/132912106</link><guid>https://blog.csdn.net/u013468614/article/details/132912106</guid><author>u013468614</author><pubDate>Fri, 15 Sep 2023 22:42:20 +0800</pubDate><description><![CDATA[如下图所示，如果两条线段A与B在某一坐标轴上的投影是无重叠的（如A在x轴的投影线段Ax与B在x轴的投影线段Bx不重叠，A在y轴的投影线段Ay与B在y轴的投影线段By不重叠），则说明两条线段不相交。因此，快速排除两线段不相交等价于确定两线段在某一轴的投影区间不重叠。，则说明两线段在x轴上的投影不重叠，进而说明两线段不相交；，则说明两线段在y轴上的投影不重叠，进而说明两线段不相交；下图显示了不相交（1）与相交（2）的两个示例。，判定两线段是否有交点，若有交点则求解交点。，其在x轴上的投影区间左右边界分别为。]]></description><category></category></item><item><title><![CDATA[从Cartesian坐标系向Frenet坐标系转换的匹配点计算——向量投影法]]></title><link>https://blog.csdn.net/u013468614/article/details/132449722</link><guid>https://blog.csdn.net/u013468614/article/details/132449722</guid><author>u013468614</author><pubDate>Wed, 13 Sep 2023 21:19:24 +0800</pubDate><description><![CDATA[曲线上离该点最近的点，被称为该点在Frenet坐标系曲线上的匹配点。在自动驾驶系统中，我们一般采用一系列顺序拼接的局部参数曲线【直线段、圆曲线、螺旋曲线、多项式曲线等】来表示一条道路或车道的走势。但是我们不会直接用这些参数曲线来构建Frenet坐标系，而是采用这些曲线生成的点序列。本质原因有二：1）求匹配点需要求点到曲线的最短距离，点到参数化曲线的距离公式不统一，甚至对于某些曲线并没有一个所谓的最短距离公式；]]></description><category></category></item><item><title><![CDATA[解析几何基础（二）：计算线段上距离线段外某一点最近的点]]></title><link>https://blog.csdn.net/u013468614/article/details/132724585</link><guid>https://blog.csdn.net/u013468614/article/details/132724585</guid><author>u013468614</author><pubDate>Mon, 11 Sep 2023 23:44:06 +0800</pubDate><description><![CDATA[case 3：otherwise，返回。模长就可以确定投影点属于哪一种情况。为坐标系的0点，沿逆时针方向。我们将上面三种情况转换到。我们根据投影关系，可得向量。的余弦值的正负号，与向量。的模长，正号表示与向量。是同向，负号表示逆向。，在该线段上找到一点。，该点是线段上距离点。]]></description><category></category></item><item><title><![CDATA[解析几何基础（一）：判定点在向量的左边还是右边]]></title><link>https://blog.csdn.net/u013468614/article/details/132700309</link><guid>https://blog.csdn.net/u013468614/article/details/132700309</guid><author>u013468614</author><pubDate>Tue, 05 Sep 2023 22:47:11 +0800</pubDate><description><![CDATA[的左边还是右边，左边输出1，右边输出-1，若在向量所在的直线上，则输出0。（当三点存在两点共点时，等式成立），所以。可知输出结果为1，也即点在向量的左边。我们可以把点在向量左右的问题转换成求。作为向量的起点与终点，我们可以将。的正负号便是我们问题的解。时，点在向量所在的直线上；三点任意两点都不共点时，存在两点共点时，输出0；任意两点都不共点时，输出。的最小角度的正弦值。按逆时针旋转到达向量。引用定理，此处将向量。时，点在向量的左边;时，点在向量的右边。]]></description><category></category></item><item><title><![CDATA[远程访问之SSH的几种使用技巧【包含内网穿透详细步骤与注意事项】]]></title><link>https://blog.csdn.net/u013468614/article/details/130147783</link><guid>https://blog.csdn.net/u013468614/article/details/130147783</guid><author>u013468614</author><pubDate>Fri, 14 Apr 2023 11:25:43 +0800</pubDate><description><![CDATA[*约定：**下文以local$表示本地主机，表示远程主机，数字用以区别不同的远程主机，本地主机可以为linux也可以为windows，但是远程主机此处假定只为linux。]]></description><category></category></item><item><title><![CDATA[win10 WSL2 使用Ubuntu配置与安装教程]]></title><link>https://blog.csdn.net/u013468614/article/details/129178181</link><guid>https://blog.csdn.net/u013468614/article/details/129178181</guid><author>u013468614</author><pubDate>Fri, 03 Mar 2023 16:36:08 +0800</pubDate><description><![CDATA[win10 + Linux 双系统”与“win10安装Linux虚拟机”一度是使一台电脑具备win10与ubuntu两套系统的经典方法。但是，“win10 + Linux 双系统”需要在两种系统间进行切换，不能同时在一台电脑上使用两套系统。win10安装Linux虚拟机”虽可以避免切换的麻烦，但是性能低、启动慢、管理不便、和宿主机Win10系统互操作不方便，让双系统重度用户情愿选择也并不完美的“win10 + Linux 双系统Win10 中的WSL （WindowsSLinux）的目的就是。]]></description><category></category></item><item><title><![CDATA[《自动驾驶规划入门》专栏结语]]></title><link>https://blog.csdn.net/u013468614/article/details/129123216</link><guid>https://blog.csdn.net/u013468614/article/details/129123216</guid><author>u013468614</author><pubDate>Mon, 20 Feb 2023 15:27:49 +0800</pubDate><description><![CDATA[写书是一种又累又不讨好的活，没有一点名气的人作者更是如此，我完全没有坚持下去的理由了。自信是很宝贵的东西，它能让我在人云亦云中坚持自己的观点，让我更加大胆的探索未知。在基于图搜索的规划算法中，我们着重对算法的最优性进行了讨论，贯穿前后十一篇相关的博客。一般理论很复杂，验证的示例就需要简单一些，否则观众会抓不住重点，简单的示例也有益于对复杂理论的理解。结束是为了更好的开始。而我在面对类人学习/终生学习领域时却不是如此，我敢于有自己的理解并且坚持、敢于蚍蜉撼大树，敢于考量领航巨擘的言论的理论与现实意义。]]></description><category></category></item><item><title><![CDATA[运动基元（三）：多项式曲线]]></title><link>https://blog.csdn.net/u013468614/article/details/129037343</link><guid>https://blog.csdn.net/u013468614/article/details/129037343</guid><author>u013468614</author><pubDate>Fri, 17 Feb 2023 22:53:36 +0800</pubDate><description><![CDATA[我们在前面的基于连续优化的规划算法：以二次规划为例中用于规划的曲线就是一个五阶的多项式曲线。本章将更加详细介绍多项式曲线，先介绍最原始的多项式曲线形式y(x)y(x)，也即曲线的自由维度间是相互耦合的，其中以某一维度作为函数值，其他维度都作为函数变量。这种各维度之间相互耦合的作法得到的多项式曲线不具有几何不变性。更通用的方式是以中间变量tt作为y(t)y(t)与x(t)x(t)的共有变量，分别构造多项式函数，。。。不最后给出一个将自由度解耦多项式曲线应用于轨迹规划的完整Python示例。]]></description><category></category></item><item><title><![CDATA[运动基元（二）：贝塞尔曲线]]></title><link>https://blog.csdn.net/u013468614/article/details/128877012</link><guid>https://blog.csdn.net/u013468614/article/details/128877012</guid><author>u013468614</author><pubDate>Fri, 10 Feb 2023 20:57:40 +0800</pubDate><description><![CDATA[贝塞尔曲线是我第一个深入接触并使用于路径规划的运动基元。N阶贝塞尔曲线具有很多优良的特性，例如端点性、N阶可导性、对称性、曲率连续性、凸包性、几何不变性、仿射不变性以及变差缩减性。本章主要介绍贝塞尔曲线用于运动基元时几个特别有用的特性。最后，在离散优化框架下实现了一个基于三阶贝塞尔曲线的路径规划方法——一个简单且有效的中低速轨迹规划方法。]]></description><category></category></item><item><title><![CDATA[运动基元（一）：Dubin‘s曲线【part3】]]></title><link>https://blog.csdn.net/u013468614/article/details/128766465</link><guid>https://blog.csdn.net/u013468614/article/details/128766465</guid><author>u013468614</author><pubDate>Thu, 26 Jan 2023 17:20:22 +0800</pubDate><description><![CDATA[RLR的第一段圆弧的曲率k1=−kmax]]></description><category></category></item><item><title><![CDATA[运动基元（一）：Dubin‘s曲线【part2】]]></title><link>https://blog.csdn.net/u013468614/article/details/128758944</link><guid>https://blog.csdn.net/u013468614/article/details/128758944</guid><author>u013468614</author><pubDate>Thu, 26 Jan 2023 17:19:16 +0800</pubDate><description><![CDATA[LSL的第一段圆弧的曲率k1=kmax>0→sign(k1)=1k_1=k_{max}>0\rightarrow sign(k_1)=1k1​=kmax​>0→sign(k1​)=1，第二段圆弧的曲率k2=kmax>0→sign(k2)=1k_2=k_{max}>0\rightarrow sign(k_2)=1k2​=kmax​>0→sign(k2​)=1。
我们计算三段轨迹的长度，分别标记为LC1L_{C1}LC1​、LSL_{S}LS​、LC2L_{C2}LC2​。对于LSL，切线段的长度与两圆弧圆心间]]></description><category></category></item><item><title><![CDATA[运动基元（一）：Dubin‘s曲线【part1】]]></title><link>https://blog.csdn.net/u013468614/article/details/128749754</link><guid>https://blog.csdn.net/u013468614/article/details/128749754</guid><author>u013468614</author><pubDate>Tue, 24 Jan 2023 23:52:57 +0800</pubDate><description><![CDATA[无人车系统（一）：运动学模型及其线性化给出现有汽车的运动学模型，也即阿克曼转向几何模型，由阿克曼转向模型可得进一步简化为自行车模型。该模型中的控制变量为期望速度vvv与方向盘转角δ\deltaδ。从方向盘转角到车辆的运动轨迹并不是那么直接。介于曲率kkk与角速度ω\omegaω、速度vvv有等式：θ˙=ω=vk\dot{\theta}=\omega = vkθ˙=ω=vk，我们将控制变量中的方向盘转角δ\deltaδ替换为更加直接的曲率kkk。{x˙=vcos(θ)y˙=vsin(θ)θ˙=vk(1)
\l]]></description><category></category></item><item><title><![CDATA[基于连续优化的规划算法：以二次规划为例]]></title><link>https://blog.csdn.net/u013468614/article/details/128679625</link><guid>https://blog.csdn.net/u013468614/article/details/128679625</guid><author>u013468614</author><pubDate>Sat, 14 Jan 2023 22:07:42 +0800</pubDate><description><![CDATA[本章的场景虽简单，但我们把二次规划求解最优轨迹的步骤介绍的非常详细。对于优化（离散优化也好，本章介绍的连续优化也好），重点在于将规划问题建模成对应的优化问题，也即构建：1）解的空间；2）解的约束；3）解的评价。另外也需要注意，我们常见到的连续优化工具都是针对凸优化问题的，所以，如果我们想要采用该方法或工具来解决，无论原问题是不是凸的，都要把他转成凸的。本章目的在于介绍一个常规的连续优化问题构建与求解过程。更多的优化方法的例子会出现在马上要见面的运动基元系列。]]></description><category></category></item><item><title><![CDATA[基于采样的规划算法之动态窗口法（DWA）]]></title><link>https://blog.csdn.net/u013468614/article/details/128585386</link><guid>https://blog.csdn.net/u013468614/article/details/128585386</guid><author>u013468614</author><pubDate>Sun, 08 Jan 2023 22:09:52 +0800</pubDate><description><![CDATA[我在ROS1（机器人操作系统，Robot Operating System）中初次认识DWA2 3，它是ROS中一个典型的局部规划器。DWA在每个决策周期内对动作空间（主要包括线速度与角速度构成的二维动作空间）进行采样得到当前状态下的候选轨迹簇，最后根据设定的成本函数评价出最优的轨迹，基本步骤如下图所示。
上图也被我(=v=)称为离散优化框架。与连续优化方法不同，离散优化方法通过采样获得候选解，可以对非凸的优化问题进行求解。不同的采样候选轨迹簇方式，构成不同的离散优化方法。DWA之所以为动态窗口方法，是因为]]></description><category></category></item></channel></rss>