2401_84271379的博客

原创 统计提交svn代码行数，文件以及文档

svn log - v -r {开始时间}:{结束时间} --search svn用户名 svn代码地址 --username svn用户名 --password svn用户密码 > 生成文件(例如本地 D://test.txt)svn diff -r value :key svn代码地址 --username svn用户名 --password svn用户密码 > 生成文件(例如本地 D://test.txt)2.svn diff -r 版本号：版本号 比较两个版本号之间的更改。

原创 揭秘SVN：如何轻松统计提交人文件提交次数与数量

通过以上步骤，您可以轻松地在SVN中统计提交人的文件提交次数与数量。这些信息对于项目管理和代码审查非常有帮助。希望本文能帮助您更好地使用SVN进行版本控制。

原创 Windows系统中svn服务器下载和搭建

Single-project repository(with the top-level 'trunk','branches' and 'tags' folders)选项：创建一个仓库，在仓库下面创建trunk，branches，tags三个文件夹。我们在demo下新建一个a.xls的文件，然后选中a.xls文件，右键单击，选择TortoiseSVN，然后点击 + Add。(1) 选中Users右键 -> 点击Create User或者选中Users右键 -> 选择新建 -> 选择User。

原创 从端到端到VLA，再到世界模型

自动驾驶的技术栈正在经历前所未有的重构。无论是追求极致效率的 Conventional E2E，还是探索认知上限的 VLM-centric，亦或是博采众长的 Hybrid 架构，每一条技术路线都在为最终的“类人驾驶”贡献拼图。本文所构建的 GE2E（广义端到端） 统一视角，旨在为研究者们提供一个清晰的坐标系。我们不再纠结于单一范式的优劣，而是透过现象看本质——如何用数据驱动的方式，实现从传感器输入到驾驶决策的最优解。无论是解决长尾难题，还是实现闭环仿真，都需要社区的共同努力。

原创 马斯克曾说：高精地图是一个很糟糕的想法

而各国标准化组织或协会也一直在致力于这方面的工作，有欧洲的4层分层模型（静态、准静态、准动态、动态），有中国提出的7层分层模型（道路层、交通信息层，道路-车道连接层、车道层、地图特征层、动态感知层、决策支持层）。而融合高精度地图的感知系统，可以突破传感器的性能边界，提供全场景，全气候下的超视距感知。（1）在交通信号等识别方面，有了高精地图，感知系统只用在当前车道前方有交通信号灯的时候才启用对应的传感器及识别的深度学习算法，这样不仅可以节省计算资源，提高识别的准确率，而且可以提高感知硬件的整体寿命；

原创 TTL、RS232、RS485串口通信协议详解与对比

逻辑电平 0/3.3V或0/5V +3~+15V(0), -3~-15V(1) ±1.5~±6V差分。差值: 1.5V - (-1V) = 2.5V 差值: (1.5V+干扰) - (-1V+干扰) = 2.5V。B线: 0V -1V = -1V B线: (0V+干扰) -1V = -1V+干扰。RS485: █████████████████████ 重工业环境（电机、变频器附近）单片机 ──────────→│ 收发器 │─────┬──→ 多个设备。

原创 SLAM（Simultaneous Localization and Mapping）

SLAM比较专业的解释为：机器从未知环境的未知地点出发，在运动过程中通过传感器重复观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的增量式地图，从而达到同时定位和地图构建的目的。定位更新是指在已知机器人初始位姿的条件下，结合本体运动模型，通过将观测到的特征与地图中的特征进行匹配，求取它们之间的差别，进而更新机器人位姿的定位方法。建立了场景地图，剩下的就是根据地图实现自身的定位，这也是SLAM第二大功能了，作者写到这时已经有点消化不良，详细的定位原理，我们只能下回详解，这里只先做简单介绍。

原创 时间同步技术

没有准确的时钟同步，各传感器在哪一帧进行融合，在哪里进行插值都没法进行判断。全域架构下，智驾域控制器因为直接连接GNSS接收机（或内置），而GNSS又是绝佳的时钟源，因此智驾域控制器自然而然成为主时钟节点，中央网关域控制器通过车载以太网主干网串联起其它域控制器，自然而然成为边界时钟的最佳选择，这样在时钟源丢失的时候，边界时钟节点同步主时钟节点的系统时间，仍然可以保持整个全域架构内。（3）将收到秒脉冲到解析出GPRMC中UTC时间所用的时间tx，与UTC整秒时间相加，同步给系统时间，至此已完成一次时间同步。

原创 单目相机一直被称为自动驾驶的“眼睛”

单目相机一直被称为自动驾驶的“眼睛”，其可提供的丰富感知细节信息、适中的价格，稳定的性能，在自动驾驶感知领域被寄予开疆拓土的重托。一、感知功能提供中远距、全天候内目标检测，包括动态目标（行人、车辆等）、静态目标（车道线、交通标识、交通信号灯等）。通过结合毫米波雷达的感知信息，当前已经可以比较成熟的实现L2下的预警（LDW/FCW）和控制(ACC/AEB/LKA/TJA)方面的众多辅助驾驶功能。未来与激光雷达、4D毫米波雷达的多传感器融合方案，也被认为是实现L3以上单车智能的标准硬件配置。二、环视功能通过将大

原创 自动驾驶从场景上来分

码头堆场全是五六层的金属集装箱，岸桥也全是百米高的钢铁巨人，这种多金属的场景，高精度组合导航的多径影响会非常严重，卫导信号基本是没法用的，如果这个时候选择相信组合导航里融合IMU的数据，岸桥下长时间的停车装船卸船又会造成巨大的累积误差。这个场景里有各家都在发力的Robotaxi，说不定在广州、深圳、上海、北京部分地区已经体验过他们的打车服务，玩家有小马智行，百度，文远知行，AutoX等。上到宇宙第一车企上汽，下到刚下海的小米，卖房子的，卖广告的，卖鱼的，卖肉的，都在追逐这无上权利的铁王座。

原创 双目相机无须识别出目标，也能进行目标距离的探测。

图像坐标系的原点在图像传感器的中心，像素坐标系的原点在图像传感器的左上角，图像坐标系的单位是m，像素坐标系的单位是像素。而对于理想双目相机模型来说，空间点C1在左相机成像平面的投影点，对应于右相机成像平面上的投影点，一定在右相机的极线上，这也就是著名的极线约束原理。相机成像的过程实际是将真实世界的三维物体映射到成像平面二维图像的过程，为确定真实世界三维物体表面某点与其在成像平面二维图像中对应点之间的相互关系，必须建立相机成像的几何模型，这些几何模型参数就是相机参数（内参、外参、畸变参数）。

原创 车载红外相机

偶尔的机会，我们拿到国内厂商的一款分辨率640x512的红外相机产品，并对其进行了一个典型应用场景的识别效果测评，并与一款车载200万，1920x1080分辨率的可见光相机进行对比，用于评价其在提升复杂环境下自动驾驶感知的能力，现选取几个典型场景进行分析。红外热成像技术是一种通过探测器来接收物体发出的红外辐射，任何温度高于绝对零度（-273℃）的物体都会进行红外辐射，物体的红外辐射经过镜头聚焦到探测器上，探测器对接收到的红外辐射进行光电处理，最后生成人眼可见的红外图像。

原创 自动驾驶路径规划常用算法

对于已经在OpenList中的4个格子，我们以它上面的格子S[2][2]举例，从起点A经由格子S[3][2]到达格子S[2][2]的G值为20（10+10）大于从起点A直接沿对角线到达格子S[2][2]的G值14。与PRM相同的是两者都是基于随机采样的算法，不同的是PRM最终生成的是一个无向图，而RRT生成的是一个随机树。对于图6所示的有向图，V可以表示为{A，B，C，D，E，F，G}，E可以表示为{<A，B>，<B，C>，<B，F>，<B，E>，<C，E>，<E，B>，<F，G>}。

原创 入门 | 研究自动驾驶技术的算法需要哪些知识？

奥迪官方的解释是法规方面的问题，但其实最核心的原因还是技术方面的，也就是L3中的所谓的“接管悖论”问题。环境感知负责检测各种移动和静止的障碍物（比如车辆，行人，建筑物等），以及收集道路上的各种信息（比如可行驶区域，车道线，交通标志，红绿灯等），这里需要用到的主要是各种传感器（比如摄像头，激光雷达，毫米波雷达等）。从目前的技术发展趋势来看，毫米波雷达由于其全天候工作，测速准确，以及低成本的特点，也被广泛的用于自动驾驶感知系统中，不过一般应用在L2级别的系统中，或者在L3/4级系统中作为其它传感器的辅助。

原创 人工智能赋能交通运输系统 —— 关键技术与应用

城市交通系统具有复杂性等特点，大数据、AI 等新技术是提升智慧发展水平的重要支撑，其具备多源大数据基础和丰富应用场景，“用数赋智” 可提升管理与控制的精细化和智慧化水平，智能化、智慧化是未来必然趋势。形成多层次技术闭环，涵盖感知、预测、管控、决策等，应用于高速路网、城市路侧单元、低空空域等多维空间，终极目标是高智能 AI 驱动的综合交通大脑。构建人机混合决策框架，结合感知、诊断、预测、决策等环节，实现知识发现与获取，指导决策过程。

原创 没有AI安全，就没有低空经济。

白皮书最后一页写着一句话：“天空没有红绿灯，但必须有安全灯。低空经济是风口的鹰，AI是翅膀，安全才是那根“看不见的缰绳”。当城市把天空交给算法，中国移动选择先做那根“安全带”——让飞行器敢飞、让城市会管、让百姓放心。下一次仰望天空，请记住：每一架安静掠过的无人机，背后都有一套AI安全系统在说：“放心，我在。

原创 五看三定到底是什么？

定战略控制点、定目标、定策略。01。

原创 2025具身智能的基础知识

核心定义具身智能（Embodied Intelligence）是基于物理身体与动态物理环境交互的智能系统，通过 “感知 - 行动” 闭环实现适应性行为，是人工智能与机器人学的交叉领域，核心是 “给智能一个物理载体”。与传统 AI 的核心差异维度传统 AI（如 ChatGPT、图像识别）具身 AI（如家庭机器人、自动驾驶）交互环境静态、封闭的数字世界动态、开放的物理世界数据输入单一 / 特定模态（文本、图片）多模态实时传感器数据流（视觉 / 触觉）输出形式数字信号（文本、标签、概率）

原创 端到端在自动驾驶中起到什么作用？

与语言模型可依赖海量公开文本不同，自动驾驶需依赖大量真实行车视频、车辆状态及对应的人类驾驶行为数据，且必须覆盖夜间、雨雪、施工区、临时障碍物等稀有场景。端到端分为狭义端到端与广义端到端，狭义端到端指通过单一神经网络将原始信号直接映射为控制指令；其中，数据闭环的效率、算力部署的规模与验证体系的完备性，共同构成了端到端系统能否稳定落地并持续演进的关键支撑。在早期的自动驾驶系统中，感知任务主要集中于二维或三维检测，其目标是识别图像中的物体（如车辆、行人、车道线），并将这些带有标签的边界框提供给下游模块。

原创 核心算法，包括其原理、实现方法、优缺点和适用范围

包括控制量约束（如方向盘转角、油门范围）、状态约束（如位置、速度范围）和系统输出约束。

原创 无人驾驶的感知、规划、控制三大模块主要方法与技术

当前的发展趋势是模块之间的界限逐渐模糊，例如“感知-决策-控制”端到端学习，但基于模块化的设计因其可解释性和安全性，仍然是工业界实现高阶自动驾驶的主流选择。好的，这是一个极其核心且宏大的问题。在一个统一的优化问题中，同时优化前轮转角和加速度/减速度，使车辆在跟踪轨迹的同时，保证侧向稳定性、舒适性和效率。：融合不同传感器（摄像头、激光雷达、毫米波雷达）的数据，取长补短，获得更可靠、更全面的环境感知结果。：将无序的点云划分为规则的3D体素网格，对每个体素内的点进行特征提取，然后用3D CNN处理。

原创 无人车的智能系统

不同于导航地图，它包含了车道线、路缘、交通标志等极其精确的三维信息，为感知和规划提供先验知识，相当于车辆的“超级记忆”。​ 使用LSTM、GNN、Transformer等网络，学习复杂的交互行为，预测行人、车辆的多模态未来轨迹。​ 感知模块就像是一个经验丰富的司机，不仅能看到周围的车、人、路标，还能判断出他们的速度和意图。​ 控制模块就像你的手脚，接收大脑“加速”、“左转”的指令，并精准地踩下油门、转动方向盘。，在满足车辆动力学约束的同时，不断优化未来一段时间的轨迹，是目前最主流的方法之一。

原创 整体写作格式（IMRaD 结构）

在时刻 t，我们求解如下问题： minU​∑k=0N−1​(∥ξt+k∣t​−ξref,t+k​∥Q2​+∥ut+k∣t​∥R2​)+∥ξt+N∣t​−ξref,t+N​∥P2​ subject to: ξt+k+1∣t​=f(ξt+k∣t​,ut+k∣t​),k=0,...,N−1(动力学约束) umin​≤ut+k∣t​≤umax​(控制量约束) g(ξt+k∣t​)≥dsafe​(安全距离约束) 其中，U=[ut∣t​,...,ut+N−1∣t​]是优化变量，N是预测时域。Q,R,P为权重矩阵。

原创 学术论文的基本结构（IMRaD 结构）

原创 写论文小技巧

经典的中心论点： 通过一系列受控的用户实验，本文发现并验证了在共享工作空间中，机器人的移动速度与非单调地影响人类的信任感，而非传统假设的简单线性关系。一个优秀的科技论文中心论点，本质上是在清晰地宣告：“本文提出了一种新方法/新技术/新模型，该方法在某个关键指标上优于现有方法，因为它解决了某个未被解决的特定问题。​ 这段文字带着读者重走了研究历程，让读者感受到解决问题的曲折和突破点，比直接说“我们提出了一个基于注意力机制的、准确率95%的日志分析系统”更具故事性和说服力。它不一定在开头给出一个单一的结论。

原创 Windows安装VS Code全流程

VS Code 内置了对 Git 的支持，集成了调试工具，提供了智能代码补全、语法高亮显示、括号匹配、代码重构、查看定义等功能，还拥有庞大的插件市场，可进一步扩展其功能，满足不同开发者在各种开发场景下的需求。自从2015年首次发布以来，VS Code的发展经历了几个重要的版本迭代。丰富的插件扩展 ：插件市场提供了海量的插件，涵盖几乎所有编程语言、框架和工具集，如 Prettier（代码格式化）、ESLint（代码检查）、Live Share（团队协作）等，可按需定制个性化开发环境。

原创 VS Code配置Python开发环境指南（2025新版）

文件 > 打开文件夹。

原创 Python：从安装到第一个Hello World程序

下载地址。

原创 Windows安装VS Code全流程

VS Code 内置了对 Git 的支持，集成了调试工具，提供了智能代码补全、语法高亮显示、括号匹配、代码重构、查看定义等功能，还拥有庞大的插件市场，可进一步扩展其功能，满足不同开发者在各种开发场景下的需求。丰富的插件扩展 ：插件市场提供了海量的插件，涵盖几乎所有编程语言、框架和工具集，如 Prettier（代码格式化）、ESLint（代码检查）、Live Share（团队协作）等，可按需定制个性化开发环境。硬件要求：至少1GB的内存，推荐使用2GB及以上的内存。

原创 浅谈大模型知识图谱的构建过程

我们有一大堆的数据，这些数据可能是结构化的、非结构化的以及半结构化的，然后我们基于这些数据来构建知识图谱，这一步主要是通过一系列自动化或半自动化的技术手段，来从原始数据中提取出知识要素，即一堆实体关系，并将其存入我们的知识库的模式层和数据层。文本语料经过实体抽取，得到的是一系列离散的命名实体，为了得到语义信息，还需要从相关的语料中提取出实体之间的关联关系，通过关联关系将实体（概念）联系起来，才能够形成网状的知识结构，研究关系抽取技术的目的，就是解决如何从文本语料中抽取实体间的关系这一基本问题。

原创 Gitee 使用

若返回：Hi xxx!在整个过程中，Gitee 会要求用户进行密码校验，以确保进行删除操作的是仓库的所有者或有权用户。解决：在任意目录下输入以下，然后直接三次enter键，不需要输入具体名字。，常应用于本地代码的管理，下载完毕之后，我们可以使用此工具对本地的资料，代码进行版本管理。一般都是因为你在码云创建的仓库有ReadMe文件，而本地没有，造成本地和远程的不同步，解决：在任意目录下输入以下，然后直接三次enter键，不需要输入具体名字。Git仓库中已经有一部分代码，所以它不允许你直接把你的代码覆盖上去。

原创 linux 英伟达 nvidia驱动安装

查看nouveau驱动的启用情况，如果有输出表示nouveau驱动正在工作，如果没有内容输出则表示已经禁用了nouveau。A2000，在产品列表中选择对应显卡，然后操作系统选择Linux 64-bit，点击搜索后进行下载。，则需要，在重启的时候，按住ESC或者F2,进入recover 模式，进行下面的步骤。安装成功后，reboot 重启，输入nvidia-smi 查看。根据自己的显卡选择所需下载的NVIDIA驱动，例如作者显卡为。删除以前安装的NVIDIA驱动版本，重新安装。输入查询，显卡型号。

原创 视觉语言导航入门必看

视觉语言导航（Vision-Language Navigation, VLN）是一个多学科交叉的研究领域，它涉及到自然语言处理、计算机视觉和机器人导航等多个方面。在这个领域中，研究人员致力于开发能够理解自然语言指令并在复杂环境中进行自主导航的机器人或智能体。

原创 从美路线图看无人系统技术体系与发展趋势

原创 喻煌超，等 无人系统技术 2024年05月28日 17:06 北京喻煌超，全世鸣，牛轶峰，尹栋，李杰 （国防科技大学智能科学学院，长沙410073）摘 要 对无人系统技术进行了综合评述，并对其发展趋势进行了展望。首先，基于美国国防部八版无人机/无人系统路线图的规划，深入分析了互操作性、自主性、人机协同、通信、网络安全、动力与能源、载荷等主要技术方向的内涵和关键能力，绘制了各个技术方向的发展规划脉络。随后，调研分析了美国在不同技术方向的发展现状和应用情况。最后，综合路线图分析和发展情况分析，研判了未来无

原创 在Ubuntu 20.04中安装CLion

CLion 是 Jetbrains 推出的一款专为开发 C/C++ 所设计的跨平台 IDE，感觉也比较好用。CLion 的安装，有点类似 Pycharm 的安装，毕竟同一家出品。原文链接：https://blog.youkuaiyun.com/feimeng116/article/details/105898892。CLion 会自动检测，如果没有的，就要事先安装了。这个安装也比较简单，就是将安装包解压就可以使用。(8) 进入欢迎界面，初始化完成了。注：这个可以跳过，以后可以再安装。（3）选择要安装的插件。

原创 【Linux终端工具]Tmux

1. Tmux是什么？Tmux是一个终端复用器（terminal multiplexer），属于常用的开发工具，学会了之后可以大大的提高工作效率。1.1 基本概念在使用tmux之前我们先了解关于tmux的几个名词：session，会话（任务）windows，窗口pane，窗格关于session，很多人把session成为会话，但我觉得叫任务更适合一些。

原创 Ubuntu安装 librealsense2-dev 驱动程序

安装开发人员和调试包。

原创 LINUX 安装 OpenCV4.8.1

你需要下载OpenCV 4.8.1的源码以及opencv_contrib模块（包含额外的算法和模块）。或者你可以通过git命令来下载：cd opencv。

原创 CUDA11.0+cuDNN8.0.5+Anaconda3.5+PyTorch1.7.0配置说明

CUDA11.0+cuDNN8.0.5+Anaconda3.5+PyTorch1.7.0配置说明_cuda下载 deb 和runfile 格式区别-优快云博客

原创 linux删除垃圾一键清理

将这些命令结合起来，你可以创建一个简单的脚本来一键清理系统垃圾。在Linux中，你可以使用一些命令来清理垃圾文件，这些命令可以帮助你清理不再需要的文件和依赖包。rm -rf ~/.local/share/Trash/*：清空用户的回收站。rm -rf ~/.cache/*：清空用户缓存目录下的所有文件。apt-get autoclean：删除老旧的本地安装包。rm -rf /tmp/*：清空/tmp目录下的所有文件。apt-get clean：删除本地已下载的安装包。