Sekiro-x-优快云博客

原创 Python 高效 I/O 模板

本文档提供了Python高效处理标准输入输出的实用模板和技巧。主要内容包括：1) 必备的I/O优化模板，推荐重定向input()到sys.stdin.readline；2) 多种输入处理方式，如读取单值、数组、多行输入等，强调strip()去除换行符；3) 输出优化方法，包括列表输出、免换行打印、格式化输出和大数据量时的缓冲区技巧。特别针对算法竞赛场景，提供了防止TLE的sys.stdout.write解决方案。

2025-11-15 16:42:49 432

原创 Reducing Collision Checking for Sampling-Based Motion Planning Using Graph Neural Networks

本文提出一种基于图神经网络(GNN)的运动规划加速方法，通过减少碰撞检测次数来提高效率。针对基于采样的运动规划中碰撞检测这一主要计算瓶颈，设计了两个学习组件：GNN路径探索器利用批量采样构建的随机几何图(RGG)进行全局模式识别，优先探索无碰撞边；GNN路径平滑器则优化已发现路径。该方法保持概率完备性的同时显著减少碰撞检测需求，在2D至14D复杂环境中验证了其有效性，相比现有技术能更好地处理高维规划任务。实验表明该方法可减少约70%的碰撞检测时间，整体规划效率得到提升。

2025-05-26 16:36:02 1466 1

原创 ROS(Python)简易笔记 3.运行管理

在多级层深的ROS系统中，其实现与维护可能会出现一些问题。运行管理部分就是为了解决这些问题。这一章有元功能包、launch文件管理、和一些重名情况的处理。

2024-12-25 14:59:15 1323

原创 DynGMP: Graph Neural Network-based Motion Planning in Unpredictable Dynamic Environments

神经网络已经在解决运动规划问题上展现出了吸引人的性能，尤其是在静态和可预测的环境中。然而，能够适应不可预测的动态环境的高效神经规划器，在许多实际应用中是一个高度需求的场景，但仍然未被充分探索。为了填补这一研究空白并丰富现有的运动规划方法，本文提出了DynGMP，这是一个基于图神经网络（GNN）的规划器，它在不可预测的动态环境中提供了高性能的规划解决方案。通过充分利用先前的探索经验并最小化由环境变化引起的重规划成本，DynGMP实现了高规划性能和效率。

2024-12-24 12:21:06 1573

原创 ROS(Python)简易笔记 2.通信机制

ROS是进程（Node）的分布式框架。比如一个Node是雷达，另一个Node是运动控制。ROS将机器人的功能解耦合，分为各个Node。而Node之间实现数据交换就要用到ROS中的通信机制。ROS的通信机制主要有三种，话题通信、服务通信、参数服务器。

2024-12-18 12:00:59 597

原创 ROS(Python)简易笔记 1.快速体验

这篇笔记是自己在学习赵虚左老师的ROS课程时做的。主要记录一些重要的操作和命令，方便复习使用。原课程b站链接【Autolabor初级教程】ROS机器人入门_哔哩哔哩_bilibili，课程网页链接Introduction · Autolabor-ROS机器人入门课程《ROS理论与实践》零基础教程。

2024-12-14 22:18:22 764

Sekiro_s的博客