<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Yusong_An的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Yusong_An</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Yusong_An]]></copyright><item><title><![CDATA[【方法整理】蒙塔卡洛方法（Monte Carlo method）/统计模拟方法]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/143778081</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/143778081</guid><author>Yusong_An</author><pubDate>Fri, 15 Nov 2024 15:33:25 +0800</pubDate><description><![CDATA[使用蒙特卡洛方法验证算法的鲁棒性，通常是通过模拟不同的随机场景或数据分布，测试算法在这些不同情形下的表现。使用蒙特卡洛方法验证算法的鲁棒性，通常是通过模拟不同的随机场景或数据分布，测试算法在这些不同情形下的表现。蒙特卡罗方法（英语：Monte Carlo method），也称统计模拟方法，是1940年代中期由于科学技术的发展和电子计算机的发明，而提出的一种以概率统计理论为指导的数值计算方法。随机抽样：生成大量的随机样本，这些样本通常是从一个已知的概率分布中抽取的，或者是满足某种物理或数学条件的随机样本。]]></description><category></category></item><item><title><![CDATA[【文献阅读】地磁信息稀疏环境的三角匹配方法]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/143729980</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/143729980</guid><author>Yusong_An</author><pubDate>Thu, 14 Nov 2024 17:41:04 +0800</pubDate><description><![CDATA[背景：为了提高在磁场信息较少的区域的匹配效果。改进方案：根据三角形相似性，匹配三角形构建在与训练后的BPNN（反向传播神经网络）地磁地图对应的等磁线信息上，通过修正函数获得最佳匹配参数。改进效果：为了验证所提出的算法，进行了基于均匀分布和随机分布的仿真实验。通过与ICCP方法的比较，使用蒙特卡洛仿真进一步证明了该算法对噪声的抗干扰能力。]]></description><category></category></item><item><title><![CDATA[【文献阅读】机器人地磁导航路线规划优化启发式算法和随机搜索算法]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/143671725</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/143671725</guid><author>Yusong_An</author><pubDate>Mon, 11 Nov 2024 17:57:11 +0800</pubDate><description><![CDATA[背景：为了提高路径规划的效率和准确性，本文提出了一种新的组合算法，综合考虑了水下地磁匹配导航区域和环境约束的分布。改进方案首先，利用地磁导航匹配区域，通过Dijkstra算法获取初步的路径点。其次，建立并规范化环境约束模型，同时构建路径规划的环境约束成本模型。然后，根据环境约束成本模型中的时间、函数关系、约束条件和变量之间的关系，引入粒子群优化算法。以初步路径点为基础，将路径规划问题转化为路径优化问题。]]></description><category></category></item><item><title><![CDATA[【文献阅读】基于地磁矢量的改进迭代最近轮廓点匹配导航算法]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/143500010</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/143500010</guid><author>Yusong_An</author><pubDate>Tue, 05 Nov 2024 17:13:19 +0800</pubDate><description><![CDATA[本文介绍了一种基于地磁矢量的改进迭代最近轮廓点匹配（ICCP）导航算法，旨在解决惯性导航系统（INS）误差累积的问题。传统的ICCP算法由于对航向误差敏感，且在地磁特征相似区域容易发生匹配错误，因此本文提出了一种改进方法。该方法结合了蚁群算法，以改进大概率范围内的搜索策略，并使用地磁三维矢量特征和Hausdorff距离作为目标函数，以提高匹配效率和精度。]]></description><category></category></item><item><title><![CDATA[【文献阅读】基于改进迭代最近轮廓点算法的飞机地磁匹配导航]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/143405450</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/143405450</guid><author>Yusong_An</author><pubDate>Mon, 04 Nov 2024 17:44:00 +0800</pubDate><description><![CDATA[针对高空高速飞行器在卫星导航不可用条件下惯性导航系统（INS）误差累积的问题，提出了一种改进的迭代最近轮廓点（ICCP）算法用于地磁匹配导航，以帮助消除INS误差。该算法针对传统ICCP在初始定位误差较大情况下易陷入局部最优的问题，基于多属性决策改进了其决策指标。匹配效果通过算法的收敛度指标和引入的轨迹相关性指标进行综合评估。在判断匹配轨迹的收敛度后，通过其地磁强度和线性相关性来表征其与真实轨迹的相关性。随后，基于熵权法融合两个指标，作为综合决策指标。]]></description><category></category></item><item><title><![CDATA[【自动驾驶】SYGNET：基于SVD-YOLO的幽灵网络，用于实时驾驶场景解析学习笔记]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/133044780</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/133044780</guid><author>Yusong_An</author><pubDate>Tue, 19 Sep 2023 20:33:04 +0800</pubDate><description><![CDATA[本文研究了自动驾驶场景解析技术，分析了神经网络训练时间的一些固有问题，并提出了SYGNet。在特征提取组件中，提出了一种基于VoxelNet的点云特征和图像特征提取算法。在SVD-YOLO GhostNet组件中，SVD分解图像数据，利用YOLOv3获取未来地图，然后转换为GhostNet，对提高精度有积极作用。最后，实验结果表明，SYGNet能够有效、显著地提高自动驾驶在交通拥堵或复杂路况下的场景解析和识别能力，从而使自动驾驶技术更加安全可靠。]]></description><category></category></item><item><title><![CDATA[【YOLO v1】You Only Look Once: Unified, Real-Time Object Detection阅读笔记]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/132928312</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/132928312</guid><author>Yusong_An</author><pubDate>Sun, 17 Sep 2023 18:52:05 +0800</pubDate><description><![CDATA[文章主要介绍了YOLO（You Only Look Once），这是一种用于目标检测的新方法。YOLO将目标检测问题看作是对空间分离的边界框和相关类别概率的回归问题。这篇文章介绍了YOLO的工作流程以及其在实时系统中的性能表现。YOLO非常快速，每秒可以处理45帧的视频流，并且实时处理的延迟小于25毫秒。此外，YOLO的平均准确率超过了其他实时系统的两倍。文章还指出，与目前最先进的检测系统相比，YOLO在定位小物体方面会出现更多错误。YOLO的训练和测试代码是开源的，并且提供了多种预训练模型供下载。]]></description><category></category></item><item><title><![CDATA[【自动驾驶】自动驾驶车辆中基于图像和点云融合的目标检测调查学习笔记]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/132893226</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/132893226</guid><author>Yusong_An</author><pubDate>Fri, 15 Sep 2023 00:32:39 +0800</pubDate><description><![CDATA[因此，一级模型被广泛使用。EPNet++ [157]基于EPNet [158]，引入了一种新颖的级联双向融合（CB-Fusion）模块，以生成更具判别性和全面的特征表示，如图9a所示。此外，由于它不包括图像和点云之间的复杂交互（例如，时间同步，空间对齐，特征相关），因此与前两种融合结构相比，它更容易实现。（1）定向梯度直方图（HOG）：HOG [32]是用于计算机和图像处理中对象检测的局部特征描述符.由于它描述了边缘结构特征和物体结构信息，因此使用HOG检测器进行了许多研究来检测物体[33]，[34]。]]></description><category></category></item><item><title><![CDATA[【自动驾驶】基于强化学习的自动驾驶汽车路径规划方法研究综述学习笔记]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/132825945</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/132825945</guid><author>Yusong_An</author><pubDate>Tue, 12 Sep 2023 10:44:10 +0800</pubDate><description><![CDATA[自动驾驶技术在计算机、物联网、人工智能和自动化技术的推动下不断发展，并逐渐引起了大众的关注。路径规划作为自动驾驶的重要技术之一，在自动驾驶车辆的高效、安全行驶中起着关键作用。路径规划技术在机器人领域有着较早且成熟的研究，现有的自动驾驶车辆路径规划方法通常借鉴了机器人的路径规划方法，如A*算法、Dijkstra算法、蚁群算法、遗传算法、人工势场法和动态窗口法等。然而，由于自动驾驶车辆的速度较快且场景复杂，传统的机器人路径规划方法难以满足汽车行驶中的需求。因此，本文探讨了基于强化学习的路径规划方法。文章首先介绍]]></description><category></category></item><item><title><![CDATA[【自动驾驶】多传感器信息融合研究综述学习笔记]]></title><link>https://blog.youkuaiyun.com/Yusong_An/article/details/132818535</link><guid>https://blog.youkuaiyun.com/Yusong_An/article/details/132818535</guid><author>Yusong_An</author><pubDate>Mon, 11 Sep 2023 22:14:42 +0800</pubDate><description><![CDATA[多传感器信息融合是实现无人驾驶的核心技术，多个传感器之间协同收集车辆周围环境的数据信息，经过多传感器融合结构的转换和处理，使用融合算法进行联合分析，能够使车辆全面地感知驾驶环境，帮助车辆完成自主导航、变道、控制速度等智能决策。]]></description><category></category></item></channel></rss>