Keep Learning, Keep Growing, Keep Succeeding!

原创 为什么会过拟合？

过拟合是模型在训练数据上学习到“噪声与偶然性”，而非可泛化的规律。其根源是模型容量过大且约束不足、数据不足或数据分布不稳定。

原创 回归、预测、分类三者关系

维度PredictionRegression定义广义的“预测未知输出”任务预测连续数值预测离散类别输出形式连续或离散连续值（实数）类别（0/1/N类）示例明天是否下雨 / 明天温度房价、销量、收益率猫狗识别、垃圾邮件检测常用损失函数任意适配任务MSE、MAE“Prediction” 是任务类型；“Regression” 和 “Classification” 是两种具体的预测任务，前者预测连续量，后者预测类别。

原创 内推岗位为什么比社招岗位少

比如公司要招 10 个算法工程师，不会因为有内推就变成 12 个，只是想在 10 个名额中优先筛选熟人推荐的候选人。HR 不会让所有岗位都接受内推，因为内推有成本：要追踪推荐关系、支付奖金、处理内部流程。很多公司招聘网站的“内推入口”其实只是一个内推表单，系统里只展示部分热门或推荐岗位。真正的策略是：先从社招岗位列表里找你想要的岗位，再请内推人帮你投递——多数公司允许这样操作。公司先确定哪些岗位开放招聘（这叫“社招池”），再允许员工对这些岗位进行“内推”推荐。所以——内推的岗位一定是社招岗位的子集。

原创 聊聊扫地机的corner case、long-tail problem 和 bad case

corner case 是逻辑极限；long-tail 是统计稀缺；bad case 是现实教训。三者串联，正是机器人系统从“能跑”到“跑得稳”的进化路径。

原创 Corner Case、Bad Case和Long-tail Problem的相同与不同

概念范畴典型原因是否可预测举例逻辑或物理边界极值、边界条件高，可设计时预防坐标超界、除0数据分布样本不均衡低，需要统计分析稀有场景识别差Bad Case实际错误表现多种原因混合不定，需测试暴露识别错误、规划异常是工程设计阶段要防的；是模型训练阶段要补的；bad case是上线后要收集和分析的。bad case → 原因归类（corner / long-tail）→ 优化设计或数据 → 减少 bad case。

原创 2025了，扫地机的痛点还有哪些？

总体而言，扫地机器人的核心痛点正从“能不能扫干净”的基础问题，转向**“在复杂真实家庭环境中，能否实现真正省心、高效、无死角的深度清洁”**这一更高层次的挑战。精细化清洁的“最后一公里”：如何完美处理边角、顽固污渍和特殊地面（如长毛地毯）。极端环境的适应性：如何应对低矮空间、复杂障碍物（尤其是小件、细软物体）和动态变化的环境。“真·无人”维护的实现：如何进一步减少用户对机器本身和基站的维护频率，降低长期使用成本。更自然的智能交互：如何让机器更懂用户的意图，提供更便捷、更人性化的操作体验。

原创 高情商离职原因表达

我始终追求高效工作，希望通过优化流程、提升能力，在合理工时内达成目标，兼顾职业发展与生活质量。：期待在更广阔的平台上，参与多样化项目，快速积累经验，实现个人能力与职业价值的双重提升。：实际岗位职责与面试预期存在较大差异，为确保双方资源高效利用，我选择及时调整职业选择。：为了突破舒适区，我希望迎接更具挑战性的工作，在解决复杂问题中实现职业进阶。

原创 Gymnasium的基本用法

无论我们是想训练智能体玩游戏、控制机器人，还是优化交易策略，Gymnasium 都能为我们提供构建和测试您想法的工具。Gymnasium 的核心是为所有单智能体强化学习环境提供 API（应用程序编程接口），并实现了常见的环境：cartpole，pendulum，mountain-car，mujoco，atari 等等。Gymnasium关键功能。

原创 Environments

经典的控制环境有五种：AcrobotCartPole。

原创 Hello, Gymnasium!

是 OpenAI Gym 库的一个维护分支。Gymnasium界面简洁，符合 Python 规范，能够处理一般的强化学习问题。是入门强化学习的必学内容。废话不多说，我们正式开干！

原创 Ubuntu安装NVIDIA显卡驱动

这篇文章介绍了在Linux系统上清理旧NVIDIA驱动并安装开源驱动的完整步骤：首先彻底卸载原有驱动及相关文件，然后禁用nouveau驱动；接着添加PPA软件源并安装开源驱动；最后配置内核参数并重启系统。验证步骤建议通过运行nvidia-smi命令确认GPU是否被正确识别。整个过程涵盖了从旧驱动清理到新驱动验证的全流程，适用于需要更换NVIDIA显卡驱动的Linux用户。

原创 灵巧手对比

原创 人形机器人级别L0-L5

请添加图片描述](https://i-blog.csdnimg.cn/direct/1ca701cc05ab43999ee1fe0d4258cecd.jpe。

原创 在git中如何忽略.vscode目录？

目录添加到了Git仓库中，那么忽略规则不会对其生效。在这种情况下，你需要先从Git仓库中移除。请注意，这些规则只影响那些尚未被Git跟踪的文件。目录，然后再应用忽略规则。目录就会被Git忽略，不会再出现在未跟踪的文件列表中。在Git中，如果你想忽略某个特定的文件或目录（比如。

原创 什么是主机厂？

在自动驾驶领域，""通常指的是负责生产整车的汽车制造商。在自动驾驶技术的发展过程中，主机厂的角色和地位发生了显著的变化。过去，主机厂主要依赖 **Tier 1 供应商（即一级供应商）**来提供包括自动驾驶在内的各种汽车零部件和技术。然而，随着智能汽车技术的发展，主机厂开始越来越多地参与到自动驾驶技术的研发和集成中。这主要是因为自动驾驶技术不仅仅是一个硬件问题，还涉及到大量的软件和算法，这些是主机厂希望能够自主掌握的核心技术。例如，一些主机厂开始自研自动驾驶系统，而不是完全依赖供应商的解决方案。

原创 什么是V2X？

V2X是“Vehicle to Everything”的缩写，指的是车辆与周围环境（包括其他车辆、行人、道路基础设施以及网络等）进行信息交换和通信的技术。V2X技术通过提高车辆之间的信息交互，有助于实现更高效、更安全的交通系统，对于促进自动驾驶技术的发展和应用具有重要作用。在中国，随着智能网联汽车和智慧城市建设的推进，V2X技术也得到了快速的发展和广泛的应用。

原创 什么是Ego Status？

“Ego Status”在自动驾驶领域指车辆自身的状态信息，包括位置、速度、加速度、方向、航向、车辆动态、轮胎状态、制动状态、驱动状态、灯光状态、安全状态和能耗状态等。这些信息对自动驾驶系统的决策制定、路径规划和通信至关重要，需要实时更新和准确处理，以确保安全高效行驶。

原创 自动驾驶涉及的一些常见词汇

自动驾驶领域涉及的专业词汇较多，以下是一些常见的词汇：

原创 聊聊sysinfo结构体

sysinfo结构体的完整定义如下。这个定义包含了一些特定的类型，如和，这些类型是为了在不同架构上提供一致的数据大小而定义的。

原创 如何平衡硬约束与软约束

文章讨论了自动驾驶系统中平衡硬约束（如安全性）和软约束（如效率、舒适度）的复杂性，提出了分层决策架构、优先级和权重分配、动态调整、安全裕度、多目标优化、鲁棒性和冗余设计、法规遵循以及仿真和测试等多种策略和方法。这些方法旨在确保安全的同时，提高行驶效率和乘客体验，且需根据技术进步、法规更新和用户反馈持续调整优化。

原创 聊聊硬约束与软约束

在自动驾驶系统中，约束是用来确保车辆在行驶过程中遵循一定的规则和安全标准。硬约束与软约束是这些规则中的两种类型，它们在自动驾驶系统的设计和功能上扮演着重要角色。

原创 聊聊自动驾驶中的路径和轨迹

是机器人从起点到终点的一系列点的序列，它只考虑了位置信息，而不考虑时间信息。路径描述了机器人将要经过的位姿（位置和方向），但不涉及机器人如何在这些位姿之间移动，也就是说，路径不包含速度、加速度等动态信息。路径可以是任何形式的，比如直线、曲线或者由多个线段组成的折线。则是路径的动态版本，它不仅包含了位置信息，还包含了时间信息。因此，轨迹考虑了速度、加速度、加加速度（jerk）等动态参数，它是时间的函数。在移动机器人导航和控制中，理解路径和轨迹的区别对于设计有效的路径规划器和运动控制器至关重要。

原创 聊聊自动驾驶中的LiDAR和Radar

文章比较了LiDAR和Radar两种遥感技术，指出LiDAR利用激光脉冲，精度高，适用于地形测绘和自动驾驶，但受天气影响；Radar使用无线电波，适应性强，用于气象监测和军事领域，但分辨率较低。两种技术各有优势，选择取决于应用需求和环境。

原创 自动驾驶的规划控制简介

自动驾驶的规划控制是其核心部分，分为行为决策、轨迹规划和运动控制三个层次。行为决策确定行驶目标，轨迹规划生成具体行驶轨迹，运动控制将理想轨迹转化为实际运动。此过程需考虑传感器数据融合、车辆动力学模型、实时性、计算资源限制及车辆间通信，以提升安全性和可靠性。

原创 为什么要求轨迹平滑？

移动机器人要求轨迹平滑主要是为了确保移动过程的安全、稳定和效率。

原创 常见的距离和相似度测量方法

距离或相似度的测量算法在机器学习、数据挖掘和模式识别等领域中非常重要。以下是一些。

原创 2-自动驾驶关键技术框架

框架来自《自动驾驶汽车决策与控制》这本书三大技术车载平台的关键技术：环境感知技术：这是自动驾驶车辆能够“看”和“感知”周围世界的技术。它包括使用摄像头、雷达、激光雷达（Lidar）和超声波传感器来检测和识别道路、障碍物、行人、车辆和其他物体。环境感知技术是自动驾驶车辆安全行驶的基础。智能决策技术：在感知到周围环境后，车辆需要做出如何行驶的决策。这包括路径规划、速度调整、变道决策等。智能决策技术使用先进的算法和人工智能来模拟人类司机的决策过程，并尽可能做出最优的驾驶决策。控制执行技术：一

原创 1-什么是自动驾驶？

自动驾驶（Autonomous Driving）是指利用计算机系统来实现车辆的自主控制，使车辆能够在没有人类司机的情况下安全行驶的技术。自动驾驶车辆通常配备有多种传感器，如雷达（Radar）、激光雷达（Lidar）、摄像头（Camera）以及全球定位系统（GPS）等，这些传感器用于检测车辆周围的环境，包括其他车辆、行人、道路标志和信号灯等。

原创 3-自动驾驶车辆路径规划

在自动驾驶领域，轨迹搜索（Trajectory Searching）和轨迹生成（Trajectory Generation）是两个密切相关但有所不同的概念，它们都是自动驾驶车辆规划其行驶路径的关键步骤。

原创 最大转向力矩

在车辆设计中，最大转向力矩是一个重要的参数，因为它直接影响到车辆的操控性能和安全性。一个具有较高最大转向力矩的车辆能够在较短的时间内完成更大的转向角度，这在紧急避险或快速变换车道时尤为重要。在自动驾驶车辆中，最大转向力矩也是一个关键因素，因为它影响到车辆在自动控制模式下的转向响应和精确性。最大转向力矩是指车辆转向系统能够提供的最大力矩，它决定了车辆转向时的最大转向能力。这个力矩是由转向系统的设计和性能决定的，包括转向机、转向柱、转向拉杆、转向节等部件。

原创 4-动力学与运动学、动力学约束与运动学约束、动力学因素与运动学因素

动力学和运动学是物理学中两个密切相关但不同的分支，它们都研究物体的运动，但侧重点不同。

原创 7-什么是自动驾驶中的CopyCat？

在自动驾驶领域，"copycat"可能不是一个正式的术语，但如果要解释这个词可能的意义，我们可以将其理解为一种模仿或复制其他车辆行为的策略。在这种情况下，"copycat"策略可能意味着自动驾驶汽车会观察人类驾驶员的决策和行为，并尝试模仿这些行为来更好地融入交通流。总之，虽然模仿其他车辆的行为在某些情况下可能有助于自动驾驶汽车更好地融入交通流，但过度依赖这种策略可能会带来一系列的缺点和风险。在不同的语境中，"copycat"这个词的含义可能会有所不同，但通常都与模仿或复制他人的行为有关。

原创 5-速度（velocity）、加速度（acceleration）、急动度（jerk）和弹跳度（snap）傻傻分不清楚？

原创 Boost中的锁

多线程编程中，通常某些数据是在多个线程间共享的，由于线程的并发行，一个线程读写的过程中另一个线程也极大可能同时读写， 这必然造成公共资源的错乱， 引起程序错误， 此时对公共资源的保护实在必行了， 需要使用公共资源之前， 先“锁”住， 防止其它线程更改，等待当前使用完成“解锁”后，其余线程才可以更改， 此种情形引出多种锁模型，适用于不同情形:多线程争抢修改资源，都需要独占式修改 – 互斥独占式...

原创 1.3-最小二乘法求解多项式

原创 1.2-多项式曲线拟合的应用场景

原创 1.1-初识多项式曲线拟合

原创 不同进程之间和同一进程内不同线程之间的数据传

不同进程之间和同一进程内不同线程之间的数据传输确实存在一些差异，这些差异主要体现在以下几个方面：

原创 路径规划中的曲线插值

路径规划中的曲线插值是一种数学方法，它通过一系列离散的点生成一条平滑的曲线，这条曲线可以用于机器人导航、自动车辆驾驶、动画制作等领域。

原创 路径规划搜路算法有哪些?

这些算法可以单独使用，也可以组合使用，以适应不同的应用场景和提高路径规划的性能。随着技术的发展，新的算法和改进方法不断被提出，以解决更复杂的路径规划问题。：一种启发式搜索算法，通过结合实际已走路径和预估到目标的距离来优化搜索过程。：模仿自然选择和遗传机制的优化算法，用于路径规划中的全局搜索。：利用地图的对称性和可达性来跳过不必要的节点，减少搜索开销。*：RRT的优化版本，通过最小化路径长度来寻找最优路径。：使用神经网络进行学习和优化，适应于复杂和动态的环境。：通过随机采样和树的扩展来探索未知环境中的路径。