产品设计体会(4006)我们急需靠谱的会议首先,这篇说的只是正式会议,意

本文提供了组织高效会议的方法,包括明确会议目的、做好会前准备、确保会议流程顺畅及会后跟踪等关键步骤。

首先,这篇说的只是正式会议,意味着不是站立会议,或者23个人在座位边、过道上的讨论,而是需要像模像样的找一间会议室的那种。说到这里,你一定有很多苦水想倒了,没错,大家都很痛苦,听到“开会”这两个字头皮都发麻,那么我们来一起看看怎么减少痛苦吧。

首先,明确目的,最最重要,其实做一个会议和做一个产品也是一样的。不要试图在一个会议中解决所有的问题,就算你要连着召集两个参与人大部分相同的会议,我也建议你把它们分开,甚至,更好的做法,合理安排一个会议中的议题,可以让部分人早点走,或者晚点到。依据目的,类似的日常会议一般在15min23个小时不等。

会议前,做好准备工作,资源的确定是小:会议室、投影仪、白板、纸笔、网络等等(视情况而定);人员的确定是大:确认好“必选的和“可选的,不要漏人,也不要叫闲人,把握“大会决定小事,小会决定大事”的原则(“大/小”指的是参会人数,比如全公司的会议,是没法讨论事情的,只能传达信息)。识别出会议的KPKey Person,关键人物),通常是最大的一个或几个老板,提前当面或者电话知会一下,然后发出会议邀请,我们用outlook。而发送时间,我觉得日常会议提前2472小时比较合适,看情况。邀请中需要注明会议的时间、地点、议程,每一项议程的估计时长,并且附上需要讨论的文档初稿,要求大家会前阅读(虽然很少有人能做到,很现实的问题),而对于KP,争取提前与他讨论关键议题,达成一致,叫做“串供”,这会让会上省很多时间和精力。正所谓,要想让会议不流于形式,就要把会议本身变成走走形式

会议中,关键人物,在会前10min左右再次确认。关于迟到问题,其实没法避免,一般等个5min是 极限,如果能想出合适的惩罚规则,会比较好。会议要有明确的主持人和记录人,当然可以是同一个人,主持人主要掌握整体时间进度,控制个人发言时间,均衡发 言机会,保证议题不走偏;记录人要如实做好记录,特别是“会议决议”与“遗留问题”(详见下一节)。所有事情,尽量在会上达成一致,给出“会议决议”,实 在不行的可以作为“遗留问题”。最后,牢记很实用的“所有人提供意见,少数人讨论,一个人拍板”的民主集中原则。

会议后,会议记录最重要。尽量在24小时内邮件发出,收件人是所有参与者,抄送给所有参与者的老板,让老板们看到手下干的活,让大家知道老板们看得到他们干的活。然后给出“时间、地点、主持人、记录人、议程信息”,其实都不关键,关键是“会议决议”“遗留问题”。 会议决议就是传达,是会上大家确认过的,写明是谁最终拍板的,其实也是增加他反悔的成本,形成习惯以后,大家才能都清楚决议的严肃性,并且保证后续动作的 连贯;遗留问题要描述清楚是什么问题,谁负责解决(一定只能是一个人),这个人承诺解决的时间点。相应讨论过的文档有更新,也应该补充发出(不一定是做邮 件附件,我们通常给个wiki永久链接,自己去随时查看最新文档就好了)。

这一套跑下来还有个好处,因为难免会有人到不了会上,这样通过会议前和后的两个邮件,他也可以大概了解到主要情况。

最后还有兴趣的同学,可以看看我写过的几个目的各不相同的会议实例:13小时不等的评审会15min左右的项目Kick Off;半天时间,需要邀约产品用户,提前布置会场,有预算的用户大会

更多尽在 iamsujie.com

UA:F [1.1.8_518]

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/15232300/viewspace-582554/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/15232300/viewspace-582554/

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值