- 博客(256)
- 收藏
- 关注
RSS订阅原创 RVC声音转换的使用
本文详细介绍了在Windows系统下使用RVC（Retrieval-based Voice Conversion）工具进行声音克隆与训练的完整配置流程。主要包括：1) 创建Python 3.8的conda环境；2) 安装CUDA 11.8和PyTorch GPU版本；3) 克隆RVC项目源码并解决依赖冲突；4) 下载必要的预训练模型和工具文件；5) 配置启动脚本。文章提供了详细的命令行操作步骤和配图说明，特别针对常见的依赖冲突问题给出了解决方案（降低pip版本），适合想要实现语音转换功能的开发者参考。
2025-11-23 14:26:08
13
原创 ubuntu系统反复停留在登录界面无法进入
摘要：解决Ubuntu登录界面循环问题，可通过tty创建新用户。步骤如下：1）执行sudo useradd -m -s /bin/bash newuser新建用户；2）用sudo passwd newuser设置密码；3）可选sudo usermod -aG sudo newuser授予管理员权限；4）通过id newuser验证用户创建成功。该方法能绕过原账户登录故障，新建账户带sudo权限可避免后续操作受限。（149字）
2025-11-07 10:45:59
116
原创 使用mujoco加载模型和控制、以及训练（二）
本文介绍了MuJoCo物理引擎的安装配置及常用机械臂模型的使用方法。主要内容包括：1) 下载最新版MuJoCo并配置环境变量；2) 测试安装效果并运行示例模型；3) 获取menagerie模型库中的常见机械臂模型；4) 展示多个机械臂模型的仿真效果图；5) 介绍Python环境下MuJoCo的基本使用方法，包括模型加载、仿真控制和可视化。特别演示了如何通过Python程序获取机械臂末端执行器的位置信息，并提供了完整的仿真控制代码框架。
2025-11-02 00:28:42
722
原创 使用mujoco加载模型和控制、以及训练（一）
本文介绍了在Windows系统下搭建MuJoCo强化学习训练环境的过程。首先下载并安装最新版MuJoCo，配置相关环境变量。接着安装CUDA 11.8和对应版本的cuDNN，完成GPU加速配置。然后通过conda创建虚拟环境，安装PyTorch GPU版本和stable_baselines3等必要依赖。最后启动训练脚本进行模型训练，训练完成后可进行模型测试。整个过程涵盖了从环境配置到模型训练的主要步骤，为基于MuJoCo的强化学习项目提供了完整的Windows环境搭建指导。
2025-11-01 17:20:15
585
原创 moveit使用最终章——tiago moveit环境配置过程（五）
本文介绍了在ROS Noetic环境下搭建Tiago机器人仿真环境的具体步骤。首先创建并配置工作空间，下载官方功能包源码。随后通过apt安装必要的依赖包，包括导航规划、传感器仿真、MoveIt运动规划等组件。接着使用rosdep解决剩余依赖关系，并跳过部分非必要依赖项。最后通过catkin build命令编译整个项目，编译完成后运行导航和任务测试launch文件验证环境配置正确性。整个过程涵盖了从源码获取、依赖安装到系统编译的完整流程，为Tiago机器人的仿真开发提供了基础环境支持。
2025-10-31 19:58:59
247
原创 moveit使用和机器人模型与状态--正向运动学和逆向运动学分析（四）
本文介绍了机器人模型中RobotModel和RobotState类的使用。RobotModel包含机器人关节与链接的关系信息，RobotState存储机器人的实时状态数据。通过MoveIt的C++ API，可以访问机器人的运动学信息，包括末端执行器的雅可比矩阵计算和笛卡尔轨迹规划。文中展示了如何加载Panda机器人模型、获取关节值、检测和处理关节限制，以及进行正向运动学计算。代码示例演示了从URDF/SRDF加载模型、设置关节位置、验证状态有效性，并计算特定末端执行器位置的变换矩阵。运行测试时输出包含模型框
2025-10-30 15:38:03
647
原创 moveit使用与命令行脚本（三）
摘要：本文介绍了如何使用moveit_commander的Python包实现机器人运动规划。通过命令行界面可执行控制命令，包括设置关节值、规划路径和执行动作。具体操作包括启动demo环境、记录当前状态、修改目标关节值（如goal[0]=0.2）、使用go或plan+execute命令控制运动，并支持在RViz中可视化运动计划。该工具提供类似Matlab的语法操作，可通过help查看支持命令，quit退出界面。
2025-10-30 14:48:39
176
原创 moveit使用与规划——python规划(二)
本文介绍了如何使用Python接口实现机械臂运动规划。通过MoveIt的Python移动组接口，用户可以设置关节或姿势目标、创建运动计划、移动机器人等操作。文章演示了运行环境启动命令和Python脚本的过程，展示了通过Enter键交互执行的多个功能步骤（包括关节状态目标运动、笛卡尔路径规划、物体添加/移除等）。同时解析了代码中核心类的初始化过程，包括RobotCommander、PlanningSceneInterface和MoveGroupCommander的创建，这些接口提供了机器人运动规划所需的运动学
2025-10-30 14:41:32
726
原创 moveit安装与测试(一)
本文介绍了在Ubuntu 20.04上安装ROS Noetic及MoveIt运动规划工具的过程，包括环境配置、依赖安装和源码编译。重点演示了通过RViz与MoveIt交互进行机器人运动规划的方法，展示了设置起始/目标状态、碰撞检测、冗余关节控制等关键功能。文章还介绍了MoveGroupInterface编程接口，为后续C++控制开发奠定基础。整个过程涵盖了从环境搭建到可视化交互的完整流程，为机器人运动规划研究提供了实用指南。
2025-10-29 15:04:24
987
原创 leetcode 912.排序数组
基准元素要怎么变化！！！递归调用：对基准左侧（left 到 pivot_index-1）和右侧（pivot_index+1 到 right）的子数组递归排序，覆盖了所有元素，无遗漏。
2025-10-18 19:17:15
695
原创 深度相机仿真
最近发现其实真正的仿真的时候,用到激光的雷达的情况是很少的,主要还是使用的是深度相机,所以我们来学习一下深度相机仿真的使用.打开仿真,获得对应的图像信息:这里面的相机其实发布了四个话题,这里我们具体看一下代表的是什么内容的.在 ROS 中，/camera/color/
2025-10-17 18:33:33
872
原创 深度学习模型训练的一些常见指标
回归任务常用指标包括：MSE（平方误差均值，对大误差敏感）、MAE（绝对误差均值，抗异常值）、RMSE（MSE开方，单位一致）和R²（模型解释力）。分类任务主要指标有准确率、精确率（查准率）、召回率（查全率）和F1-Score（精确率与召回率的调和平均）。多分类任务中，每个类别可单独计算精确率和召回率，通过混淆矩阵分析预测结果。
2025-10-17 14:39:50
972
原创 leetcode 2073.买票需要的时间
对于简单题来说,它的题干内容是非常多的.我们只需要直到,一个人一次只能买一张,如果没有买完就得回到队尾,所以这个队列如果能存储位置以及剩余要买的票的话,这个问题就能很好的解答了。在最前面的人买完票后，队伍在第 1 秒变成 [3,2,1]。队伍一开始为 [2,3,2]，第 k 个人以下划线标识。继续这个过程，队伍在第 2 秒变为[2,1,2]。继续这个过程，队伍在第 3 秒变为[1,2,1]。继续这个过程，队伍在第 4 秒变为[2,1]。继续这个过程，队伍在第 5 秒变为[1,1]。
2025-10-17 02:40:16
152
原创 leetcode 20.有效的括号
也是要注意一下哈希集合是怎么进行in的,如果找到了右括号后也是一样要弹出左括号的,然后看能否匹配,判断的条件必须是不能匹配,也就是maping[char]!易错点很多,比如判断的时候判断的都是false的情况,只有匹配完毕并且栈空了之后才能说都匹配,匹配的条件也需要注意不要写错了.给定一个只包括 ‘(’，‘)’，‘{’，‘}’，‘[’，‘]’ 的字符串 s ，判断字符串是否有效。所以还有更加方便的方式,通过哈希表来写对应的匹配,此时需要右括号作为key,左括号作为value。输入：s = “()[]{}”
2025-10-17 02:33:17
208
原创 leetcode 136.只出现一次的数字
需要注意的就是如果key不存在的时候是很容易报错的,所以比较推荐的是使用defaultdict进行初始化,然后根据key的类型进行对应的初始化即可.比如defaultdict(int),defaultdict(str)很明显,是直接不允许你使用暴力搜索的方式解题,所以我们需要考虑其他的数据结构.这里明显是在统计出现的次数,也就是一个哈希表的问题,key为num,value为出现的次数.dict 用于存储键值对（key-value），核心操作围绕键的增删查改。输入：nums = [4,1,2,1,2]
2025-10-17 02:08:05
345
原创 leetcode 217.存在重复元素
给你一个整数数组 nums。如果任一值在数组中出现 至少两次 ，返回 true；如果数组中每个元素互不相同，返回 false。但是这种解法无法通过,原因是复杂度太高了.所以我们需要想办法规避一下.这里对于重复元素的判断,可以通过哈希集合.比较简单,同样根据时间复杂度(使用的数据结构)可以分为基础实现和进阶实现。输入：nums = [1,1,1,3,3,4,3,2,4,2]输入：nums = [1,2,3,1]输入：nums = [1,2,3,4]元素 1 在下标 0 和 3 出现。
2025-10-17 01:38:47
209
原创 leetcode 1.两数之和
这个复杂度很明显是O(n^2),因为嵌套了两个for,稍微修改一下使用的数据结构,通过O(n)来解决这个问题,此时我们可以想到哈希表。解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1]。先说绝大多数的思路,就是两个for循环进行遍历,注意遍历的技巧即可.输入：nums = [2,7,11,15], target = 9。输入：nums = [3,2,4], target = 6。输入：nums = [3,3], target = 6。作为最初的题目,经典无需多言。
2025-10-17 01:26:29
318
原创 leetcode 797所有可能的路径
这里唯一的注意点就是bfs找路,遍历的过程要用deque记录的是路径而不是节点,所以deque.popleft提取的是一条一条的路,直到这条路满足到达终点的硬性条件.输出：[[0,4],[0,3,4],[0,1,3,4],[0,1,2,3,4],[0,1,4]]输入：graph = [[4,3,1],[3,2,4],[3],[4],[]]输入：graph = [[1,2],[3],[3],[]]这个是一个典型的求路径的题,也是递归方法的实际应用。输出：[[0,1,3],[0,2,3]]
2025-10-17 01:08:31
136
原创 leetcode 2598 执行操作后最大MEX
乍一看完全不理解,怎么又是任意次数又是两个变量的,什么神奇的问题,但是我们做题还是要找一找规律最重要的.nums中的元素减value,这一点应该可以想到余数的意味,但是光想到取余还完全不够,因为我们首先要求MEX,而且还要的是最大MEX.value（共 k+1 个数）。检查的数 m m 的余数 r = m%5 m 是该余数的第几个数（k = m//5） 需要该余数的元素数量 ≥ k+1？加减任意次的意思不就是可以最终变为相同的元素值,也就是说1%5=1,可以覆盖1,6,11,16这些除以5余1的非负整数.
2025-10-17 00:06:55
654
原创 基于frenet坐标系的规划与避障
摘要 本文介绍了Frenet坐标系在自动驾驶路径规划中的应用。Frenet坐标系将二维路径规划分解为纵向(s)和横向(d)两个独立的一维问题，具有直观性强、约束简化等优势。文章详细阐述了笛卡尔坐标系与Frenet坐标系的相互转换方法，包括切线向量计算、法向量确定和投影变换等关键步骤。同时介绍了基于frenet坐标系的轨迹采样策略，包括横向偏移、目标速度和时间长度三个维度的采样方法。最后通过代码示例展示了坐标转换和采样生成的具体实现，为自动驾驶路径规划提供了理论基础和实用方法。
2025-10-13 22:49:50
777
原创 ubuntu中文字体使用与可视化
其实大家很容易就能发现，在ubuntu中通过matplotlib进行绘图时，经常是无法使用中文字体来绘制的，这里我们通过安装额外的中文字体可以解决这个问题。首先需要导出windows中的一些中文字体，打包为font.zip文件.放到主目录的font.zip中。这里面执行了一些创建工作和设置环境工作。就可以测试是否能够正常使用了。
2025-10-04 21:32:36
356
原创 预瞄控制中的相关信息
本文介绍了纯跟踪算法中预瞄距离的调整方法，基于轴距2.75m的车辆给出了具体计算公式L=k×v+L₀，并针对不同速度区间（低速、中速、高速）分别推荐了参数取值。同时提出结合轨迹曲率的动态调整策略L'=L×(1-α×|κ|)，确保弯道行驶稳定性。文章还提供了工程验证建议，包括直线和弯道测试方法，以及预瞄距离的安全边界设置（2.75-13.75m）。最后预告后续将探讨LQR控制在循迹中的应用，包括Python和C++实现方案。
2025-10-04 20:58:44
500
原创 ros时间戳机制剖析
ROS时间系统提供统一的时间管理机制，支持真实时间和仿真时间两种模式。通过use_sim_time参数控制时间模式切换，仿真模式下由/clock话题发布仿真时间。ROS时间系统在算法测试、数据回放等场景中尤为重要，确保所有节点使用统一的时间基准。时间获取通过rospy.Time.now()实现，其行为随use_sim_time参数变化而变化。仿真时间模式下，需由仿真器或rosbag发布/clock话题来驱动系统时间前进。
2025-09-23 14:12:15
720
原创 git永久存储凭证（可以不用经常输入git密钥）
本文介绍了解决GitHub每次推送都需要输入密码问题的方法。主要内容包括：1）配置Git用户信息（邮箱和用户名）；2）通过安装libsecret工具实现凭证永久存储（Ubuntu/Debian系统）；3）设置Git使用libsecret存储凭证。实现后只需首次输入密码，后续操作将自动验证，提升开发效率。方法适用于需要频繁提交代码的场景，但需在安全环境下使用。
2025-09-16 23:34:32
425
原创 GPS地理坐标与ros右手坐标系的转换
摘要：本文详细分析了地理方位角与数学角度的转换问题，地理方位角以北方为0°基准顺时针增长，而数学角度以东方为0°基准逆时针增长。通过转换公式math_angle=90°-geo_angle可实现两种系统的转换，该公式同时实现了坐标轴旋转和方向反转。文章提供了理论推导、可视化图表、几何变换原理及实际应用效果分析，并给出Python实现代码和性能优化建议，确保导航系统的准确性和可靠性。
2025-09-15 09:11:37
998
原创 ros2-tf树查看
本文介绍了在Ubuntu 20.04中使用ROS 2（Foxy/Noetic/Galactic）搭建阿克曼转向模型car_demo的方法，并重点讲解了ROS 2的TF系统。主要内容包括： 仿真环境部署：通过git克隆项目并编译 TF可视化工具：安装tf2-tools和rqt-tf-tree查看坐标系关系 坐标变换分析：使用tf2_echo获取坐标变换数据，详细解释平移向量和四元数旋转的数学原理 实际应用示例：展示了如何通过Python代码实现GPS到odom坐标系的转换 文章还提供了完整的坐标变换公式说明，
2025-09-14 21:43:36
1053
原创 SARSA和Q-learning示例
1.2 状态编码状态按行优先编码：3. SARSA算法详细执行3.1 初始化3.2 ε-贪心策略函数3.3 回合1详细执行步骤1当前状态: S₀ = 0 (起始状态)选择动作: A₀ = ε-贪心选择执行动作: 从(0,0)向右移动到(0,1)观察结果: R₁ = -1, S₁ = 1选择下一动作: A₁ = ε-贪心选择SARSA更新:更新后Q表:步骤2当前状态: S₁ = 1, A₁ = 1 (↓)执行动作: 从(0,1)向下移动到(1,1) - 但这是障碍物！实际结果
2025-08-29 02:31:03
917
原创 SARSA和Q-learning算法详细教程
马尔可夫决策过程是一个五元组SAPRγSAPRγSSS: 状态空间AAA: 动作空间PPP: 状态转移概率Ps′∣saP(s'|s,a)Ps′∣saRRR: 奖励函数Rsas′R(s,a,s')Rsas′γ\gammaγ: 折扣因子SARSA在策略算法，学习当前策略的价值Qsa←QsaαrγQs′a′−QsaQsa←QsaαrγQs′a′−Qsa。
2025-08-29 01:40:07
1707
原创 数据集数量与神经网络参数关系分析
神经网络的参数量与所需数据集大小之间存在重要的关系，这直接影响模型的泛化能力和训练效果。当前10,000样本的数据集对于这个网络结构来说是。：数据样本数量应至少为模型参数量的10倍。
2025-08-26 20:56:10
582
原创 神经网络参数量计算详解
权重（Weights）：连接不同神经元之间的权重矩阵偏置（Bias）：每个神经元的偏置项批归一化参数：BatchNorm层的缩放和平移参数其他可学习参数：如Dropout的参数等模型设计：合理的参数量设计数据需求：估算所需的数据量训练策略：选择合适的正则化和优化方法性能预期：预测模型的泛化能力短期：加强正则化，优化训练参数中期：收集更多高质量数据长期：探索更适合的模型架构通过合理的参数量控制和训练策略，即使在小数据集上也能训练出性能良好的模型。
2025-08-26 20:54:47
619
原创 阶段整理-1窗口置顶2cuda报错3jupyter内核管理4终端代理
在虚拟环境中运行python -m ipykernel install --user --name=myenv --display-name “Python (myenv)”，–name=myenv指定内核名称（通常与虚拟环境名相同），–display-name "Python (myenv)"是在 Jupyter Notebook 中显示的名称。创建后用conda activate myenv激活该虚拟环境。窗口置顶是让某一个窗口能够始终保持在最顶层的方式，这个在需要有一个参考的窗口的时候是最为重要的。
2025-08-03 10:55:04
981
原创 wandb记录数据
Wandb是一款云端机器学习训练管理工具，能够替代TensorBoard等本地化工具，实现训练数据的实时上传和可视化。本文详细介绍了从注册到使用的完整流程：1）在官网注册账号并创建项目；2）本地安装wandb库并通过API密钥登录；3）调试时可设置离线模式；4）在代码中初始化项目、记录超参数和训练指标；5）支持日志、图片、模型等各类数据的上传。通过wandb.init()初始化项目、wandb.log()记录数据、wandb.save()保存模型，最后用wandb.finish()结束记录。该工具大大简化了
2025-08-03 10:37:13
923
原创 决策规划内容整理
本文整理了无人驾驶决策规划算法的实现方法，包括高精地图Dijkstra路径规划、栅格地图A*算法和Frenet最优轨迹规划三种方案。高精地图方案通过Python脚本直接解析地图数据并可视化；栅格地图方案采用模块化架构，包含环境建模和多种搜索算法；Frenet方法通过分解运动到纵向和横向维度，采用多项式拟合生成最优轨迹。此外还介绍了基于SMACH状态机的任务管理框架，包含系统初始化、任务执行等状态。这些方案适用于无人驾驶入门学习，配套代码和文档可通过视频评论区获取。
2025-07-22 21:58:50
833
原创 具身智能系列教程——（三）gazebo环境配置与训练
系列的最后一篇教程，我来到自己比较擅长的gazebo环境中训练自己的go2机器人，这个也是借鉴了开源资料，我们现在来复现一下。通过gazebo来进行仿真,训练强化学习的控制器完成相关任务.
2025-06-29 16:21:31
1401
原创 具身智能系列教程——（二）isaac ism环境配置与强化学习训练
这个之前也写过关于isaac sim安装的文章了，这里再归纳性的总结一下isaac sim相关的内容，并且通过宇树的go2机器狗来进行强化学习的仿真（注意：只说明环境配置过程，因为宇树那个训练需要的显存是大于8G的，我的笔记本还没有完全跑起来，但是环境配置算是非常熟悉了）这个库拓展了模板，更加直观的去训练宇树的机器人。
2025-06-29 15:52:11
1888
3
原创 由dbc文件解析can消息（一）
本文介绍了DBC文件在CAN通信中的核心作用，详细解析了DBC文件的结构与内容。DBC作为协议的表达形式，定义了消息ID、信号布局、取值范围等关键参数。文章通过示例展示了DBC文件的文本格式，包含版本声明、节点定义、信号值表、消息帧（BO_）和信号（SG_）等组成部分，每个信号都详细标注了起始位、长度、缩放因子、单位等信息。最后强调DBC文件既是文本文件又是CAN通信的基础配置文件，对CAN消息解析和发送至关重要。
2025-06-29 14:38:06
764
原创 具身智能系列教程——（一）具身智能研究与发展
具身智能技术正通过人形机器人、机甲格斗等应用场景快速进入公众视野，但其发展仍面临硬件、软件和社会伦理等多重挑战。该技术是机器人通用智能与人工智能物理化需求的双向融合产物，涉及机械工程、认知科学等多学科交叉。目前学界对具身智能的界定存在两类观点：强调具身交互对智能发展的影响，或关注其对解决实际问题的效用。研究将围绕技术发展、Isaac Sim/Gazebo仿真环境搭建等方向展开，参考了信通院、高校学者等权威机构的研究成果。
2025-06-28 23:29:41
499
原创 navigation2学习笔记
ROS 2 Navigation2相比ROS 1进行了多项改进，保留了模块化导航思想，但引入了生命周期管理和行为树导航等新特性。通过TurtleBot3仿真体验发现，Nav2基本流程与ROS 1相似，包括AMCL定位和目标点导航。生命周期管理是ROS 2的核心特性，通过状态机控制节点从配置、激活到销毁的全过程。Nav2采用行为树(BT)导航框架替代有限状态机，使用BehaviorTree CPP V3库加载XML配置，实现更灵活的任务规划。该架构通过BT Navigator Server管理规划器、控制器和
2025-06-28 23:04:45
948
osqp 0.6.3 ubuntu20的cmake版本使用
2025-04-16
Practical Search Techniques in Path Planning for Auto D.pdf
2023-07-31
windows下使用issacsim使用问题
2025-10-30
google/protobuf/port_def.inc: 没有那个文件或目录
2023-06-02
TA创建的收藏夹 TA关注的收藏夹
TA关注的人