金融 供应链 产业链 融资 银行 交易融资 贸易融资

本文回顾了作者在华腾供应链担任产品经理期间,负责研发及实施银行供应链融资SCF系统的经历。从闭门造车到实际操作,作者深感全身心投入工作的重要性,并反思了管理团队和处理复杂人际关系的经验。尽管过程充满挑战,但最终实现了较好的成果,个人收入也有所提升。

本文只是为了记录下本人担任产品经理期间的历程,警示后来者或者即将做产品经理的人。

本人角色:华腾供应链--教父

时间:2010-2012年,共计2年时间。

主要事迹:银行供应链融资SCF系统研发兼实施。

主要实施客户:广发银行、浦发银行、民生银行。

潜在客户:HR银行、XY银行、JS银行等等。

主要体会:不要刻意先选择一个好的方向,其他方向的项目不考虑。但如果可以选择,建议还是选择一个好的方向的。但好的方向的最后结果不一定好。认真做事、全身心投入做、把事情做到极致,最后结果可能会很好。以前总是期望一个清闲一点的工作,可以有时间干些其他的事情;但是以前经历了很多这样的公司,但最后没有什么收成,倒是在现在的公司,全身心的投入工作,不炒股了,不做兼职项目了(看起来钱少了,以前每年都有2万左右的额外收入),但是经历了这2年,反而觉得只有全心投入工作,为公司作出成绩,最后自己也有一个满意的收入(说收入,有点俗,见笑了!)。本人现在20k/月左右。

时间从前到后: 闭门造车--》研发--》实施。。。。。。

经历人员管理:2人--3人--5人--12人--20多人。。。。。,马山可能是一个现场、部门,人数不定。本人可能要转做项目总监了,但是个人不太喜欢这个。希望继续做研发,但太苦太累了,矛盾ing。。。。

烦心事:各个现场,天南海北,什么人都有,什么性格都有,与人争吵,需要保持克制,虽然大家都是想把事情做好,但需要讲求方式;经历了各个现场的精神领袖、教父;但是现在感觉,不能总做各个现场的的教父,需要慢慢退化。

第一个现场最烦心,被客户拖着不让回家,呆了半年。后面1家银行还好,一家是公司本地,最后一家又出差了n多月。

结果:发现争吵后可以把事情做好,人员也按照自己预想的配置了,但是结果是过程痛苦,大家不开心。事后想想,没必要,反正最终结果都是差不多。何必搞得自己和大家都不开心。活着不光有工作,还有生活,还有亲人朋友。

反醒:不要每件事情都冲在前面,逢人只说三分话。即使是领导,也要悠着点。事情做好就可以了。没必要做教父。

总结:这2年付出了很多,基本上除了研发就是出差,虽然原始研发团队都挽留住了,但后面难免面临解散。公司和个人,最好结果双赢,很难(或者只有项目组少数人可以)。现在每个现场都是给别人做嫁衣,做好一期后本人离开;发现太累了。以后,打算稳定在一个现场,老了,不想再飞来飞去了。从这2年的贡献来看,本人爱死供应链了,但从出差来讲,又恨死供应链了。从与领导相处来讲爱死华腾,也恨死华腾。。。。这其中味,只有自己最清楚。

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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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