Chapter2 The Nature of Complexity

本文探讨了软件复杂性的定义,分析了其主要表现形式,包括改动传播、认知装载及未知未知的问题。深入讨论了复杂性的起因,如依赖和不明,以及如何通过良好的设计减少这些复杂性。

The Nature of Complexity

复杂性的定义

复杂性就是和软件结构相关的,所有使得系统难以理解和修改的东西
下面使用公式来定义一个系统的复杂性
在这里插入图片描述
其中,cp和开发人员花在tp模块上的时间成正比
因此,如果一个模块十分复杂,但是不需要经常改动的话,那么该模块对整体系统的复杂性没有太大影响

复杂性的表现

改动传播

一次简单的改动导致了其他很多地方的修改
比如一个web系统,其中包含了多个页面,每个页面上的banner的背景颜色如果都手工指定的话,当需要修改时,需要修改多处;解决方法是,在一个地方定义banner的背景颜色,然后在其他页面中来引用这个设置
在这里插入图片描述
好的设计应该尽量减少每次决策导致的代码的修改

认知装载

一名开发人员在完成一个任务之前需要了解多少
如果一名开发人员在完成一个任务之前需要了解很多内容,那么就很容易出bug,因为很容易忽略一些重要的东西。
简单的例子就是使用C语言实现了一个方法,该方法会进行空间的allocate,并且返回一个指向该内存地址的指针;这种情况下,方法的调用者就需要自己释放空间,否则会导致内存泄露

Unknown unknown

为了完成一个任务,需要修改哪些代码并不明显
在这里插入图片描述
还是使用之前的例子举例,banner的背景颜色都使用引用的方式,指向了一个bannerBg,但是一些页面使用了另外一个属性darkedColor,该属性是显式地定义在指定页面中的。当背景颜色修改后,darkedColor需要跟着修改,但是很有可能开发人员忘记修改darkedColor,或者即使意识到需要修改,也需要去搜索使用到这个属性的页面,然后去一一修改

好的设计的表现

具有好的设计的系统应该是obvious的,在这样的系统中,开发人员可以很快地了解当前代码是怎么工作的,进行一些改动需要修改哪些地方。

复杂的起因

复杂主要有两种起因:依赖和不明

依赖

当开发人员无法理解一段代码,并且仅仅修改该代码就能完成任务时,依赖就产生了;当前代码和其他的代码相关,如果当前代码修改,另外一段代码也得跟着修改。
以网络协议举例,虽然接受者和发送者使用不同的代码,但是如果其中一方修改了代码,另外一方就得跟着进行修改,此时就产生了依赖
另外一个例子是,方法的签名和方法的实现,方法的签名在方法的实现和方法的调用方之间产生了依赖,如果向方法的签名中新添加一个参数,那么需要同时修改方法的调用和方法的实现

不明

当重要信息并不明显时,就出现了不明。
简单的例子就是变量的命名过于通用,比如time,变量的命名中并没有携带很多有用信息
在很多情况下,不明都是由文档的缺失导致的。但是如果系统需要过多的文档,那么也说明了该系统的设计并不合理

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