OO VS. PO

oo:Object Oriented.面向对象。
po:Process-Oriented面向过程。
对象这个词在我老家那常常用来指爱人,老婆老公,再加上面向这个动词,面向老婆开发? :D
开发各种软件,都是要写N多指令序列,这些指令序列有源程序文件形式和编译后的文件形式,最后在操作系统的引导下进入执行状态。
一个软件的指令序列实在太庞大了,因为对于一套完整的业务需求,需要指示CPU做太多步骤的运行了。所以开发一套软件实在是需要一个普通的人类做太多表达,所以我估计领导们都比较适合干这个活,一般领导们讲话都是比较有条理的,都会分几大条,再分几小条。这个办法可以说蕴含着放之四海而皆准的“道”。于是很自然地将这些程序分成多个目录,多个文件,一个文件里表达几个相关的执行段,段之间可以互相调用。当然在3GL下,已经不叫段了,而是叫function。(叫函数,函数在我上学的时候是代数的概念呢);而这个时候也没有人提出来说这是面向过程的概念,因为整个地是很自然的一个演进。随着人类在这个体系下开发的程序越来越多,越来越复杂,为了能让普通的人类大脑能表达清楚,引入了很多办法:头文件.h,可以把常用的function做重用;指针,把调用者角色的程序内容表达地更活泛;但是终于还是到了某几年,有一撮人被复杂性逼得睡不安稳,于是对先辈们开发程序的表达方式进行了一次反思,灵光一现,提出了新的表达方式。
各位同仁,那些老头子们开发程序时脑袋瓜子太直,就是把某一完整系统应有的一整套运行步骤(过程)分来分去,从顶向下啊,从下上顶啊,翻云覆雨地,说来说去,都是Process-Oriented,以运行步骤为导向的表达,那都是因为他们开发的年代还都是386呢,开发的都是简单的系统;现如今的ERP啊,RAD啊,那可内容太多了,咱们不能再那么直了,咱们绕个弯来说话吧。
你们看,我们现在也把相关的function放在一个文件组织了,但是你们有没有发现一个比较常见的现象,就是这几个相关的function往往会对同一些变量操作,而对于该文件之外的调用者而言,这个变量又完全应该是看不见的。像这种情况,我们是可以通过在main引导的时候建立全局变量或者在加载该文件所在动态库的时候动态创建出来,但是我们很自然地担心该变量会不会因此被不合适地调用,这好像是高耦合呢,还有,在编译器还要考虑和其他全局变量重名而出现编译器错误呢。啊!由此,我们发挥一下联想,我们能不能就此认为这几个function和这几个变量一起构成了一个独立的“运行单元”?就像是一个独立的显卡设备一样,有自己的内部显存,而对CPU上跑的指令序列而言只提供几个又合理又安全的调用接口指令?大胆地幻想一下,我们可不可以从静态看一个系统就是由N多个独立运行单元组成的呢?从运行看就是在引导程序里建立起一些运行单元并执行某一个接口功能,而接口功能里的执行步骤中又可以按逻辑需要加载动态创建一个一个新的运行单元,每一个运行单元都可能去调用另外一个运行单元公开的接口功能,由此协作呈现出一个系统来呢?哈!这种表达思路打了个弯,不是直脑瓜想分那些运行步骤了,而是还要想着该如何把那些相关地步骤封装成一个一个独立的功能单元。这样的好处就是把运行逻辑相对独立开来,能够降低耦合度啊!降低了耦合度,对咱们的堆积木开发总是正道啊!
同志们,我们这种新的开发思路就叫Object Oriented的吧!当然我们也承认,这是PO的一种演进,我们是在分出相关P来后又封成了O。随着这种思路用得更加成熟,我们不断吸取以前的经验,可以说取得了质的飞跃。我们有了方便的对应的4GL语言来OO开发,我们纳入了继承,多态的思想,从而能够更加有层次地发言;而且更加不同PO的,我们现在划分O时甚至直接借助现实世界的名词来开展,而不再是从计算机世界的P出发呢。为什么?因为P到底就是处理Data,而Data自然映射人类的认知体系里的名词,同一个data的多个p正是相关性所在呢。
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