- 博客(119)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 卡尔曼滤波入门（二）
卡尔曼滤波的核心就是在不确定中寻找最优，那么怎么定义最优呢？答案是均方误差最小的，便是最优。卡尔曼滤波本质上是一种动态系统状态估计器，它回答了这样一个问题：如何从充满噪声的观测数据中，还原出系统真实状态的最优估计？这一问题的解决融合了三个关键思想：贝叶斯推断：通过先验知识（系统模型）和观测数据（传感器信息）更新对状态的认知递归优化：以最小均方误差（MMSE）为目标，动态调整预测与观测的权重协方差传播：量化并传播不确定性，形成闭环的误差修正机制。
2025-03-26 11:35:46
981
原创 ubuntu20.04+RTX4060Ti大模型环境安装
这里是重点，因为我是跑深度学习的，要用CUDA，所以必须得装官方的驱动，Ubuntu的附件驱动可能不太行.进入官网https://www.nvidia.cn/geforce/drivers/，选择类型，最新版本下载。挨个运行，更新/安装必须的包禁用自带的显卡驱动nouveau终端运行以下命令：（3）终端依次运行以下代码更新系统，并重启（4）验证禁用是否成功若没有任何输出，则禁用成功。（5）卸载原有驱动，这个新装系统的话可以跳过，不过跑一遍也没影响。
2025-02-06 23:31:49
2271
2
原创 Cmake版本更新
2）随后在cmake官网上下载3.13版的安装文件,如cmake-3.13.3-Linux-x86_64.sh，下载后移动到/opt/目录内。仔细阅读输出结果，如果没有任何报错内容，且版本显示为3.13，证明安装成功！（cmake的最新版本会随着时间变化，安装时注意将版本号替换为相应的即可）验证cmake的安装：敲入。弹出的LICENSE按q键跳过，随后敲两次y，安装完成。3）将cmake链接进/usr/local/bin内。如果报错说文件已存在，用rm逐一删除即可。4）在~/.bashrc内加入。
2025-01-02 16:54:52
630
原创 虚拟机用网线连其他设备（ROS多机网络配置）
把局域网的网线插入电脑，点击这边配置以太网的IP比如说我ROS主机的IP想设为192.168.144.10，那我笔记本的以太网IP可以设为192.168.144.8。假设还有另外一个电脑（ROS从机），他的IP被设置未192.168.144.40，这时候可以ping一下试试：成功了。
2024-12-30 19:48:08
266
原创 (Orin NX - Ubuntu 20.04)环境配置-Mid360雷达版
换到阿里云的源（不要清华的，有些东西会下载失败）如有需要，可以安装一下基础终端工具如果有需要，下载deb并安装NoMachine和VSCode。
2024-12-23 10:28:16
1207
原创 NUC搭建ROS环境
1、开机按F2进入BIOS。2、找power->Secondary Power Settings。3、将After Power Failure设置为 Power On。
2024-11-27 15:47:05
1099
原创 野火鲁班猫4 （RK3588）系统配置
参考文档 ： https://doc.embedfire.com/linux/rk3588/quick_start/zh/latest/quick_start/apt/apt.html先装第一个软件，然后打开第二个软件。点固件，选择Ubuntu最新的固件，这边目前是20240911这个。我这边直接烧写到eMMC，所以插上usb OTG的端口连到电脑后，按住MASKROM，再把usb电源插到板子上。等RKDevTool连接上板子后，点升级就可以了。等待烧写完成就可以了。
2024-10-31 19:37:52
1905
原创 DCDC电源PCB设计
高频电流环路面积越小越好：电感所在的支路不属于高频电流环路对于BUCK电路，电容Ci的越靠近芯片Vi引脚越好，D1越靠近SW引脚越好，同时另一端越靠近芯片GND引脚越好：示例：然后是布局输出：MLCC > 钽电容 > 固态电容 > 高频低阻电解电容 > 电解电容一般用固态电容，若用钽电容，耐压要大于2~3倍的Vo。
2024-09-27 14:16:15
725
原创 PCB中的走线布线技巧
电磁兼容性(EMC)及关联的电磁干扰(EMI)历来都需要系统设计工程师擦亮眼睛，在当今电路板设计和元器件封装不断缩小、OEM要求更高速系统的情况下，这两大问题尤其令PCB布局和设计工程师头痛。另一方面，EMI是由EMC或不想要的电磁能产生的一种破坏性影响，PCB设计人员必须确保减少电磁能的产生，使干扰最小。
2024-03-28 10:05:45
2239
原创 嵌入式图像处理机器视觉库YMCV使用
使用的时候，可以参考他们的教程和demo，建议先看教程，上面有架构说明。一个可以免操作系统的机器视觉库，由c语言编写可以跑在单片机上。需要移植其他平台，有问题可以去他们的qq群里找技术支持。不过使用完渲染器需要手动销毁渲染器。
2023-11-08 11:35:47
442
原创 卡尔曼滤波入门（一）
卡尔曼滤波中，会涉及到真值、测量误差，预测误差等概念。真值描述的是客观世界上，物体具有的状态值，这个值通过仪器测量以后，会在真值范围内呈现正态分布，测量值和真值的误差就是测量误差。： 通常指状态变量所在的空间。有可以直接测量的，可能也包含不可直接测量的变量。：指可直接测量的状态变量所组成的空间。：通常和真值空间等大，用于预测状态变量的下一时刻状态。
2023-06-27 11:03:52
219
原创 ESP32CAM的IDF环境开发
选择第一个，camera_web_server创建，然后选择要存放的路径即可。这个可能是nghttp包有问题，我们去官网更新一下，下载下来替换就可以了。首先，我们需要先搭建一个IDF+vscode的开发环境，然后再下载源码。这些文件可能我们之前安装的idf环境是没有的，可以给他拷贝过去。当然，也可以等编译的时候报错，再去官网下载对应的包，可以参考。配置完毕，关闭配置并保存，就可以开始编译了。这边我用默认的，只有手机可以免密直连。我们可以先配置一下wifi。
2023-04-13 23:31:07
1406
原创 ESP32开发系列
VSCode开发配置（使用本地已经存在的配置）VSCode运行 hello worldShow Examples Projects :查找例子Build your project：编译Select port to use：选择USB端口Flash：下载Monitor your device：串口监视项目工程结构分析：特指一个目录，其中包含了构建可执行应用程序所需的全部文件和配置，以及其他支持型文件，例如分区表、数据/文件系统分区和引导程序。
2023-03-28 00:59:23
1818
1
原创 并查集详解
并查集主要用于解决一些元素分组的问题。它管理一系列不相交的集合，并支持两种操作：合并（Union）：把两个不相交的集合合并为一个集合。查询（Find）：查询两个元素是否在同一个集合中。对于合并的作用，我们可以将相似的集合合并到一起，接下来详细讲解一下。
2023-02-23 17:05:15
278
原创 PID控制和误差曲线分析
负反馈控制模型，到处都挺常见的，我记得高中的时候生物上就有一堆，什么体液调节之类的。PID控制也算是经典控制了，大家讲的都是经验之谈，这里我从误差曲线调节的角度来讲（误差曲线调节一般都是神经网络上谈的）。
2023-02-03 17:26:13
5045
2
原创 简书网页端广告去除
最近用火狐浏览器看文章，发现简书网页端好像被广告劫持了，而且没办法退出广告，鼠标不管放哪里都是一个小手，文本也不能复制了。然后你就会发现，鼠标恢复正常了，不再一直是小手了，也可以进行文本的复制粘贴了。
2022-12-22 03:14:41
1980
原创 人脸特征点检测入门
人脸特征点可以用来做脸型、眼睛形状、鼻子形状等分析，从而对人脸的特定位置进行修饰加工，实现人脸的特效美颜。人脸识别等算法可以通过对人脸的姿态进行对齐从而提高模型的精度。68点标注是现今最通用的一种标注方案，早期在1999年的Xm2vtsdb数据集中就被提出，300W数据集和XM2VTS等数据集也都采用了68个关键点的方案，Dlib算法中所采用。Dlib所采用的68个人脸关键点标注可以看上图，单边眉毛有5个关键点，从左边界到右边界均匀采样，共5×2=10个。
2022-12-10 22:12:13
4040
原创 3D立体匹配入门 - 视差计算
1、左右视图成功匹配的窗口，具有相同的像素2、像素P的视差只与其领域有关3、相近颜色的点具有相近的视差4、视差非连续区，应具有颜色差或亮度差上述这些假设都作为各类算法的切入点，详细可以观看 立体匹配理论与实战一般分为四种：局部、全局、半全局、基于深度学习的匹配，前三种都是传统的算法。如经典的SDA匹配，使用左视图的窗口减去右视图的窗口，得到SDA值最小很可能就是真实视差。不过这样计算出来的一般都比较粗糙，我们一般只用来做初始代价计算，然后得到DSI（视差空间影像），这是一个三维数组（尺寸是w×h×d）
2022-12-08 12:41:52
1904
原创 图像变形 -- 移动最小二乘法（MLS）
根据变换矩阵的不同，可以分为三种变形方法，分别是：仿射变换、相似变换、刚性变换。这边从基本原理进行算法公式推导
2022-12-04 05:45:04
1991
2
原创 脑皮质算法（3）-- 新皮层的位置:利用皮层网格细胞的感觉运动物体识别理论
我们的大脑通过处理我们的感官输入和动作来了解外部世界。当我们触摸一个物体、观察一个视觉场景或探索一个环境时，大脑会接收到一系列的感觉和动作，即感觉运动序列。传统上被认为是感觉区域的皮层区域是将运动流整合到它们的处理过程中的。在视觉中，我们感知到的是一个稳定的世界图像，通常忽略了我们的眼睛每秒进行多个眼跳运动的事实。当眼睛移动时，视觉皮层中许多代表特定刺激的神经元会在刺激到达细胞的感受野之前预测到刺激(Duhamel et al.， 1992)。
2022-11-13 14:23:00
1454
1
原创 脑皮质算法（2）一种基于新皮层网格细胞的智能和皮质功能的框架
人类的大脑皮层会学习一个极其复杂和详细的世界模型。我们每个人都能识别1000个物体。我们知道这些物体是如何通过视觉、触觉和听觉出现的，我们知道这些物体在我们与它们互动时的行为和变化，我们知道它们在世界上的位置。人类的新大脑皮层也学习抽象物体的模型，那些物理上不存在或我们不能直接感知的结构。大脑皮层的回路也很复杂。了解大脑皮层的复杂回路如何学习世界的复杂模型是神经科学的主要目标之一。弗农·蒙特卡斯尔(Vernon Mountcastle)是第一个提出新皮层的所有区域从根本上是相同的。
2022-11-07 19:37:11
1010
原创 脑皮质算法篇（1）-- 导读
《新皮层的位置:利用皮层网格细胞的感觉运动物体识别理论》，这篇论文研究了位置感知如何预测即将到来的输入，并阐述了这种位置感知如何预测即将到来的输入，论文提出了新皮质6层中的三层之间的映射关系，并含模拟过程，算法数学描述及源码实现链接。的神经元如何创造出预测性序列记忆的。，里面包含了他一系列的文章。jeff Hawkins（杰夫。
2022-10-26 18:33:40
886
原创 雅可比旋转（Jacobi法）求对称矩阵的特征值和特征向量
该方法是求解对称矩阵全部特征值和特征向量的一种方法，它基于以下结论：①任何实对称矩阵A可以通过正交相似变换成对角型，即存在正交矩阵Q,使得QTAQ=diag(λ1,λ2,…,λn)Q^TAQ=diag(λ1,λ2,…,λn)QTAQ=diag(λ1,λ2,…,λn)②在正交相似变换下,矩阵元素的平方和不变。 即设A=(aij)n×nA=(a_{ij})_{n×n}A=(aij)n×n,Q为正交矩阵,记B=QTAQ=(bij)n×nB=Q^TAQ=(b_{ij})_{n×n}B=QTAQ=(bij)
2022-08-24 18:03:55
9484
2
原创 NFA虚假警报数
二项分布是n个独立的成功/失败试验中离散概率。举个实例，在一次试验中硬币要么正面朝上，要么反面朝上，每次正面朝上的概率都一样p=0.5，且每次抛硬币的事件相互独立，即每次正面朝上的概率不受其他试验的影响。如果独立重复抛n=10次硬币，可能为0,1,2,3,4,5,6,7,8,9,10中的任何一个，那么k显然是一个随机变量，其成功概率。P(x=k)=Ckn×pk×（1−p)(n−k)简记： x ~B(n,p)
2022-08-20 16:31:58
359
原创 ubuntu没有网络
突然发现Ubuntu连不上网络，右上角也没有网络图标；打开终端，运行命令：更改打开的文件里的内容：将 NetworkingEnabled=false 改为 NetworkingEnabled=true保存退出后，在终端运行命令：好啦，右上角出现网络图标，有网络了~...
2022-07-19 09:55:04
2202
1
原创 神经网络和自动控制的联系
以下从两个方面讲述，正向使用即不带误差传播，在神经网络上直接是正向传播过程。误差传播过程在神经网络中被称为误差反向传播。
2022-07-15 15:00:48
722
原创 强化学习(Q-Learning)与路径搜索(A*)的联系
作为路径搜索的一种典型算法，是在广度优先搜索(BFS)的基础上扩展的。A*算法是在BFS的基础上，加入一个启发值，这个启发值又被称为代价函数：f（n）=g（n）+h（n）这物体如果用q-learning来解决，其实问题也是类似，不过强化学习中对各个部分进行了严格的划分，并且强调了个体的概念在强化学习中，使用奖励r的概念替换了代价的概念，从字面意思我们也能知道他们其实是刚好相反的概念，正如一个是乐观主义一个是悲观主义。但这并不妨碍对本质问题的处理，代价最小化的等价问题也就是奖励最大化。我们可以看到，强化学习使
2022-07-14 12:27:16
2813
1
2003519_aicode.zip
2019-07-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人