- 博客(6)
- 收藏
- 关注
RSS订阅原创 python3运行含有ros-melodic的程序时，出现的不兼容问题。（以tf2_py、cv_bridge为例）
摘要：本文总结了在conda(python3.7)环境中移植ROS项目时解决tf2_py和cv_bridge兼容性问题的方法。针对tf2_py兼容性，提供了两种解决方案：方法1在conda环境中编译geometry2包；方法2创建专门工作空间用系统python3编译。对于cv_bridge，则需要退出conda环境后单独编译vision_opencv包。文中详细说明了各步骤的编译命令和环境配置要点，并给出了不同情况下正确的source顺序，确保项目能正确运行。两种解决方案都需要特别注意python路径和版本
2025-07-16 21:35:17
473
原创 conda 环境直接拷贝
实验室项目要从一台电脑上移殖到到另外一台电脑上，过程中尝试直接通过移动硬盘拷贝conda的环境，发现直接拷贝就可以使用，特此记录。尽量保持两个conda和python（这里说的conda基础环境的python）的版本一样,可以去官网下载。在conda 安装路径下envs中，直接将环境拷贝到移动硬盘。例如我的虚拟环境ck1(这是我的)然后将ck1直接复制到另外一个计算机的conda/evns中，就完成了虚拟环境的移繁。conda环境是直接拷贝使用的！
2025-07-16 20:16:20
454
原创 Paper阅读：Improved 3D Diffusion Policies
DP，DP(冻结RM3编码器)，DP(微调RM3编码器)，iDP3(DP3的编码器)，iDP3（卷积编码器）：分母为尝试次数，分子为成功次数。微调RM3编码器)表现比iDP3（卷积编码器）好，但是只是在训练和测试的场景一样的情况下，在新场景的泛化能力前者就不行了。2.以自己为中心的3D视觉表示，更大范围的点云输入、金字塔卷积视觉编码器、长时程预测。下列实验的DP就是DP(微调RM3编码器)。展现出了较大的泛化能力，但是仍然依赖于固定视角的精密校正摄像头和点云分割。学习使用，欢迎讨论！
2025-03-06 17:30:49
388
原创 机器人模仿学习的典型方法
BC-RNN是BC（behavior clone）中典型的网络结构，相比于使用MLP或者CNN完成状态到动作的映射，将network换成了RNN（循环神经网络），考虑条件序列（通常是指机器人状态，如末端位置，关节角度等）的序列相关性，解决传统BC的短视问题。一种特殊的BC-RNN，利用LSTM捕捉状态序列的时序信息，将LSTM的隐状态ht，通过全连接神经网络映射到GMM的参数上（包括均值、权重、协方差），这样拥有了动态GMM，对动作分布的拟合效果会更好，动作是从动态的GMM模型上采样得到的。
2025-03-06 17:26:45
851
原创 paper解读：3D diffusion policy
(1)空间泛化能力更强：可以更加充分地理解工作区域的空间分布。如下图，红色为是示范 点， 蓝色为算法可以成功到达的点（这里猜测这个蓝色点是人工设置想让机器人到达，并且机器 人成功达到的点）。(2)在点云编码器中引入LayerNorm（层归一化）能够规范化网络层的输出，缓解梯度消失或 爆 炸问题，从而提升训练的稳定性，尤其是在多任务场景中。(3)泛化能力更强：空间泛化泛化能力强、外观泛化能力（颜色）强、形态泛化能力强（物体形 状）、视角泛化能力强。
2025-03-05 10:56:19
506
2
原创 paper解读：diffusion policy
对动作信息的特征进行修饰，修饰后的特征经过连续的卷积神经网络， 得到当前状态和动作（带噪声）下的噪声，对当前动作（带噪声）去除噪声，生成更清晰的动 作，循环K次，生成动作。分类分布对于低维的动作，有一定的效果，但是当动作的维度变大以后，动作的类别呈指数上升。为了解决这一问题，研究人员将动作各维度信息进行解耦，针对每一维信息进行采样，然后组合成N维的动作，这样会产生很多本来不存在的动作模态，如{（1，2）（4，5）}，解耦以后{（1，4），（1，5），（2，4）（2，5）}
2025-03-05 10:44:36
1202
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人