- 博客(28)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 视觉SLMA工具
以下是 SLAM 项目中高频使用的 C++ 第三方库，按功能分为五类（前端-后端-可视化-点云-工具），每个库均附简要说明和官方链接，便于快速安装或源码编译。
2025-09-25 16:37:25
446
原创 计算机视觉（9）-实践中遇到的问题（六路相机模型采集训练部署全流程）
本文总结了多相机系统开发中的架构设计与核心代码实现，重点解决多路视频流同步与数据格式标准化问题。系统采用分层架构，包含数据采集、边缘预处理、中心数据湖管理、训练与部署模块。关键技术点包括：1) 基于PTP协议的硬件级同步；2) Kafka实现实时数据流传输；3) 边缘节点进行分辨率统一和色彩空间转换；4) Parquet列式存储优化数据湖效率；5) TensorFlow分布式数据服务加速训练。通过标准化处理流程和同步机制，有效解决了多相机数据流不一致导致的模型训练与部署问题，为类似系统开发提供了参考方案。
2025-08-18 23:47:02
738
原创 计算机视觉（8）-纯视觉方案实现端到端轨迹规划（模型训练+代码）
以上代码均经过天准Orin平台实测（JetPack 5.1, ROS2 Humble），典型端到端延迟<80ms（从图像采集到轨迹输出）。实际部署时需根据车辆动力学参数调整轨迹平滑度约束。以上代码均经过天准Orin平台实测（JetPack 5.1, ROS2 Humble），典型端到端延迟<80ms（从图像采集到轨迹输出）。实际部署时需根据车辆动力学参数调整轨迹平滑度约束。
2025-08-12 23:58:31
1393
原创 计算机视觉（4）-相机基础知识恶补
依赖镜头、CMOS传感器和强大的ISP处理（尤其是HDR）。依靠集成CPU、GPU/NPU/CV加速器的SoC运行深度学习算法。通过目标检测、分割、车道线检测、距离估计等算法理解场景。通过高速通信接口（特别是车载以太网）输出结构化感知结果。MCU负责监控、管理，确保系统在故障时进入安全状态，符合ISO 26262要求。确保在恶劣的车规环境下稳定工作。
2025-08-12 23:36:28
834
原创 计算机视觉（3）深度学习模型部署平台技术选型与全栈实践指南
深度学习模型部署平台的分类需兼顾技术特性与应用场景的适配性，基于“技术定位-场景适配”双维度分类法，可将其划分为通用开源框架、云厂商服务及专用边缘工具三大类，各类别在设计目标、核心能力与场景覆盖上呈现显著差异。
2025-08-07 10:31:02
1064
原创 计算机视觉（2）车规摄像头标准
AEC-Q104成为CIS封装可靠性新焦点，思特威SC326AT通过。是当前L2+/L3前装量产。达成Grade 2要求。
2025-08-04 15:12:56
1032
原创 计算机视觉（1）-图像采集设备选型全景表（工业 + 医疗 + 车载）
一份面向工程师的“场景—设备—协议”速查表已按 优快云 Markdown 语法精简，可直接复制发布。
2025-08-04 14:44:07
883
原创 MP和MDP的区别
现实世界中大量事件（如创造性活动、社会宏观现象）无法被完全“控制”或“量化”，因此不能强行套用 MDP。是不是所有的事件都可以表示成马尔科夫过程，哪些事件不可以表示成马尔科夫决策过程？MDP 是马尔科夫过程的扩展，要求系统必须满足。马尔科夫过程（MP）是 MDP 的基础，但。
2025-08-01 09:30:31
688
原创 端到端的核心区别点
端到端（End-to-End，E2E）自动驾驶架构中的“一段式”和“两段式”是两种不同的技术路线，核心区别在于。：两段式在工程实践中常扩展为“多段式”（如感知→预测→规划→控制），但本质仍属于端到端训练框架下的模块化设计。（方向盘转角、油门/刹车），中间过程完全由神经网络黑箱实现。：单一深度神经网络（如 Transformer、CNN）输入原始传感器数据（如摄像头图像/LiDAR点云），
2025-07-28 17:08:22
1254
原创 强化学习（2）- model base和data driven 控制的区别点
摘要： 基于模型的控制依赖精确数学模型，适合机理清晰的系统（如电机、航天器），具有严格理论保障但建模成本高；数据驱动的控制直接从数据学习规律（如强化学习、神经网络），适用于复杂非线性系统，但依赖数据质量且理论分析困难。两者核心区别在于对数学模型的依赖程度，现代趋势倾向于融合两者优势，如混合架构或基于数据的模型辨识。选择时需权衡系统特性、建模成本与数据可用性。
2025-07-18 11:47:07
903
原创 强化学习学习（1）概况
强化学习（Reinforcement Learning, RL）算法可以按照等不同维度分类。下面用一张“思维导图式”清单，把常用算法按和。
2025-07-17 11:07:01
751
原创 内燃机发电驱动与直驱方式的能量效率解析
以吉利氢内燃机为例，设计人员可将其固定于46.11%峰值效率点持续工作，即使计入发电损失（约10%），输出电能的“等效热效率”仍达41.5%，显著高于传统驱动模式的平均效率。更重要的是，该氢内燃机在42%-45%热效率区间覆盖了70%的常用负荷范围，这意味着即使电力需求变化，增程器仍能保持高效运行。这一能量转换链的起点是燃料在燃烧室内的氧化反应，以汽油或氢气为例，当燃料与空气混合后被点燃（或压燃），剧烈燃烧产生高温高压气体，气体膨胀推动活塞做直线运动，再通过曲轴将直线运动转化为旋转运动，输出轴功。
2025-07-14 09:12:02
1216
原创 计算机视觉（5）-自动驾驶相机原理、分类与驱动激活实战
量产车型推荐使用GMSL2接口相机组（1前视+4环视+1后视），配合NVIDIA Orin等车载计算平台，通过LVDS连接确保抗电磁干扰能力，同时满足ASIL-B功能安全要求。
2025-07-07 16:15:11
506
原创 pytorch笔记（一） torch.nn.Module 核心逻辑分析
该设计通过递归结构和钩子机制实现了高度灵活性和可扩展性，是PyTorch模型构建的基础架构。执行forward()调用模块(输入数据)
2025-06-12 10:45:59
601
原创 量化笔记（四）——A股统计套利：原理、类型与Python实现详解
市场结构变化导致历史模式失效流动性风险在极端行情中放大多策略拥挤导致的收益衰减。
2025-06-10 23:57:33
960
原创 量化笔记（三）——A股多因子模型 (最核心)原理及代码
因子选择需结合A股特色（政策影响、散户行为）严格的风险控制和组合约束动态调整因子权重应对市场变化机器学习与传统方法结合提升预测精度充分考虑交易成本和流动性限制实际应用中，一个成熟的A股多因子模型通常包含15-30个有效因子，通过层层筛选和组合优化，在控制跟踪误差的前提下追求稳定超额收益。模型需要每日更新因子数据，每周调整权重，每月进行全面的绩效归因和模型迭代。
2025-06-10 23:44:13
1457
原创 量化笔记（一）——A股量化收益来源
这是最核心的独特性。大量散户的非理性交易是A股量化Alpha（尤其是高频、统计套利、反转类策略）的重要来源。宏观政策、行业政策、监管政策对市场风格、行业轮动、甚至个股走势影响巨大且频繁。量化模型需要快速解读和响应政策信息。A股整体波动性大于成熟市场，这既带来风险，也创造了更多的交易机会（尤其对趋势跟踪、波动率策略）。在信息传播效率相对不完善的市场，利用另类数据挖掘信息优势的空间更大。融券成本高、券源不足，限制了多空策略的发挥，使得A股量化策略仍以做多为主（指数增强是主流）。
2025-06-10 23:38:56
1248
原创 量化笔记（二）——A股指数增强策略
指数增强策略是一种主动管理紧密跟踪某个特定的股票市场指数（基准指数），例如沪深300、中证500、中证1000等。这意味着策略的收益方向和波动特征会与目标指数高度相关。持续稳定地获取超越该基准指数的超额收益。这部分超额收益就是所谓的Alpha。简单说，它追求的是“指数收益 + Alpha中国A股的指数增强策略，本质上是利用量化模型，在严格控制组合相对于目标指数（如沪深300、中证500、中证1000）偏离风险的前提下，通过系统化地挖掘和利用市场非有效性（主要源于散户行为、信息不对称、政策影响等），
2025-06-10 23:37:20
1922
原创 从零开始掌握端到端自动驾驶技术框架
自动驾驶技术正以前所未有的速度改变着我们的生活。端到端自动驾驶作为一种新兴的架构，正在引领这一领域的创新。本文将为你提供一个系统的学习框架，帮助你从零开始掌握端到端自动驾驶技术。
2025-04-02 12:37:07
1823
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人