视觉里程计（WIP）
重新温习SLAM的一些基本知识 经典特征提取与匹配 ORB 特征 ORB 特征亦关键点和描述子两部分组成。 FAST 关键点 FAST 是一种角点,主要检测局部像素灰度变化明显的地方,以速度快著称。它的思想是:如果 一个像素与邻域的像素差别较大(过亮或过暗),那么它更可能是角点。相比于其他角点检测算
Making...🤖
the best way to predict the future is to invent it. 🦾
S4-Driver论文阅读
2025年waymo方案调研的文章阅读的第一篇，简记一下阅读所得。 首先这是一篇端到端的、输入图像、输出轨迹的工作。主要亮点在于Meta-decision、无显式深度估计、sparse voxel表征等。对我们设计自监督轨迹生成模型有挺大启发的。 亮点 Meta-decision方法，通过两次输出，
损失函数的选择MSE MAE Huber loss
1. 均方误差（Mean Square Error，MSE） MSE 对大误差非常敏感（平方级惩罚），所以它会逼着模型去尽量拟合那些离群点。 L_{MSE} = \frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2 MSE 曲线的特点是光滑连续、可导，便于使用梯度
UCB 与 ε-贪心：两种经典探索策略的定义与本质差异
背景 在多臂老虎机（Multi-Armed Bandit）问题里，决策者面对一组可选动作（“拉哪台老虎机”或“选哪个策略/模型”），每次选择会得到随机回报。目标是在长期累积回报最大化。这个问题的核心矛盾只有一句话：**探索（exploration）与利用（exploitation）**如何平衡——既
多帧点云分类评估：Point-wise与帧公平Frame-wise的科学性比较
多帧点云分类评估：点公平（Point-wise）与帧公平（Frame-wise）的科学性比较 摘要 多帧点云分类任务的评估通常有两类口径：点公平（将所有帧的所有点合并后计算一次指标）与帧公平（逐帧计算指标后对帧求平均）。两者对应不同的统计估计对象与“公平单位”，在点数分布不均、场景难度变化、时序相关
手推 Policy Gradient
1. 知识储备 1.1 期望 = 求和 / 积分 随机变量 X 的期望就是“按概率加权平均”： 离散： \mathbb E[f(X)]=\sum_x p(x)f(x) 连续： \mathbb E[f(X)]=\int p(x)f(x)\,dx 所以当我们写 \mathbb E_{\tau\sim p
点云特征值与几何意义
从局部点云坐标到特征值 取局部邻域点集 给定中心点 p_0 ，用 kNN 或半径搜索得到邻域： \mathcal{N}(p_0)=\{p_i\}_{i=1}^{N},\quad p_i= \begin{bmatrix} x_i\\y_i\\z_i \end{bmatrix} 常见：kNN（如 k=2
目标检测任务 每个类别做2分类交叉熵 vs softmax
在目标检测里，这俩其实对应两种不同的“类别假设”，没有绝对谁更“合理”，取决于任务是不是“互斥单标签”。 1) Softmax（单个多类交叉熵）什么时候更合理 前提：同一个框只属于一个类别（互斥），即 one-of-K。 典型：COCO/VO C 检测、YOLO/FCOS/Faster R-CNN
初学强化学习有感
最近在看CS224R的课程，模仿学习中提到了DAger方法。其中提到，纯粹靠模仿专家轨迹训练出来的模型泛化性不足，所以可以依靠给出一个专家模型（这个模型可以是NN也可以是真的人类专家），针对实际场景中超出模仿学习采样空间的状态，通过迭代收集模型的状态分布，并用专家动作标注，逐步提升模型在这些状态上的
像用本地硬盘一样丝滑地使用NAS
本文介绍如何在Ubuntu20.04挂载NAS到本地，以将NAS上的感知数据目录/_Software/模块/感知/挂载到本地目录/mnt/nas为例。 首先在你本地/mnt文件目录中新建一个文件夹 sudo mkdir /mnt/nas 然后下载nfs的服务和组件 sudo apt-get inst