在之前的语法制导翻译中，我们学习了翻译模式，为文法定义匹配的语义动作，通过这个“动作”可以生成代码，但为了进行与机器无关的代码优化工作，选择生成中间代码（四元式），而不是机器代码。下面对每一类语句设计翻译模式，这里一个翻译模式就是一个“算法”。

参加了华为一个小比赛第四届MindCon-爱（AI）美食–10类常见美食图片分类，本来想实践机器学习课程的知识，后来发现图像分类任务基本都是用神经网络做，之前在兴趣课上学过一点神经网络但不多，通过这样一个完整的项目也算入门了。

断断续续地折腾了一阵子，总算基本配置完成了，用这篇博客记录一下。操作系统：ubuntu 22.04 LTS。

Treap就是Tree+heap，首先有二叉搜索树（BST）的数据，treapCnt记录当前的节点总数，节点和键值的映射key，每个节点的左右儿子childs，以及一个键可能存在多个副本，用cnt记录副本数，size记录子树大小，用于查找第k大元素。堆相关的数据：每个节点的优先级priority，这个优先级在创建节点时随机生成，保证了Treap的深度不会太大。

跑酷对腿部机动性是一项巨大的挑战，要求机器人在复杂环境中快速克服各种障碍。现有方法可以生成多样化但盲目的机动技能，或者是基于视觉但专门化的技能，这些技能通过使用参考动物数据或复杂的奖励来实现。然而，自主跑酷需要机器人学习既基于视觉又多样化的技能，以感知并应对各种情景。在这项工作中，我们提出了一种系统，用于学习一个单一的端到端基于视觉的跑酷策略，该策略具有多样化的跑酷技能，并使用简单的奖励，而不需要

参加了华为一个小比赛第四届MindCon-爱（AI）美食–10类常见美食图片分类，本来想实践机器学习课程的知识，后来发现图像分类任务基本都是用神经网络做，之前在兴趣课上学过一点神经网络但不多，通过这样一个完整的项目也算入门了。

项目链接：https://leggedrobotics.github.io/rl-blindloco/像LiDAR和相机等外部传感器无法感知地面的诸如摩擦和顺应性等物理特性，在雪地、覆满植被的具有挑战性的地形下，需要将机器人的本体感受作为输入，控制器快速产生针对如保持平衡，避免自我碰撞等等多个目标的全身轨迹规划。读的第一篇Anymal相关的论文，没太搞清楚问题的formulation呜呜，几乎ge

中维护了以下段：（1，3，2），（4，5，1），（6，9，3），（10，12，2），此时还未执行过操作2,3，标签和。有一个地方我调了很久，就是操作5中输出最多得票的编号最小者，这个编号经过层层映射，早已不是容器内。回应操作5，这个在之前的3月份的第四题通信管理中也用到过，详见我的博客。② 对于操作2,3，我们并不需要真的修改容器内的值，只需要改变标签和。而对于操作2，我们引入并查集，将多个。的最

卡尔曼滤波器有一系列递推公式描述，提供一种高效可计算的方法来估计过程的状态，并使。它的应用广泛而强大，可以各级信号的过去和当前状态，甚至能估计将来的状态，即使是在无法得知模型的确切性质。.........

在飞行器姿态解算中一般采用四元数表达旋转，个人理解，旋转矩阵用3*3的矩阵以及附加的6个非线性约束（列向量之间相互正交且模长为1）描述了旋转，而四元数通过4个数以及一个约束（单位四元数）描述了同样的信息量，类似对于一个线性方程组，通过代换消元的方式减少约束，减少变量数，达到减少计算量的目的。实际上，惯性导航系统中是通过四元数实现快速循环迭代，它能够以1000Hz的速度更新运动对象的姿态。（注意顺时