在做毕设的时候看了网上的介绍感觉还不够全面，复习现代控制的时候又看见了它，便准备学习一下它的原理，并且应用到实际上。在学习的一些算法中，都会有一个参数的改进。把东西变成线性的叠加，如y=ax1+（1-a）x2把参数变成了分段函数，在有些条件时它是1有些时候它是0就像是考虑了上一个时刻的状态进行叠加，不让它超过一定范围。卡尔曼滤波器中呢，也可以加一个参数，叫遗忘因子。这种更新的过程中...

最近在用dataloader写数据集，在使用tqdm的时候遇见了一些问题，经过查找大量的资料，总结一个简单的方法。首先，先设置网络的输入和输出，假设这两个量已经是tensor类型了。输入：tensor_x输出：tensor_y那么导入这个库函数from torch.utils.data importDataLoader, TensorDatasetdataset = TensorDataset(t

文章目录4.2 基于值函数的学习方法4.2.1 动态规划算法-Model-based4.2.1.1策略迭代算法4.2.1.2值迭代算法4.2.2 蒙特卡洛方法-Model-free4.2.3 时序差分学习方法-Temporal-Difference Learning4.2.3.1 SARSA(on-policy)4.2.3.2 Q学习(off-policy)4.2.4 深度Q网络4.3 基于策略函

https://www.cnblogs.com/P3nguin/p/10570053.html最近看了一些博客讲这个评估指标，根据定义写了写程序，简单总结一下。Ground truth一般来说目标跟踪的数据集中都有这个文件，如下图所示。Precision plot它呢，主要是对坐标进行讨论，而不考虑跟踪框的大小。通俗来说，它的曲线的纵坐标是精度，横坐标是阈值，设置不同的阈值，就组成了一个曲线。当然

任务介绍在本任务中，您将使用可用的测量值和运动模型来递归估计车辆沿轨迹的位置。车辆有了非常简单的LIDAR传感器，可以返回与环境中各个地标相对应的范围（range）和方位测量值（bearing）。假定地标的所有位置是已知的并假设他们已知的数据关联，即哪个度量属于哪个界标。.运动和测量模型运动模型车辆运动模型将线速度和角速度里程计读数作为输入，并输出车辆的状态（即2D状态）：xk=xk−1+T[co

决策树：分裂（Splitting）、停止（Stopping）与剪枝（Pruning）一、Splitting问题：怎样找到最好的分裂属性？希望内在的节点有更高的纯度。怎样去衡量纯度呢？信息熵（Information entropy）是来评判采样D的纯度Ent(D)Ent(D)Ent(D)的值越小表示纯度越高当概率pkp_{k}pk​为111的时候，Ent(D)Ent(D)Ent(D)的值为000，也

环境：Ubuntu 20.04 +pytorchGPU版本一、GPU1、查看CPU是否可用2、查看CPU个数3、查看GPU的容量和名称4、清空程序占用的GPU资源5、查看显卡信息6、清除多余进程二、GPU和CPU1、GPU传入CPU1.1 另一种情况2、CPU传入GPU3、注意数据位置对应三、Numpy和Tensor（pytorch）1、Tensor转成Numpy2、Numpy转成Tensor3、

一、Lagrange 对偶函数1.1 拉格朗日函数1.2 拉格朗日对偶函数二、标准形式线性规划拉格朗日对偶minCTxs.t.Ax=bx≥0minC^Tx\\s.t. Ax=b\\x\ge0minCTxs.t.Ax=bx≥0构建拉格朗日表达式在标准优化形式中，f(x)≤0f(x)\le0f(x)≤0，因此将满足条件的第二条转换为−x≤0-x\le0−x≤0,那么函数表达式如下：L(x,λ,μ)=C

文章目录隐马尔可夫模型1.隐马尔可夫模型的基本概念1.1 隐马尔可夫模型的三个基本问题2.概率计算方法2.1 直接计算法2.2 前向算法2.3 后向算法（略）隐马尔可夫模型隐马尔可夫模型，（hidden Markov model）是可用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的模型，属于生成模型。本章首先介绍隐马尔可夫模型的基本概念，然后分别叙述隐马尔可夫模型的概率计算方法

接触强化学习大概有半年了，也了解了一些算法，一些简单的算法在gym框架也实现了，那么结合仿真平台Carla该怎么用呢？由于比较熟悉gym框架，就偷个懒先从这个开始写代码。项目地址：https://github.com/cjy1992/gym-carla文章目录一、环境配置1.1 基本配置1.2 配置工作环境1.3 运行测试二、环境解读2.1 test.py--超参数设置2.2 环境介绍2.2.1