非RNN基础，而是实际使用过程中的思考和遇到的问题，RNN基本说明教程可以跳转以下收集的关于rnn的链接。

本文是上一篇的后续，本文将先解读官网mpc的例子，然后实现一个自己设计的mpc的控制器；不远的未来的目标是成为我闭环仿真器（轨迹处理、规划、控制接入基于学习的车辆模型）的一环（目前是pp控制），遥远的未来实现强化学习自动调整参数。

介绍了ACADO的配置和使用，最优控制，NMPC生成代码示例，不断完善更新中

学习率（Learning Rate）：影响： 学习率决定了权重更新的步长，过大的学习率可能导致不稳定的训练，而过小的学习率可能导致训练速度过慢。调整方法： 使用学习率调度（learning rate schedule）、自适应学习率算法（如Adam、Adagrad）或者手动调整学习率。权重衰减（Weight Decay）：影响： 控制正则化项的大小，有助于防止过拟合。调整方法： 尝试不同的权重衰减

工作中遇到的问题，以为spinonce带阻塞功能

本文参考官方教程，重复经典示例，然后自行搭建一个MPC控制器，并且接入我的闭环仿真器。

在ROS中，活动的工作空间指的是当前ROS环境中正在使用的主要工作空间。这意味着ROS将使用活动工作空间中的软件包和消息，以及其特定的配置设置。当你执行ROS命令时，它们将默认应用于活动工作空间。活动工作空间通常由ROS环境中的一些关键变量指定，其中最常用的是CATKIN_WORKSPACE环境变量。

本文为的后续笔记。之前整理了不同关于超参数的调整的内容，现在针对参数的调整，精简为参考该两篇文章，其中在Pytorch自学实战项目其3.0 中做过的调整继续保留，根据结果分析进行调整到本文为止，基本的处理就结束了，算是阶段性胜利，待训练一个周末后看结果决定下一步。

【代码】【ML】 环境配置问题：使用anaconda安装了pytorch 使用网页的jupyter可以import torch 但是vscode里建立的python脚本无法使用import torch。