做投诉网站赚钱吗,市面上做网站多少钱,专业做鞋子的网站,苏州有名的设计公司如果有一条线#xff0c;可以穿起来所有自动驾驶的核心模块#xff0c;那么我感觉它就是最优化#xff0c;选择优化变量、构造优化问题、求解优化问题#xff0c;这几个步骤贯穿了自动驾驶的始终。
先从我的自身接触顺序写起。最开始做个一点深度学习#xff0c;那还是20…如果有一条线可以穿起来所有自动驾驶的核心模块那么我感觉它就是最优化选择优化变量、构造优化问题、求解优化问题这几个步骤贯穿了自动驾驶的始终。
先从我的自身接触顺序写起。最开始做个一点深度学习那还是2016年深度学习已经飞速发展了4年左右各种方法层出不穷。有幸看了李飞飞的深度学习课AK大神讲的大部分内容手写了一个网络了解深度学习就是构造并求解一个优化问题了解了BP了解了随机梯度下降带动量的梯度下降等等一系列优化问题求解方法。
学校里课题选了一个机器人机械臂作业方向用到了一些图像处理手段包括识别和跟踪了解了kalman filter, particle filter都可以用来做图像固定片段的跟踪。
后来工作之后做自动驾驶控制问题。了解了kalman filter, 知道了它是求解一个优化问题可以用来平滑信号。后来从pid一路了解到LQR MPC知道了LQRMPC都是最优控制里的一种方法其本身也是构造优化问题求解优化问题。
到这里其实我已经开始有点疑惑为什么自动驾驶从上游感知到下游控制都有kalman filter, 都是构建优化问题求解优化问题这些优化问题之间有什么区别和联系呢当时试图学习一些Boyd的凸优化课程发现根本看不懂当然现在看懂的可能性也不大。
后面换了工作做了一阵子激光雷达定位。发现里面更全都是优化问题构造和求解点云匹配是前端里程计用的都是XXKFeskf ekf iekf iesekf等等。后端里也是构造位姿优化问题。不过是直接利用求解器过去10年出现ceres, g2o, gtsam, sesync等等大规模位姿图优化求解器。
后来做过一阵子决策规划。看过一遍APOLLO发现里面也都是优化问题求解比如平滑路线是构造QP问题局部轨迹规划也是构造QP问题。后来写了一阵子状态机if-else觉得没有什么意思。于是看了一下强化学习的东西发现核心也是优化问题的构造和求解。
我的疑惑更多了从最开始的kalman filter 为什么从感知到控制都能用到后面发现定位也都在用也发现LQR MPC可以放在底层的控制阶段用也可以放在规划用现在很多决策博弈过程本质上也是优化问题求解过程。到DDP iLQR MPC等等从某种程度上也是强化学习。到Kalman filter和LQR的对偶性等等。
从我接触的东西最后我得出了前面的结论如果有一条线可以穿起来自动驾驶的核心模块那就是最优化。这个结论我自己是非常喜欢的因为我通过实践和总结仿佛发现了什么了不得的东西。
后面会有一系列大杂烩总结一下这10年来遇到的所有优化问题。顺便做一些读书笔记看看有没有更好玩的东西。
