Tang Yi's Blog

在学 C++ 的过程中，我对一句话很困惑： 1using namespace std; 一开始我下意识把它理解成 Python 里的“导入包”，类似： 1import math 然后就可以用 math.sqrt() 之类的函数。但后来发现，好像又不完全是这么回事。 按照我最初的理解： using namespace std = 把 std 这个库“导入进来” 但很快发现不对。 因为在 C++

阅读BEV相关论文的过程中频繁出现不同坐标系之间的转化，主要是涉及到旋转矩阵等等，这里作为前置基础知识进行补充。 1. 矩阵的逆是什么意思？ 如果一个方阵 (A) 存在另一个矩阵 (A−1A^{-1}A−1)，满足： AA−1=A−1A=IA A^{-1} = A^{-1} A = IAA−1=A−1A=I 那么这个 A−1A^{-1}A−1 就叫 A 的逆矩阵。 这里的 (I) 是单位矩阵，比如

Q-learning简介 Q-learning算法是model- free的TD算法(Temporal Difference)之一。它的目的是让智能代理学习通过与环境互动来最大化累积奖励的最佳策略（optimal policy）。它的学习流程满足马尔可夫过程(MDP)。它属于值迭代（value iteration）方法，通过构建并更新“动作-状态价值函数”（Q函数），实现对环境的最优决策。 Q1

状态更新 2025-5-10: 目前手上没有任何的硬件。（STM32的开发版在国内，然后树莓派还没买）。国外的话手上有一个fishros的机器人，我拿这个作为入门的一个学习工具。先尝试去部署我自己的规划算法 2025-06-18: 构思整体框架的建设，包括硬件的选择：树莓派4B 4G、STM32F103ZET6、电机驱动板、底盘等。以及需要什么软件进行开发。 前言 这是一篇机器人搭建的经验分享

前言 在我的求学过程中，大部分时候我基本都是通过自学来不断提升自己。随着信息时代的发展，网络上的优质学习资源变得越来越丰富，不论是在线课程、电子书还是技术论坛，都为想要自主学习的人提供了极大的便利。正是借助这些资源，我才得以在没有系统性培训和指导的情况下，逐步积累知识、掌握技能并解决实际问题。 不过，琳琅满目的学习平台和课程也让我走过许多弯路。有些学习资源讲解枯燥、体系凌乱，也有一些内容实用、通俗

什么是Navigation2 ？ Navigation2（Nav2）是ROS 2机器人平台生态下官方开发与维护的自主导航（移动机器人定位与路径规划）系统。它让移动机器人可以实现类似“给定目标点，自动避障、去往指定位置”的能力。 简而言之，这是适配ROS2的一个导航框架，可以参考框架进行自定义开发，部署自己的导航算法。 环境要求： Ubuntu 22.04 ROS2 Humble Navigati

RRT（Rapidly-exploring Random Tree） 一、简介 快速探索随机树（RRT, Rapidly-exploring Random Tree）是一种高效的采样型路径规划算法，于1998年由Steven M. LaValle提出。RRT擅长于高维空间中寻找从起点到终点的可达路径，被广泛应用于机器人路径规划、智能车辆导航、机械臂运动学等领域。 二、核心思想 RRT利用随机采样点

Dynamic Window Apporach 概念：动态窗口方法的基本思想是根据机器人运动模型在速度空间（V，ω）中采样多组速度，创建一个具有所有可行速度的动态窗口，预测机器人在时间t中的每组速度（v，ω）潜在轨迹，使用特定的评估功能同时评估集合的轨迹，并执行具有最高评估的集合，直到下一个执行。 DWA（Dynamic Window Approach）算法是一种用于机器人局部路径规划的经典实

引言 最近学习ROS1，但是需要Ubuntu20.04的桌面环境。使用MAC电脑，一是安装双系统，二是在MAC里面安装虚拟机，然后在虚拟机里面安装Ubuntu。因为是学习为主，所以选择后者。参考了全网的教程，下面记录整个过程： 前提：我的电脑是MBP M2 16G/256G 1.在MAC中安装虚拟机VMWare 1.1 下载VMWare VMWare被boardcom收购之后，需要先去注册账

什么是A*算法？A-Star算法是一种用于图搜索和路径规划的启发式搜索算法。它可以在一个图结构中找到从起点到目标点的最低成本路径。A_算法被广泛应用于机器人导航、游戏开发以及解决最短路径等问题。 在学习 A* 算法之前，需要了解 贪婪最佳优先搜索算法 和 Dijkstra 方法的基本思想，以及它们各自的优缺点。同时，还需要理解为什么 A* 算法能够结合两种方法的优点，并做到既高效又能保证找到最