1、之前仿真的时候一心想在simulink中用s函数编写RRT，去生成路径，导致一直卡在这了。后来反应过来了，simulink是做控制仿真的而不是生成路径，需要的 是路径上的a、v、x，是轨迹。 所以要转换思路，通过RRT生成一条路径然后导入到simulink中，再插值生成轨迹。之后进行接下来的控制 2、现在的问题就是生成的轨迹如何传到simulink中模型的末端？？ 3、关于协同控制中“协同”的一点想法： 协…
一、手写笔记，关于无模型估计的KDE、GP IMG_2044(20220120-155153).JPG IMG_2045(20220120-155153).JPG IMG_2046(20220120-155153).JPG IMG_2047(20220120-155153).JPG IMG_2048(20220120-155153).JPG 二、PDF文件是对于深度学习的神经网络的宏观概述： 19、神经网络.pdf 三、课程正式完结：自己做了一个宏观上的总结 对…
手写笔记： IMG_2037(20220118-160809).JPG IMG_2038(20220118-160810).JPG IMG_2039(20220118-160810).JPG IMG_2040(20220118-160810).JPG IMG_2041(20220118-160810).JPG IMG_2042(20220118-160810).JPG IMG_2043(20220118-160810).JPG
手写笔记： IMG_2036(20220118-160809).JPG IMG_2035(20220118-160809).JPG IMG_2034(20220118-160809).JPG 下面这张图清晰地解释了LDA： 听公开课，老师讲到一段话非常有道理： 在你的学习、研究领域，能够想出几十年前或者十几年前人们想出来的的模型、方法…，说明已经入门了；能够想到近些年的东西，说明已…
IMG_2029(20220115-125312).JPG IMG_2027(20220115-125311).JPG IMG_2028(20220115-125312).JPG IMG_2031(20220115-125312).JPG IMG_2030(20220115-125312).JPG 还是之前的思路：初学任何的新东西，理清问题、解决思路和逻辑发展关系最重要，具体的算法细节可以慢慢在实践中加深。
写在前面：这部分的核心内容就是概率中的联合概率、条件概率和边缘概率之间的关系、极大似然估计，机器学习的部分只是利用数据学习出服从那个分布的模型，然后进行求解预测。（比如说模型可以为Gaussion Mixture Moded的极大似然函数，求解的计算方法是EM） 学习的过程是：服从伯努利分布的混合模型利用“隐含变量（状态）”求解，从而引入了“EM”，到"高斯混合模型"利用EM去解模型，再到…
1641888611607556.jpg IMG_1995(20220111-155949).JPG IMG_1996(20220111-155949).JPG IMG_1997(20220111-155949).JPG IMG_1998(20220111-155949).JPG IMG_1999(20220111-155949).JPG IMG_2001(20220111-155950).JPG IMG_2002(20220111-155950).JPG IMG_2003(20220111-155950).JPG…
手写笔记: IMG_1975(20220109-120503).JPG IMG_1976(20220109-120503).JPG IMG_1977(20220109-120503).JPG IMG_1978(20220109-120503).JPG IMG_1979(20220109-120503).JPG IMG_1980(20220109-120504).JPG IMG_1981(20220109-120504).JPG IMG_1982(20220109-120504).JPG IMG_1983(20220…
手写笔记： IMG_1965(20220108-125731).JPG IMG_1964(20220108-125731).JPG IMG_1966(20220108-125731).JPG IMG_1967(20220108-125731).JPG IMG_1968(20220108-125731).JPG IMG_1969(20220108-125731).JPG IMG_1970(20220108-125732).JPG IMG_1971(20220108-125732).JPG IMG_1972(20220…
