想象一下，你在路上行駛，要眼觀六路，耳聽八方，其實這就是感知。但是很遺憾，無人車沒有沒有類似於人眼這類完善的感知器官，但是擁有大量的感測器和測量工具。有雷達和雷射雷達，它們可以幫忙測量原始距離，可以得到與周圍環境物體的距離。對於每個無人駕駛汽車，它的核心競爭力之一就是利用海量的感測器資料，來模仿人腦理解這個世界。談論感測器時也會涉及到神經網路、深度學習、人工智慧。
無人駕駛車有四個感知世界的核心任務：檢測——指找出物體在環境中的位置；分類——指明確物件是什麼；跟蹤——指隨時間的推移觀察移動物體；語義分割——將影象中的每個畫素與語義類別進行匹配如道路、汽車、天空。
這類就涉及到乙個內容，分類。比如，系統拿到乙個交通標誌，應該要識別其中的含義，是要讓車輛停下來，還是要注意行人。這些都涉及到分類。
分類的方法千奇百怪，但是主要的流程卻大致相同。首先將獲取到的影象進行預處理，轉化為灰度圖方便下一步識別，隨後，提取灰度圖的特徵，比如這個標誌是圓的還是方的，上面畫了些啥之類的。最後，把特徵輸入分類模組，從而解析該影象的意義。
攝像頭影象是最常見的計算機視覺資料。
從計算機的角度來看，影象只是乙個二維網格被稱為矩陣，矩陣中的每個單元格都包含乙個值，數字影象全部由畫素組成，其中包含非常小的顏色或強度單位。
彩色影象比黑白影象稍微複雜一點。彩色影象被構建為值的三維立方體，每個立方體都有高度、寬度和深度，深度為顏色通道數量。大多數彩色影象以三種顏色組合表示紅色、綠色。藍色，稱為rgb影象。
雷射雷達感測器建立環境的點雲表徵，提供了難以通過攝像頭影象獲得的資訊如距離和高度。雷射雷達感測器使用光線尤其是雷射來測量與環境中反射該光線的物體之間的距離，雷射雷達發射雷射脈衝並測量物體將每個雷射脈衝反射回感測器所花費的時間。反射需要的時間越長，物體離感測器越遠，雷射雷達正是通過這種方式來構建世界的視覺表徵。
識別演算法主要為：機器學習，神經網路，反向濾波。
機器學習是使用特殊演算法來訓練計算機從資料中學習的電腦科學領域。通常，這種學習結果存放在一種被稱為「模型」的資料結構中，有很多種模型，事實上「模型」只是一種可用於理解和**世界的資料結構。
人工神經網路用於無人駕駛，受到構**類神經系統的生物神經元啟發，生物神經元通過相互連線構成了神經元網路或神經網路，通過類似的方式將人工神經元層連線起來以建立用於機器學習的人工神經網路。
反向濾波：是基於通過神經網路後向傳播的誤差，可生成更準確的網路。乙個訓練週期：包括前饋、誤差測定、反向傳播還遠遠不夠。為了訓練網路，通常需要數千個這樣的週期，最終結果應該是模型能夠根據新資料做出準確**。
感知任務中，首先是障礙物檢測和分類，在駕駛過程中會遇到許多障礙物，靜態障礙物包括樹木、桿子、建築物；動態障礙物包括行人，汽車。計算機首先需要知道障礙物的位置，然後進行分類。在路中行駛的無人駕駛車可能會探測到許多不同的物體，汽車根據所感知的物體型別來確定路徑和速度。如果感知到前方有一輛自行車，汽車可能會決定減速和變道，以便安全駛過自行車。但是如果感知到前方有另一輛車，並**到前方車輛也將以接近限速的速度行駛，可能會保持其速度和車道。
追蹤在檢測失敗時是至關重要的，如果你在執行檢測演算法時，物件被其他物件遮擋一部分，則檢測演算法可能會失敗，但追蹤可以解決遮擋問題。另乙個原因在於追蹤可以保留身份，障礙物檢測的輸出為包含物件的邊界框，但是物件沒有與任何身份關聯，單獨使用物件檢測時，計算機不知道乙個幀中的哪些物件與下一幀中的哪些物件相對應，對汽車來說很困難。
分割其實是語義分割，涉及對影象的每個畫素進行分類，用於盡可能詳細地了解環境並確定車輛可駕駛區域
這就是「愛情」，這就是「婚姻！」
有一天，柏拉圖問老師蘇格拉底什麼是愛情？老師就讓他先到到麥田裡去，摘一棵全麥田裡最大最金黃的麥穗來，期間只能摘一次，並且只可向前走，不能回頭。柏拉圖於是按照老師說的去做了。結果他兩手空空的走出了田地。老師問他為什麼摘不到？他說 因為只能摘一次，又不能走回頭路，期間即使見到最大最金黃的，因為不知前面是...
這就是男人 （續）
調教好男人標準之一 成熟穩重。的確，成熟的男人勇於承擔責任，雖然有些過錯並非是他們造成的，過於計較是男人最不能原諒的錯誤，正好，女人們，平時撒嬌就有這個藉口了。好男人即使知道錯的並不是他，可他也會拿出男子的紳士風度讓你感覺你找到了安全的港灣。他會讓你體會到小女人的幸福，疼著你，寵著你。永遠讓你感覺生...
這就是差距啊。。。
這段時間應一位同學的請求，做了個吃豆子遊戲。關於吃豆子遊戲應該說是很簡單了吧?儘管如此，我總是發現我做的遊戲為什麼就是不如先前那個叫clanlib中的吃豆子遊戲例子來得流暢。不爽啊 除了繪畫的api不相同以及不一樣之外，演算法基本上都是一樣的啊。就連人物的移動速度都調節成一樣了，雖然對於任務來說是關...