关于 乖乖听话失忆药水制做【V信;799.196.362】渴 的搜索结果,共544
双****4 2018-07-11
【杂谈】猎场没那么精彩--还原真实的猎头
当遭遇面试败,资深猎头能要到真实败原因通报给候选人,而新手猎头不关注面试败原因,用人部门给的败原因都是敷衍套。 也有一部分猎头会和优质候选人保持长时间关系,但这太费时间了,猎头五年内给同一个候选人介绍两次工作的几率实在是太小了。 我这里没提诸如JD介绍、简历优化一类基础内容,合格的候选人会认真专业的分析职位需求,不需要猎头来催的。 用人单位评估猎头的平就更简单了,就是写推荐说明。新手猎头是写不出干货实锤的推荐的,而资深猎头的推荐不仅是对候选人简历的解析,也会包含简历之外的大量建议说明。
冰****蓝 2018-07-09
如何调节『控参数』?
引言 控模块的目标是基于计划轨迹和当前车辆状态生成控命令给车辆。这里我们将为开发者讲述如何调节控参数。 背景 一、输入/输出 输入 规划轨迹 当前的车辆状态 HMI驱动模式更改请求 监控系统 输出 输出控命令管理canbus中的转向、节流和动等功能。 二、控器介绍 控器包括管理转向指令的横向控器和管理节气门和动器命令的纵向控器。 横向控器 横向控器是基于LQR的最优控器。该控器的动力学模型是个简单的带有侧滑的自行车模型。它被分为两类,包括闭环和开环。 闭环提供具有4种状态的离散反馈LQR控器: 横向误差 横向误差率 航向误差 航向误差率 开环利用路径曲率息消除恒定稳态航向误差。 纵向控器 纵向控器配置为级联PID+校准表。它被分为两类,包括闭环和开环。 闭环是一个级联PID(站PID +速度PID),它将以下数据作为控器输入: 站误差 速度误差 开环提供了一个校准表,将加速度映射到节气门/动百分比。 控器调谐 一、实用工具 类似于诊断和realtime_plot可用于控器调优,并且可以在apollo/modules/tools/中找到。
y****i 2018-07-11
容器云的最佳用户
单纯用Dokcer的容器,更像是个封装的比较彻底,足了资源隔离的JVM。研发人员只在程序出错时才会关注Runtime,而运维人员没感觉到这有什么酷的,但确实容器云已经有存在的价值了。比如说OpenStack、PaddlePaddle这类新兴软件和开发框架的部署环境没那么简单,用Docker包一层就变的非常友好了。 对于持续集成和交付场景来说,以前我们是硬压着研发和测试,务必保持版本一致、务必保证文件打好包,从不盲回滚预案,必须后半夜上线,就这样还天天出故障;现在自动上线的压力确实小多了,大家都可以放心测试生产环境一致、保证文件不漏传、可以和Git无缝集成,可以扔给研发和测试半自助上线了。这就是我前文所说的,容器快速部署的优势在于决策的快、操作的简单。 而K8S的兴起它把容器从改良工具变成了革新武器。以前有过很多架构师培训和文档,讲解服务发现、注册、编排、路由,资源监控和统计,研发就是说不懂。可是一套来自大厂的开源方案出来了,研发就主动去拥抱了。有了K8S以后,即使研发人员不了架构和运维,只要肯适应K8S的设计逻辑,都可以取代这两类人的工作。
雾****士 2018-07-09
如何添加新的控算法?
// namespace apollo 二、添加新控器的配置息 按照下面的步骤在文件control_config中添加新控器的配置息: 1、根据算法要求为新控器配置和参数定义proto。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
感知属于自动驾驶核心技术,我们可以将汽车上的感知与人类感官进行一个类比:人有感知,通过感官器官获取外界息,传达感知功能区,把形象化的东西抽象成概念性或者更高层的语义,供我们思维记、学习、思考或者决策,让我们运动控功能区,让我们身体对外界进行反馈。无人车类似这样的结构,这是强相关的东西,我们无人车也是一样。 下图所示这辆车是 2016 年 12 月乌镇演示车队的其中一台,它有传感器、雷达、摄像头,这是覆盖比较全面的设置,包括视觉、触觉、嗅觉等息。它需要大脑处理,大脑是无人车里的感知功能模块。 由于感知范围是广泛的,它依赖于人工驾驶或者自动驾驶需要的环境匹配,工况复杂度越高,感知复杂度越高。自动驾驶不同级别里,感知的复杂度也不同。Apollo 目前开放的定位是 Level3 或者 Level4,感知、决策、控是三位一体的过程。 感知与传感器系统紧密结合,获取外部环境息,比如有没有障碍物,障碍物的距离、速度等,把数据交给感知处理模块,我们会收集息,构成人开车时理解的环境。 这些息会被我们决策模块进行分析和提取,在周围环境车辆行驶状况下,下一步怎么走才是安全的。
TOP