第三期 行为规划——12 成本函数设计和权重调整

成本函数设计的困难:

1.包括在不解决见问题的情况下解决新的问题。当你在自驾车上工作时,

你可能会发现车辆行为合理,除了一些特定的情况。也许它在红绿灯左转时没有足够的攻击性。

所以,为了解决这个问题,您可以添加新的成本函数,调整现有的或修改权重。

但每次你做,你有可能会介绍有些将变革转化为已经发挥作用的东西。

实际上,我们通过回归测试来解决这个问题,我们在那里定义一些情况,

每一个都有预期的行为。那么,每当我们做出改变,我们模拟整个车辆

我们的测试用例,并确保它仍然按预期行事。我们在这里不会多说测试,

但它是在安全关键应用程序中开发软件的重要组成部分。

2.下一个难题是平衡截然不同幅度的成本。

因为,是的,我们希望有效地到达目的地,但如果我们处于安全问题的情况下,

我们想要解决这个问题,而不是考虑效率。做到这一点的一种方法是拥有权重

反映成本函数解决的问题类型。所以我们想要最重的惩罚任何由于物理原因都不可能的行为,

那么我们想要考虑安全性,合法性,舒适性。只有那些满意的人才会考虑效率。

但我们也可能想调整这些权重的相对重要性取决于情况。

例如,如果灯变红,合法性成为一个更相关的关切

比我们在正常的高速公路上行驶时要高。这导致我们最后的困难,

推理个人成本函数。理想情况下,每个成本函数都将承担非常具体的责任,

这是我们之前在速度成本函数中没有做的事情。

我们试图平衡我们快速开车的欲望,

这与效率有关,我们希望不超过速度限制,这是合法性。

在实践中,我们可能想要定义几种与车速相关的成本函数。

在这种情况下,我们可能会有一个二进制代价函数,它只是检查我们是否是

突破速度极限和持续成本函数使我们朝着目标速度前进。通过将每个成本函数分配给一个非常具体的角色,

如安全与合法性与效率,我们可以将所有成本函数的输出标准化为-1和1之间的值。

此外,只要有可能,就有助于参数化。这使我们可以使用一些参数优化技术

随着我们的设置渐变下降,回归测试以编程方式调整我们的成本函数。

最后,从车辆状态角度考虑是有帮助的。我们可以间接控制的东西,我们的车辆是它的位置,速度和加速度。

在提出成本函数时,记住这些内容会很有帮助。

我们来看一个例子。假设我们想要考虑以下几类成本函数。包括可行性、安全性、合法性、舒适性、高效性

让我们考虑位置,速度和加速度。

二进制“我们超速吗?”成本函数会在这里,

那么想要让我们接近速度限制的成本函数就会到达这里。

而现在,不是我们之前提出的那种奇怪的不连续图,这可能只是这样的抛物线。尽管即使速度超过限制速度,成本也很低,

这是可以的,因为我们有我们的二进制代价函数来防止这种行为。

继续考虑速度,我们也可能想尝试驾驶接近平均交通速度的速度,

出于安全原因,即使该速度高于或低于速度限制。那会在这里。

在职位栏中,我们会有一个明显的可行性问题,就是避免碰撞。

如果那里已经有汽车,我们就不能开车。然后,出于安全原因,我们会想要缓冲距离,

它试图让我们远离其他车辆,以及检查以确保我们正在开车的成本函数靠近我们车道中心的道路以及靠近我们的目标车道的车道上。

为了加速,我们首先想要确保我们只考虑汽车可以执行的行为,然后我们希望避免有任何快速变化。

因为那些被认为不舒服。你将在下一课中了解更多。

例如,考虑合并到高速公路上。这真是一个潜在的危险情况,想尽快赶上交通速度。

所以这个成本函数(accerration is feaible for car)可能会变得比通常情况更相关。

但是我们也希望确保我们在没有差距的情况下获得收益,所以我们要确保(Avoid collision )这个成本函数和(buffer distence)这个成本函数的权重足够高。

我们可以将这些合并优先级与不同的情况进行比较。例如,一辆汽车接近突然变黄的绿灯。

在这种情况下,我们可能想要增加与之相关的权重合法性,可能需要补充一种遵守交通规则的全新成本功能。

现在,它并没有完全落入这个位置,速度或加速度类别,所以我会把它放在这里。

如果这一切都开始觉得它变得相当复杂,那么你是对的。使用有限状态机很难避免这种爆炸性的复杂性。

部分原因是由于有限的状态机本身,但我们也在努力解决一个非常困难的问题

无论采取什么解决方案,一些复杂性都是不可避免的。

原文地址:https://www.cnblogs.com/fuhang/p/9001763.html

时间: 2024-10-11 01:02:53

第三期 行为规划——12 成本函数设计和权重调整的相关文章

Python函数设计原则

在任何编程语言中,函数的应用主要出于以下两种情况: 代码块重复,这时候必须考虑用到函数,降低程序的冗余度 代码块复杂,这时候可以考虑用到函数,增强程序的可读性 当流程足够繁杂时,就要考虑函数,及如何将函数组合在一起.在Python中做函数设计,主要考虑到函数大小.聚合性.耦合性三个方面,这三者应该归结于规划与设计的范畴.高内聚.低耦合则是任何语言函数设计的总体原则. 如何将任务分解成更有针对性的函数从而导致了聚合性 如何设计函数间的通信则又涉及到耦合性 如何设计函数的大小用以加强其聚合性及降低其

成本函数-直觉II

等高线图是包含许多等高线的图形.两个变量函数的等值线在同一直线的所有点上都有一个恒定值.这种图的一个例子是右下方的一个图. 采取任何颜色和沿着'圈',人们会期望得到相同的值的成本函数.例如,三个绿色的点上绿色线为J值相同(θ0,θ1)和作为一个结果,他们发现,在同一直线上.盘旋的X显示的成本函数在离开的时候θ0 = 800,θ1 = -0.15图的价值.取另一个h(x)并绘制其等高线图,得到以下图 当θ0 = 360和θ1 = 0,J值(θ0,θ1)在等高线越靠近中心,从而降低成本函数误差.现在

第三期 行为规划——1.课程大纲

如果你考虑数据中的所有数据流一辆以最快时间尺度操作的自驾车.频率略低于Sensor Fusion的频率. 只比你有本地化和低您将在下一课中了解更多有关轨迹规划.接下来是您刚刚了解的预测. 然后在此图的顶部是具有最低更新率的行为计划.行为规划的输入来自于预测模块和本地化模块. 两者都从传感器融合中获得输入.行为模块的输出直接发送到轨迹规划器.这也需要预测和输入 本地化,以便它可以向运动控制器发送轨迹.这个盒子里面的一切都是重点 在本课中,您将学习到具体的内容发生在这个相对较长的时间.但直观地说,这

第48课 函数设计原则

函数设计原则: 函数应该是无状态的,就是第一次调用和第二次调用是一样的. getchar返回值是int型. 优秀代码欣赏:Eclipse代码 1 /******************************************************************************* 2 * Copyright (c) 2000, 2005 IBM Corporation and others. 3 * All rights reserved. This program a

机器学习--基础知识复习(模式识别,成本函数)

由于时间原因,今天主要复习下machine learning课程的前三节,简单记录自己的理解. 1.模式表达(Model representation) 其实就是指通过一定的范例数据学习追踪生成一个函数的表达形式.然后通过矩阵得到整个运算过程. 模型表达就是给出输入和输出之间的函数关系式,当然这个函数是有前提假设的,里面可以含有参数. 比如下图,我们有一个房子的大小size,卧室数目(bedrooms)然后得到房屋价格(price),通过这三个常数就可计算一个输入和输出的函数关系. hprice

成本函数(Cost Function)

我们通过成本函数来衡量我们预测的准确性. 通过平均差的方式得到: 这个函数被称为"平方误差函数"或"均方误差". 下面的图就是成本函数:

js函数设计原则

一般认为函数指具有返回值的子程序,过程指没有返回值的子程序.C++中把所有子程序成为函数,其实那些返回值为void的 函数在语义上也是过程.函数与过程的区别更多是语义上的区别,而不是语法的区别. 语言纯化论者认为一个函数应该只有一个返回值,这和数学函数一样.即函数只接受输入(参数),通过参数运算返回结果. 除此之外的效果被称为函数的副作用,比如修改全局变量. function sum1(x, y) { return x+y }function sum2(x, y) { alert(x+y) }s

简化成本函数和梯度下降

我们可以将成本函数的两个条件情形压缩为一个情形: 注意到当y=1,那么=0也就是说没有效果. 当y=0,那么=0. 我们可以完全写出我们的全部成本函数如下: 矢量化实现: 梯度下降 请记住,梯度下降的一般形式是: 利用微积分可以求出导数的部分: 注意,这个算法与我们在线性回归中使用的算法是一样的.我们仍然必须同时更新θ中的所有值矢量化实现:

成本函数的第一直觉

如果我们想在视觉方面的话,我们的训练数据集是散落在X-Y平面.我们试图使一个直线(Hθ定义(x)),通过这些散乱数据点. 我们的目标是找到最好的路线.最好的线将是这样的,以便从线的散乱点的平均平方垂直距离将是最小的.理想情况下,该行应该通过我们训练数据集的所有点.在这种情况下,J值(θ0,θ1)将0.下面的示例显示了理想情况下,我们的成本函数为0. 当θ1 = 1,我们得到一个1的坡度,经过每一个数据点,在我们的模型.相反,当θ1 = 0.5,我们看到垂直距离我们拟合数据点增加. 这使我们的成本