粒子滤波（PF）算法（通俗版）
粒子滤波（PF）算法（通俗版）1. 一句话理解粒子滤波粒子滤波就是“撒一把点，看哪个点最像真的，然后围着像的点再撒”。 想象你在一个黑屋子里找一个隐藏的物体，你手里有一堆测距仪（AP），但测距有误差。你不知道物体在哪，于是： 先随便撒 2000 个“猜测点”，均匀铺满整个房间——这就是粒子； 每个猜测点都拿去和测距仪比对：如果这个点算出来的距离和测距仪测到的差不多，说明这个点“靠谱”，给它高分；
粒子滤波（PF）算法
粒子滤波（PF）算法1. 动机：当卡尔曼类方法不再够用三维定位中，前面讨论的 LS/WLS/NLS/WNLS 本质上都是批量式估计：把当前时刻所有测距值堆在一起，解一次坐标。但真实系统往往是序贯的——目标在运动，每一时刻都有新的观测到达，而且运动模型和观测模型都可能带有非高斯噪声。 卡尔曼滤波（KF）在线性高斯条件下是最优的，但它要求模型线性、噪声高斯。扩展卡尔曼滤波（EKF）通过一阶泰勒展开处理
Agent 大模型应用开发学习文档
Agent 大模型应用开发学习文档 目标：面向大模型应用开发秋招，把「Agent 概念 → 工程实现 → 项目证据 → 面试表达 → 待补缺口」串起来。 主线项目：云房预警系统 —— 房地产智能监测 Agent 平台 辅助项目：短视频多模态商业分析平台、Qwen3-TTS 推理部署、基于 LLM 的代码漏洞检测。 使用方式：本文档只做“专题总结 + 索引”，具体题目/笔记仍放在各自分类文件夹；文末
AI 核心概念大串联学习清单
AI 核心概念大串联学习清单📌 核心概念： LLM、Token、Context、Context Window、Prompt、User Prompt、System Prompt、Tool、MCP、Agent、Agent Skill。一期视频带你打通 AI 底层逻辑！ 相关视频 MCP 终极指南 - 从原理到实战，带你深入掌握 MCP（基础篇） MCP 终极指南 - 带你深入掌握 MCP（进阶篇）
AI Coding 面试考察什么及如何准备
AI Coding 面试考察什么及如何准备这类 AI Coding 面试不是传统闭卷算法考试，而是考察你在真实工程环境中，使用 AI 编程工具完成编程任务的能力。核心是：你是驾驶员，AI 是副驾。面试官通过屏幕共享观察你如何配置环境、下达指令、审查代码、验证结果和完成提交。 一、这种面试主要考察什么1. AI 协作编程能力 能否用自然语言把需求拆解成可执行步骤 能否让 AI 执行终端命令、下载题目
三维定位中的最小二乘类算法：LS、WLS、NLS与WNLS
三维定位中的最小二乘类算法：LS、WLS、NLS与WNLS1. 概述在三维定位中，常见任务是利用多个已知位置的锚点（基站、UWB 基站、卫星等）与目标之间的测距值，反推目标的三维坐标。设第 $i$ 个锚点坐标为： \mathbf{a}_i=(x_i,y_i,z_i)目标坐标为： \mathbf{x}=(x,y,z)第 $i$ 个测距值为 $d_i$。理想情况下满足球面方程： (x-x_i)^
加权粒子滤波（WPF）算法
加权粒子滤波（WPF）算法1. 动机：标准 PF 的“AP 同权”假设在 NLOS 下不成立标准粒子滤波在自然更新阶段，对每个 AP 的似然贡献是平等相乘的： [L^{(i)}=\prod_{j\in\mathcal{S}}\mathcal{N}!\left(r_j^{(i)};\,0,\,\sigma_j^2\right)] 这意味着：无论 AP 离目标远近、测距质量好坏，每个 AP 对粒子权重