2024-04
梦
（一）
（二）
（三）
（四）
（五）
（六）
（七）
（八）
（九）
（十）
小贷董事
和同学聊天，他的一个很厉害的舅舅从百度退役之后到了一家初创金融公司做推荐算法研发。
但是深入了解后，他发现这家公司的主营业务其实是放高利贷的。他很奇怪，放贷的也要大模型去搞推荐吗？
后来才知道其实完全不是，为了让公司名声好听一点，老板专门雇了一个科研团队来产出科研论文，就是让别人认为他是个科技型企业，其实主营业务和科技一杆打不着，就是一个传统放贷的。
写论文
十年前我刚读本科的时候，学校里面哪个老师发个好点的会议，都能成为新闻。现在在 CCF-A 类会议上已经可以经常见到国内的本科生了。难道这十年大家的科研水平突飞猛进了吗？大家的智商突飞猛进了吗？大家的英语突飞猛进了吗？没有！只是因为这几年国内高校挖了很多海归，以及国内国外的交流越来越多，大家开始学习国外写 paper 的方式以及做 research 的方式，当然也学到了很多骚套路。所以，不要觉得写 paper 是已经很难的事情。
https://blog.csdn.net/qq_27353621/article/details/124835778
这篇文章很好。
都姓佐藤
日本东北大学经济系一个教授的研究，说如果日本的婚姻登记制度不改的话，预测到2531年日本人将全部姓佐藤。截至2023年3约的调查统计，日本第一大姓目前是佐藤，占比1.5%，其次是铃木。
这个研究的思路很简单：目前日本的民法典规定，登记结婚的夫妇双方必须选定其中一方的姓氏作为自己婚后的官方文件姓氏，但在实际操作中，有95%的人是女方改从男姓。很明显，这将在男性家族姓氏的传承上产生头部聚集效应。随着时间的推移，那些较少人口占比的姓氏将随着自然淘汰而消失，而大姓则最终通吃。比如，2022-2023一年的时间，日本人口中姓佐藤人口占比就增长了1.08‰。
在我看来，这种线性推算的可靠性当然是可疑的，因为它完全没有考虑代际传承与人的财富、社会地位等的关系动态，其他大姓人口也可能取得优势而在子女数量上逆转佐藤，而佐藤先生们也可能大面积拉跨而萎缩。
不过，教授的意思是，日本应该修改民法典的规定，允许登记结婚的夫妇各自保持自己的原有姓氏甚至选择其他姓氏。不过据说自民党的保守派议员对于此种呼吁不以为然，认为“修改法律将“破坏”家庭团结，让孩子们产生身份困惑。”
全冰凉
最近在看仿真枪市场，我发现他们完全形成了一套自己的黑话，就和上次看捞女一样，什么真铁啊，冰凉啊，水宝宝啊，都不能好好说话吗？
定义：
本文提出了一个基于数据驱动的车道变换预测和环境约束的新型车道变换责任敏感安全模型（LC-RSS）。此模型遵循最新发布的2846-2022-IEEE标准中的安全约束。LC-RSS的主要贡献包括：提出了一个新的LC-RSS模型，该模型提供了一个通用的驾驶场景，设计了RSS的影响机制，并通过应用车道变换预测建立了推荐轨迹的动态规划，从而扩展了RSS的应用范围。
RSS 文章 [30] 中的假设和关键概念（即安全、危险时间、正确响应等）
符号 定义 符号 定义 符号 定义 D f D_f D f 安全纵向距离 L l L_l L l 车辆长度 V t f V_{tf} V t f 目标车道前方行驶的车辆 D c D_c D c 安全横向距离 L w L_w L w 车辆宽度 V t r V_{tr} V t r 目标车道后方行驶的车辆 P P P 数据收集范围 Q Q Q 预测范围 X X X 历史数据 V e V_e V e 自我车辆 X \mathcal{X} X 历史数据集 a m a x + a_{max}^+ a ma x + 车辆的最大加速度 V f V_f V f 自我车辆的前车 a m a x − a_{max}^- a ma x − 车辆的最大减速度 l a t a m a x + ^{lat}a_{max}^+ l a t a ma x + 车辆的最大横向加速度 V t l V_{tl} V tl 目标车道旁边行驶的车辆 a m i n − a_{min}^- a min − 车辆的最小减速度 l a t a m i n − ^{lat}a_{min}^- l a t a min − 车辆的最小横向减速度 d f l o n d_f^{lon} d f l o n V e V_e V e V f V_f V f d m i n l a t d_{min}^{lat} d min l a t 车辆之间的最小横向距离 v e v_e v e V e V_e V e d t f l o n d_{tf}^{lon} d t f l o n V e V_e V e V t f V_{tf} V t f d m i n l o n d_{min}^{lon} d min l o n 车辆之间的最小纵向距离 v f v_f v f V f V_f V f d t r l o n d_{tr}^{lon} d t r l o n V e V_e V e V t r V_{tr} V t r t t t 时间 v t f v_{tf} v t f V t f V_{tf} V t f d t l l a t d_{tl}^{lat} d tl l a t V e V_e V e V t l V_{tl} V tl t ^ \hat{t} t ^ 变道时间成本 l a t v e ^{lat}v_e l a t v e V e V_e V e y ^ \hat{y} y ^ 变道预测 v m a x v_{max} v ma x 最大速度 l a t v t l ^{lat}v_{tl} l a t v tl V t l V_{tl} V tl Y \mathcal{Y} Y 变道预测集 ρ \rho ρ 反应时间
定义1（变道纵向安全条件）
{ d f l o n ≥ D f e , f d t f l o n ≥ D f e , t f d t r l o n ≥ D f t r , e (1) \left\{\begin{array}{l}
d_{f}^{l o n} \geq D_{f}^{e, f} \tag{1}\\
d_{t f}^{l o n} \geq D_{f}^{e, t f} \\
d_{t r}^{l o n} \geq D_{f}^{t r, e}
\end{array}\right. ⎩ ⎨ ⎧ d f l o n ≥ D f e , f d t f l o n ≥ D f e , t f d t r l o n ≥ D f t r , e ( 1 )
其中，d f l o n , d t f l o n , d t r l o n d_{f}^{l o n}, d_{t f}^{l o n}, d_{t r}^{l o n} d f l o n , d t f l o n , d t r l o n V e V_{e} V e V f , V t f , V t r V_{f}, V_{t f}, V_{t r} V f , V t f , V t r
所指的纵向距离定义为后车前保险杠与前车后保险杠之间的距离。
D f e , f , D f e , t f , D f t r , e D_{f}^{e, f}, D_{f}^{e, t f}, D_{f}^{t r, e} D f e , f , D f e , t f , D f t r , e V e V_{e} V e V f , V e V_{f}, V_{e} V f , V e V t f , V e V_{t f}, V_{e} V t f , V e V t r V_{t r} V t r
方法：
假设自车Ve前方有车辆Vf，目标车道后方有车辆Vtr，目标车道前方有车辆Vtf，且目标车道旁边还有一个也能到达目标车道的车辆Vtl。车辆的动力学由位置s=(x, y)，速度ṡ=v，加速度v̇=a定义。车道变换轨迹是一个5阶贝塞尔曲线，定义为：
f x ( t ) = ∑ i = 0 5 ( 5 i ) ( 1 − t t ^ ) 5 − i ( t t ^ ) i x i , f y ( t ) = ∑ i = 0 5 ( 5 i ) ( 1 − t t ^ ) 5 − i ( t t ^ ) i y i , fx(t) = \sum_{i=0}^5 \binom{5}{i} (1 - \frac{t}{t̂})^{5-i} (\frac{t}{t̂})^i x_i, \quad fy(t) = \sum_{i=0}^5 \binom{5}{i} (1 - \frac{t}{t̂})^{5-i} (\frac{t}{t̂})^i y_i, f x ( t ) = i = 0 ∑ 5 ( i 5 ) ( 1 − t ^ t ) 5 − i ( t ^ t ) i x i , f y ( t ) = i = 0 ∑ 5 ( i 5 ) ( 1 − t ^ t ) 5 − i ( t ^ t ) i y i , 其中( x i , y i ) (x_i, y_i) ( x i , y i ) 0 ≤ t ≤ t ^ 0 \leq t \leq t̂ 0 ≤ t ≤ t ^ t ^ t̂ t ^ t ^ t̂ t ^ ( x i , y i ) (x_i, y_i) ( x i , y i )
车道变换预测的定义如下：
车道变换预测函数定义为f L C : X P → Y Q f_{LC} : X_P \rightarrow Y_Q f L C : X P → Y Q X P X_P X P Y Q Y_Q Y Q Y Q = { y ^ t + 1 , y ^ t + 2 , . . . , y ^ t + Q } Y_Q = \{ \hat{y}_{t+1}, \hat{y}_{t+2}, ..., \hat{y}_{t+Q} \} Y Q = { y ^ t + 1 , y ^ t + 2 , ... , y ^ t + Q } y ^ t + 1 ∈ { − 1 , 0 , 1 } \hat{y}_{t+1} \in \{-1, 0, 1\} y ^ t + 1 ∈ { − 1 , 0 , 1 }
该模型通过整合各种传感器和历史数据输入，利用机器学习算法对车辆可能的车道变更行为进行预测，并输出预测结果，从而在实际应用中提高自动驾驶系统的反应能力和安全性。
成本函数和算法：
成本函数是平滑度和对Vtr纵向速度影响的线性组合，公式为：
C = C s + C f , C = C_s + C_f, C = C s + C f , 其中C s C_s C s C f C_f C f
C s = ω 1 ∫ ( f x ′ ( t ) 2 + f y ′ ( t ) 2 ) d t + ω 2 ∫ ( f x ′ ′ ( t ) 2 + f y ′ ′ ( t ) 2 ) d t , C_s = \omega_1 \int (f'_x(t)^2 + f'_y(t)^2) dt + \omega_2 \int (f''_x(t)^2 + f''_y(t)^2) dt, C s = ω 1 ∫ ( f x ′ ( t ) 2 + f y ′ ( t ) 2 ) d t + ω 2 ∫ ( f x ′′ ( t ) 2 + f y ′′ ( t ) 2 ) d t , C f = ω 3 ∫ ( [ v t r − f x ′ ( t ) ] + ) 2 d t , C_f = \omega_3 \int ([v_{tr} - f'_x(t)]^+)^2 dt, C f = ω 3 ∫ ([ v t r − f x ′ ( t ) ] + ) 2 d t , 其中ω 1 , ω 2 , ω 3 ∈ [ 0 , 1 ] \omega_1, \omega_2, \omega_3 \in [0, 1] ω 1 , ω 2 , ω 3 ∈ [ 0 , 1 ]
D f e , f = [ v e ρ + a max + ρ 2 2 + ( v e + ρ a max + ) 2 2 a min − − v f 2 2 a max − ] + + d min l o n D f e , t f = [ v e ρ + a max + ρ 2 2 + ( v e + ρ a max + ) 2 2 a min − − v t f 2 2 a max − ] + + d min l o n D f t r , e = [ v t r ρ + a max + ρ 2 2 + ( v t r + ρ a max + ) 2 2 a min − − v e 2 2 a max − ] + + d min l o n \begin{align*}
D_{f}^{e, f}= & {\left[v_{e} \rho+\frac{a_{\max }^{+} \rho^{2}}{2}+\frac{\left(v_{e}+\rho a_{\max }^{+}\right)^{2}}{2 a_{\min }^{-}}-\frac{v_{f}^{2}}{2 a_{\max }^{-}}\right]^{+} } \\
& +d_{\min }^{l o n} \tag{2}\\
D_{f}^{e, t f}= & {\left[v_{e} \rho+\frac{a_{\max }^{+} \rho^{2}}{2}+\frac{\left(v_{e}+\rho a_{\max }^{+}\right)^{2}}{2 a_{\min }^{-}}-\frac{v_{t f}^{2}}{2 a_{\max }^{-}}\right]^{+} } \\
& +d_{\min }^{l o n} \tag{3}\\
D_{f}^{t r, e}= & {\left[v_{t r} \rho+\frac{a_{\max }^{+} \rho^{2}}{2}+\frac{\left(v_{t r}+\rho a_{\max }^{+}\right)^{2}}{2 a_{\min }^{-}}-\frac{v_{e}^{2}}{2 a_{\max }^{-}}\right]^{+} } \\
& +d_{\min }^{l o n} \tag{4}
\end{align*} D f e , f = D f e , t f = D f t r , e = [ v e ρ + 2 a m a x + ρ 2 + 2 a m i n − ( v e + ρ a m a x + ) 2 − 2 a m a x − v f 2 ] + + d m i n l o n [ v e ρ + 2 a m a x + ρ 2 + 2 a m i n − ( v e + ρ a m a x + ) 2 − 2 a m a x − v t f 2 ] + + d m i n l o n [ v t r ρ + 2 a m a x + ρ 2 + 2 a m i n − ( v t r + ρ a m a x + ) 2 − 2 a m a x − v e 2 ] + + d m i n l o n ( 2 ) ( 3 ) ( 4 ) []+ ^{+} + a m a x − a_{m a x}^{-} a ma x − ρ \rho ρ a max + a_{\max }^{+} a m a x + a min − a_{\min }^{-} a m i n −
定义 2（变道横向安全条件）：自主车辆 V e V_{e} V e
d t l l a t ≥ D c t l , e \begin{equation*}
d_{t l}^{l a t} \geq D_{c}^{t l, e} \tag{5}
\end{equation*} d tl l a t ≥ D c tl , e ( 5 ) 其中，d t l l a t d_{t l}^{l a t} d tl l a t D c t l , e D_{c}^{t l, e} D c tl , e V e V_{e} V e V t l V_{t l} V tl
D c t l , e = [ 2 l a t v t l + ρ l a t a max + ρ + ( l a t v t l + ρ l a t a max + ) 2 2 l a t a min − D_{c}^{t l, e}=\left[\frac{\left.2^{l a t} v_{t l}+\rho^{l a t} a_{\max }^{+} \rho+\frac{(l a t}{} v_{t l}+\rho^{l a t} a_{\max }^{+}\right)^{2}}{2^{l a t} a_{\min }^{-}}\right. D c tl , e = [ 2 l a t a m i n − 2 l a t v tl + ρ l a t a m a x + ρ + ( l a t v tl + ρ l a t a m a x + ) 2
图 4. 为了确保漂移的安全性，要求自主车辆 V e V_{e} V e ( V f , V t f , V t r , V t l ) \left(V_{f}, V_{t f}, V_{t r}, V_{t l}\right) ( V f , V t f , V t r , V tl )
− ( 2 l a t v e − ρ l a t a max + 2 ρ − ( l a t v e − ρ l a t a max + ) 2 2 l a t a min − ) ] + + d min l a t \begin{align*}
& \left.-\left(\frac{2^{l a t} v_{e}-\rho^{l a t} a_{\max }^{+}}{2} \rho-\frac{\left({ }^{l a t} v_{e}-\rho^{l a t} a_{\max }^{+}\right)^{2}}{2^{l a t} a_{\min }^{-}}\right)\right]^{+} \\
& +d_{\min }^{l a t} \tag{6}
\end{align*} − ( 2 2 l a t v e − ρ l a t a m a x + ρ − 2 l a t a m i n − ( l a t v e − ρ l a t a m a x + ) 2 ) ] + + d m i n l a t ( 6 ) []+ ^{+} + V t l V_{t l} V tl V e V_{e} V e l a t a max + { }^{l a t} a_{\text {max }}^{+} l a t a max + lat a min − { }^{\text {lat }} a_{\text {min }}^{-} lat a min − d m i n l a t d_{m i n}^{l a t} d min l a t l a t v t l { }^{l a t} v_{t l} l a t v tl V t l V_{t l} V tl l a t v e { }^{l a t} v_{e} l a t v e V e V_{e} V e
值得注意的是，[30] 中定义了两个连续车辆之间跟车行为的安全纵向和横向距离，它描述了一个只涉及两个车辆交互的简单情况，如图 2 所示。在实践中，交通状况相当复杂，如图 3 所示，周围车辆将耦合驾驶决策和约束条件，从而产生多重交互场景。为了寻求可行的变道决策，我们应该预测周围车辆的动态。因此，将引入以下新定义。
定义 3（变道预测函数）：变道预测函数定义为 f L C : X P → Y Q ⋅ X P = f_{L C}: \mathcal{X}_{P} \rightarrow \mathcal{Y}_{Q} \cdot \mathcal{X}_{P}= f L C : X P → Y Q ⋅ X P = { X t − P , X t − P + 1 , … , X t } \left\{X_{t-P}, X_{t-P+1}, \ldots, X_{t}\right\} { X t − P , X t − P + 1 , … , X t } P P P X t X_{t} X t t t t Y Q \mathcal{Y}_{Q} Y Q Q Q Q Y Q = { y ^ t + 1 , y ^ t + 2 , … , y ^ t + Q } . y ^ t + 1 ∈ { − 1 , 0 , 1 } \mathcal{Y}_{Q}=\left\{\hat{y}_{t+1}, \hat{y}_{t+2}, \ldots, \hat{y}_{t+Q}\right\} . \hat{y}_{t+1} \in\{-1,0,1\} Y Q = { y ^ t + 1 , y ^ t + 2 , … , y ^ t + Q } . y ^ t + 1 ∈ { − 1 , 0 , 1 } t + 1 t+1 t + 1
备注 1：在本文中，选择的特征 X t = [ x 0 , t X_{t}=\left[x_{0, t}\right. X t = [ x 0 , t x 1 , t , x 2 , t , x 3 , t , x 4 , t , x 5 , t , x 6 , t , x 7 , t , x 8 , t , x 9 , t , x 10 , t , x 11 , t ] \left.x_{1, t}, x_{2, t}, x_{3, t}, x_{4, t}, x_{5, t}, x_{6, t}, x_{7, t}, x_{8, t}, x_{9, t}, x_{10, t}, x_{11, t}\right] x 1 , t , x 2 , t , x 3 , t , x 4 , t , x 5 , t , x 6 , t , x 7 , t , x 8 , t , x 9 , t , x 10 , t , x 11 , t ]
首先，x 0 , t x_{0, t} x 0 , t t t t x 1 , t x_{1, t} x 1 , t t t t x 2 , t x_{2, t} x 2 , t t t t x 3 , t x_{3, t} x 3 , t t t t x 4 , t x_{4, t} x 4 , t t t t x 5 , t x_{5, t} x 5 , t t t t x 6 , t x_{6, t} x 6 , t x 7 , t x_{7, t} x 7 , t x 8 , t , x 9 , t , x 10 , t x_{8, t}, x_{9, t}, x_{10, t} x 8 , t , x 9 , t , x 10 , t x 11 , t x_{11, t} x 11 , t X t X_{t} X t
定义 4（变道）：车辆中心从初始车道跨越车道线到目标车道的过程定义为变道。
定义 5（漂移）：车辆中心在其当前车道的左右车道线之间范围内移动的过程定义为漂移。
定义 6（适当响应）：在跟车过程中，当后车与其当前车道前车的纵向距离小于安全纵向距离 D f D_{f} D f ρ \rho ρ a min − a_{\min }^{-} a m i n − D c D_{c} D c ρ \rho ρ l a t a min − { }^{l a t} a_{\text {min }}^{-} l a t a min −
