- 综合排序
- 最热优先
- 最新优先
- 来自专栏我和未来有约会
转向行为 - 2D向量
转向行为已经被各种语言实现过多次了，其最底层是用向量来描述的（也是最常见的实现方式）。 概括的看，一个向量由两部分组成：一个方向和一个大小。 向量的所有这些特性对转向行为来说都很有用，因为速度，队伍方向，对象间距离，对象的朝向都会被大量的使用。 (Vector2D v2) { return perp.dotProd(v2) < 0 ? distSQ(Vector2D v2) { double dx = v2.x - x; double dy = v2.y - y; subtract(Vector2D v2) { return new Vector2D(_x - v2.x, _y - v2.y); }
82260发布于 2018-01-16 - 来自专栏项目文章
Java设计模式学习2：行为模式
行为模式 行为模式是注意各个类之间的相互作用，讲过职责划分清楚，使得我们的代码更加清晰规范。
14610编辑于 2024-06-07 - 来自专栏DPDK VPP源码分析
IETF (RFC 4787) 定义的 NAT 行为要求 - 第 2 部分：过滤行为
在VPP的NAT-EI模式中，我们查询过会话表i2o及o2i表的信息。其中i2o就是绑定条目，o2i就是过滤条目。 在VPP的NAT-ED模式中，我们查询过会话表i2o及o2i表的信息。其中i20就是绑定条目，o2i就是过滤条目。 尽管下图中主机 A 和主机 B 具有不同的外部地址（5.5.5.1 和 5.5.5.2），但根据 NAT 的行为方式，它们可能具有相同的值。 总结，本文详细阐述了网络地址转换（NAT）设备的过滤行为规范，依据IETF的RFC 4787标准。重点讨论了针对入站数据包，NAT如何基于源IP和源端口进行过滤，并决定是否转发至内部端点。 文章还提及，这种过滤行为对支持P2P通信至关重要，影响着应用透明度和是否需要借助中继服务器（如TURN服务器）进行通信。
84110编辑于 2024-05-22 - 来自专栏机器人课程与技术
ROS2极简总结-Nav2-行为树
依据官方教程Nav2结构如下所示： BT如果展开又是厚厚一本书啊…… Nav2 - BT（行为树）导航服务器 使用行为树 XML 作为导航控制流 由 [nav2_bt_navigator] 提供 阅读行为树的 XML 描述 允许轻松实现行为以选择机器人的行为 与规划器、控制器和恢复服务器通信 BtNavigator节点参数如下： 具体参考源码和官方文档。 简要介绍行为树BT 行为树是决策和执行流程的表示。 节点类型： ControlNodes：有 1 到 N 个子节点，例如 序列节点、回退节点... 回退包括：FallbackNode、SequenceNode、ConditionNodes 导航行为树 示例：使用具备恢复功能的导航 行为树 XML 格式 更多示例参考源码。 - nav2_spin_action_bt_node - nav2_wait_action_bt_node - nav2_clear_costmap_service_bt_node
1.6K10发布于 2021-12-02 - 来自专栏iSharkFly
Mockito 2 让我们校验一些行为
这是因为绝大部分的人对列表这个接口比较熟悉（例如 add(), get(), clear() 方法）。
39800发布于 2019-09-17 - 来自专栏小石头
Flink 2PC 一致性语义
XA 事务是基于两阶段提交（Two-phaseCommit，2PC）协议实现的，可以保证数据的强一致性，许多分布式关系型数据管理系统都采用此协议来完成分布式。 ）是最基础的分布式一致性协议，应用广泛。 2pc 的优缺点 2PC的优点在于原理非常简单，容易理解及实现。 缺点主要有3个，列举如下： （1）协调者存在单点问题。如果协调者挂了，整个2PC逻辑就彻底不能运行。 不过，现在人们在分布式一致性领域做了很多工作，以ZooKeeper为代表的分布式协调框架也数不胜数，2PC有了这些的加持，可靠性大大提升了，也就能够真正用在要求高的生产环境中了。 Flink基于2PC的实现 2PC 的最常见应用场景其实是关系型数据库，比如mysql InnoDB 存储引擎的XA事务系统。
1K30编辑于 2023-02-24 - 来自专栏iSharkFly
Mockito 2 让我们校验一些行为
这是因为绝大部分的人对列表这个接口比较熟悉（例如 add(), get(), clear() 方法）。
36540发布于 2019-09-18 - 来自专栏我和未来有约会
转向行为 - 寻找行为
寻找行为只是把机车移动到指定点。 就像这样： public void seek(Vector2D target) { Vector2D desiredVelocity = target.subtract 现在给出寻找行为的一个例子： <UserControl xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:x 仅仅是让场景上一个有转向行为的机车在每帧去寻找鼠标。试着改变机车的最大速率和最大力度，或者改变其质量(mass)来感受一 下这些因素对转向行为的影响。 ，当对这些工作有了很好的理解后，我们进入下一个行为：避开。
1.5K70发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 追捕行为
对于追捕行为，它非常类似寻找行为。其实追捕的最后一个动作就是调用寻找。追捕的本质是预测目标所要到达的位置并事先赶到。 那么，该如何预测目标的位置呢？ 而实际上，寻找行为就是一个预测时间为零的追捕行为。 一个策略是基于两机车间的距离来判断预测时间。如果目标太远，需要花一段时间才能赶上，就预测长一点，如果很接近，马上就能达到，就预测短一点。 { double lookAheadTime = position.dist(target.position) / _maxSpeed; Vector2D 一个是只顾移动的机车，其作为目标，另外两个转向机车，一个用寻找行为，一个用追捕行为。如果一切正常，追捕者靠着优越的算法会胜出。 接下来的行为是：躲避。
1.6K100发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 到达行为
到达行为在很多场合都可以被当作是寻找行为。实际上，它们之间的算法和处理方式都一样。唯一不同的是，在到达模式中，一辆机车在到达目标的某一距离时，会变成一种精确模式慢慢地靠近目标点。 到达行为通过减速接近目标，解决了这个问题： public void arrive(Vector2D target) { Vector2D desiredVelocity 最终速度会趋向于0（假设只有一个行为作用于该机车）。 CompositionTarget_Rendering(object sender, EventArgs e) { myStar.arrive(new Vector2D 如果愿意可以再试着玩玩增加多辆机车，或者现在就进入下一个行为：追捕。
1.5K60发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 躲避行为
躲避就是追捕的反行为。就像追捕类似于寻找，躲避类似于避开。 本质上讲，是预测出机车将要去到的位置并远离它。在这里所有的原则都和追捕相同。 { double lookAheadTime = position.dist(target.position) / _maxSpeed; Vector2D PursueEvadeTest_Loaded(object sender, RoutedEventArgs e) { myPursuer.position = new Vector2D 200); myPursuer.edgeBehavior = Vehicle.BOUNCE; myEvader.position = new Vector2D
1.4K80发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 避开行为
避开行为与寻找行为彻底相反。实际上，除了代码最后一行用相减代替了相加以外，其它都一样。 public void flee(Vector2D target) { Vector2D desiredVelocity = target.subtract(_postion); desiredVelocity.normalize 现在我们有了一对正反行为，接下来要做的是为这对行为创建一对机车来看看情况。 我们还可以把两个行为同时用于一辆机车上。下面的例子中，机车A同时寻找和避开机车B，机车B同时寻找和避开机车C，机车C同时的寻找和避开机车A。这三辆机车会因为追捕各自的目标而形成一个圆。 如果这些都没问题了，那就开始探索下一个行为：到达。
1.3K70发布于 2018-01-16 - 来自专栏我和未来有约会
转向行为 - 漫游行为
漫游行为就像它的名字一样，角色在场景中毫无目的的移动。这通常用来模拟巡视和觅食，也有纯粹是为了漫游而漫游的。 漫游行为在实现上不像听起来那么容易。 wanderRadius = 5; private double _wanderRange = 1; public void wander() { Vector2D center = velocity.clone().normalize().multiply(_wanderDistance); Vector2D offset = new Vector2D _wanderAngle += randObj.NextDouble() * _wanderRange - _wanderRange * 0.5; Vector2D WanderTest_Loaded(object sender, RoutedEventArgs e) { myWander.position = new Vector2D
1.5K80发布于 2018-01-16 - 来自专栏Unity游戏开发
游戏AI-个体AI角色的操控行为(2)
Force() { //随机位移 Vector3 randomDisplacement = new Vector3((Random.value - 0.5f) * 2 * wanderJitter, 0, (Random.value - 0.5f) * 2 * wanderJitter); //从初始点加上一个随机位移 circleTarget
85410发布于 2019-05-28 - 来自专栏热爱IT
YII2中behavior行为的理解与使用
YII2中的行为说白了就是对组件功能的扩展，在不改变继承关系的条件下。 行为附加到组件后，行为将注入自已的方法和属性到组件，可以像组件访问自定义的方法和属性一样访问行为。 注意行为是对功能的扩展，不要乱用行为，比如有一个动物类和一个人类，他们各自有自已的名称，身高，体重，这些是属性。 他们都会跑，这个时候我们就可以抽象出来做成一个跑的行为，根据不同需求来扩展他们。 那么我们就创建一个返回数据行为来扩展这两个控制器。 我们在项目目录下创建common目录，并创建ReturnBehavior.php，代码如下： 1 2 ： GoodsController.php代码如下： 1 2 3
1.2K30发布于 2019-12-31 - 来自专栏碲矿
微信机器人沙雕行为盘点 2
有一段时间没总结了，下面盘点一下群里出现的沙雕行为。 骂人 WeChatRobot 接入了Tigerbot。 randint(0, len(self.fallback) - 1) rsp = self.fallback[idx] return rsp 于是就有了下列沙雕行为
16510编辑于 2025-04-09 - 来自专栏技术杂记
Mysql复制数据一致性检查2
或手动执行其中部分SQL 执行完修改后，再重复上面的操作检查一次 这个工具好在，业务在线时可以执行，不会对系统造成很大影响(会产生一定量的读IO，但不会产生有明显业务影响的锁)，特别是在大表，核心表数据一致性检查时太能解渴了
49810编辑于 2022-04-23 - 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 2D姿势估计——从RGB图像估计每个关节的2D姿势（x，y）坐标。 3D姿势估计——从RGB图像估计3D姿势（x，y，z）坐标。 / 行为识别（Action Detection/Regnition），最终的结果是得到图像或视频段中目标的行为类别。 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务 优点：速度快，300fps 缺点：精度低，在UCF-101上为0.85准确率 参考文献 三种方法的对比引自于： https://www.jianshu.com/p/2c2c7e96b9b7 按照时间顺序整理了部分视频行为检测
3.5K20编辑于 2022-06-24 - 来自专栏深度学习与python
谷歌发布 Gemma Scope 2，深化对 LLM 行为的理解
译者 | 平川 Gemma Scope 2 是一套旨在解释 Gemini 3 模型行为的工具，使研究人员能够分析模型的突发行为，审核和调试 AI 代理，并针对越狱、幻觉和阿谀奉承等安全问题制定缓解策略 它结合了稀疏自编码器（SAEs）和转码器，让研究人员能够检查模型的内部表示，查看它“思考”的内容，并理解这些内部状态如何塑造了其行为。 Gemma Scope 2 针对 Gemma 2 模型家族从多个方面扩展了原先的 Gemma Scope。 最后，Gemma Scope 2 引入了专门针对聊天机器人进行分析的工具，使研究人员能够研究复杂的多步行为，如越狱、拒绝机制和思维链忠实度。 谷歌已在 Hugging Face 上发布了 Gemma Scope 2 的权重。
11410编辑于 2026-01-22 攀梯行为攀爬行为识别检测数据集VOC+YOLO格式3580张2类别
数据集中图片都是针对攀爬梯图片，没有攀爬墙壁攀爬防护栏的行为图片 数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo 格式txt文件) 图片数量(jpg文件个数)：3580 标注数量(xml文件个数)：3580 标注数量(txt文件个数)：3580 标注类别数：2 标注类别名称(注意yolo格式类别顺序不和这个对应，而以
34900编辑于 2025-07-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号