主頁 >  其他 > Lattice Planner從學習到放棄（二）：二次規劃的應用與除錯

Lattice Planner從學習到放棄（二）：二次規劃的應用與除錯

2020-10-22 04:20:07 其他

前言

一.靜態障礙物的引入

二.單車道場景中面向靜態障礙物的避讓

1.軌跡規劃

2.軌跡實車執行效果之失敗案例

三、除錯程序記錄

1.代碼缺失與完善

2.引數的調整

總結

前言

前情提要：Lattice Planner從學習到放棄
盲目激情的移植apollo的lattice，體會到了痛苦，當時為了先盡快讓lattice演算法在自己的框架里跑起來，在摘用原始碼的時候做了很多欠考慮的改動，雖然快速實作了通過lattice planner規劃軌跡，然后達到循跡的效果，但是在隨后引入障礙物，產生了大量的坑，深深的被教育，也給帶頭大哥添了不少麻煩，

看懂流程==>理解原理 ==>成功實作

最終通過planner中的二次規劃實作了單車道內低速障礙物的避讓規劃，
簡明扼要：添加靜態障礙物→產生單車道內目標軌跡→繞行或停止

最近節奏比較撕裂，下午或晚上才能搞lattice的復現，但這個“重復造輪子”的程序真的獲益良多，和大哥們交流也多起來，知道好的輪子是什么樣的，才能嘗試去改進或完善，一瓶不響半瓶咣當，半瓶正是在下～保持積極與熱情，也期待大佬們各種指導....

一.靜態障礙物的引入

1.障礙物的格式

暫時不使用Apollo的那套，先用自有結構體接收障礙物資訊，然后壓入Obstacle類中即可，

對于靜態或低速障礙物，無非就是id、長寬高、位置以及朝向，動態障礙物暫時沒有進行，

2.自車sl的建立和障礙物的建立

自車相對于參考線起點里程和橫向偏移量，以及障礙物的ST、SL資訊都是要計算的，對于動態障礙物，SL已經不足以滿足需求了吧？后續學習EM再拎出來分析，

二.單車道場景中面向靜態障礙物的避讓

1.軌跡規劃原理

軌跡=縱向軌跡+橫向軌跡，之前已經分析了縱向速度規劃的程序，以及橫縱向軌跡是如何combine成一條完整軌跡的，在lattice中，橫向軌跡生成有兩種方法：撒點采樣法、二次規劃法，

1.1基于采樣點的軌跡規劃

撒點法前邊也有記錄，知道了起始點和采樣點的l,l{}',l{}''，然后求解對應的五次多項式的系數，便可得到對應的橫向軌跡，不重復了，

1.2基于二次規劃的軌跡規劃

Apollo原始碼中FLAGS_lateral_optimization默認是開啟的，即橫向規劃默認使用二次規劃進行，由于個人魯莽認為撒點會更直觀簡潔，所以關了這個標志位，采用的是撒點采樣，隨后在實車除錯時發現耗時很大，尤其是自車接近障礙物時，耗時飆升——軌跡數太多，障礙物碰撞檢測遍歷軌跡，額，配置比較低的工控機雪上加霜...然后試用一下二次規劃唄，wtf，超nice，

學習了程十三的軌跡規劃綜述，

Apollo中二次規劃求解使用的是OSQP求解器，官網：OSQP官網點這里 ，二次規劃求解有很多方法，關于為何選取OSQP，速度快～為何這么快，數學系的大佬們的戰場，標準的二次規劃形式：

下來要做的就很明確了：

  • 搞清楚路徑規劃的約束；
  • 搞清楚優化目標，即如何評價計算結果的優劣
  • 轉換成osqp求解器需要的形式，呼叫求解器
  • 坐等結果～

考慮車寬以及和障礙物的距離buffer，車輛的中心的橫向可移動范圍大概就是如下圖，Apollo中，前探60m，采樣點間隔1m，所以有60個采樣點，也可以根據實際情況調整，

1.2.1 車輛橫向狀態量設計

橫向偏移量l作為基本量，跑不掉，l{}'作為橫向速度變化率，當然也跑不掉；l{}''作為橫向加加速度，是控制乘坐舒適性的重要指標，也不能放掉；對于l{}'''，把軌跡看作可拉伸的彈力繩，三階導意味著其可拉伸的程度，可以用l{}''差分計算，so，需要的量齊全了，狀態量可以得到：

x=[l_{59}, l_{58} ,..., l_{0}, l_{59}', l_{58}' ,..., l_{0}', l_{59}'', l_{58}'' ,..., l_{0}'' ]^{T}

1.2.2 車輛橫向軌跡約束的建立

整個約束建立主要考慮到：

1.自車不能與障礙物碰撞或駛出邊界，即l_{i}\in [l_{i_{left}} , l_{i_{right}}]

2.軌跡應該保持連續，即相鄰兩個采樣點的l_{i+1}= l_{i}+{l_{i}}'\cdot \Delta s+\frac{1}{2}\cdot {?{l_{i}}}''\cdot \Delta s^{2}+\frac{1}{6}\cdot {?{l_{i}}}'''\cdot \Delta s^{3}

3.軌跡應該保持光滑，即導數連續相鄰兩個采樣點的斜率l_{i+1}'=l_{i}'+l_{i}''\cdot \Delta s+\frac{1}{2}\cdot l_{i}'''\cdot \Delta s^{2}

4.橫向加加速度(相對于s的二階偏導)應在一定范圍內，即\small l_{i}'''=\frac{\Delta l_{i}''}{\Delta s}=\frac{l_{i+1}''-l_{i}''}{\Delta s}\in [-0.1,0.1]

公式2、3直接用的泰勒公式進行的2階和3階展開，將l_{i}'''=\frac{l_{i+1}''-l_{i}''}{\Delta s}代入，可得到公式2和3的最終形式：

\left\{\begin{matrix} l_{i+1}= l_{i}+{l_{i}}'\cdot \Delta s+\frac{1}{3}\cdot {?{l_{i}}}''\cdot \Delta s^{2}+\frac{1}{6}\cdot {?{l_{i+1}}}''\cdot \Delta s^{2} \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \! \\ l_{i+1}'= l_{i}'+\frac{1}{2}\cdot {l_{i}}''\cdot \Delta s+\frac{1}{2}\cdot {?{l_{i+1}}}''\cdot \Delta s \end{matrix}\right.

到這一步，基本上約束的內容已經很清晰了，整理后如下：

\left\{\begin{matrix} l_{i_{left}}\leq l_{i}\leq l_{i_{right}} \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \\ l_{i+1}- l_{i}-l_{i}'\cdot \Delta s-\frac{1}{3}\cdot l_{i}''\cdot \Delta s^{2}-\frac{1}{6}\cdot {?{l_{i+1}}}''\cdot \Delta s^{2} =0 \\ l_{i+1}'- l_{i}'-\frac{1}{2}\cdot {l_{i}}''\cdot \Delta s-\frac{1}{2}\cdot {?{l_{i+1}}}''\cdot \Delta s=0 \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \,\\ -0.1\Delta s\leq l_{i+1}''- l_{i}''\leq 0.1\Delta s \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \, \end{matrix}\right.

即對于每一個采樣點，存在兩個不等式和兩個等式約束，一共60個采樣點，那么約束至少應該為60x4=240個約束條件，

根據狀態量的形式，約束矩陣A也就定了（這里不一定準確，若有不對求指導額..）：

這里使用的話貌似應該是A^{^{T}}\cdot x，行列貌似反了...不管了，原理不變，

1.2.3 約束邊界的建立

前邊已經描述了約束的建立依據，根據障礙物對車道的侵占情況，更新橫向位移l_{i}的范圍，最終約束的上下邊界分別為：

bound_{up}=[0.1, 0.1, ...,0.1,0,0,...,0,0,0,...,0,1.45,1.45,...,1.45,2,2,...,2]^{T}

bound_{low}=[-0.1, -0.1, ...,-0.1,0,0,...,0,0,0,...,0,-1.45,-1.45,...,-1.45,-2,-2,...,-2]^{T}

其中-2,2作為預設值不充值，湊夠矩陣運算元量，最終用于：

bound_{low}\leq A^{T}\cdot x \leq bound_{up}

1.2.3 目標函式的建立

二次規劃的目標為

minimize \frac{1}{2}x^{T}\cdot P\cdot x+q^{T}\cdot x

其中，將權重作為P項對角陣傳入，左右邊界作為偏差項q用以控制軌跡和參考線的偏離程度，如下：

P=\begin{bmatrix} 2\cdot W_{LateralOffset}+2\cdot W_{ObstaclDistance} & & & & & & & & \\ &... & & & & & & & \\ & &2\cdot W_{LateralOffset}+2\cdot W_{ObstaclDistance} & & & & & & \\ & & &1000 & & & & & \\ & & & &... & & & & \\ & & & & &1000 & & & \\ & & & & & &2000 & & \\ & & & & & & &... & \\ & & & & & & & &2000 \end{bmatrix}

q=[-2W_{LateralOffset}(l_-bound[0].first+l_-bound[0].second),...,-2W_{LateralOffset}(l_-bound[59].first+l_-bound[59].second)]

至此，整個二次規劃建立所需要的材料，全部齊全，在二次規劃中，對于矩陣P，以目前形式來看一定是正定的額，是否意味著此問題是凸優化問題，且一定有可行解？求大佬指點，，，

1.2.5 約束矩陣的壓縮CSC

從上邊已經可以看到，建立起來的矩陣基本都非常稀疏，在運算程序中是非常不方便的，常見的稀疏矩陣壓縮方法主要有：

  • CSR—Compressed sparse row
  • CSC—Compressed sparse column

之前在學習apollo時，發現其采用的csc矩陣，當時并不了解，也是擴展后才知道，可見總結：csc_matrix稀疏矩陣理解 至于為何選擇csc的原因可能是osqp官方使用的是csc？呼叫osqp建立workspace，需要以csc矩陣形式傳入求解器，

閑話一大堆，下面上代碼，

2.Lattice planning二次規劃代碼實作

lattice planner中通過呼叫Trajectory1dGenerator實體化后的成員函式，生成橫縱向軌跡，我們要看的常規撒點法和二次規劃都在其中，

// 5. generate 1d trajectory bundle for longitudinal and lateral respectively.
  Trajectory1dGenerator trajectory1d_generator(
      init_s, init_d, ptr_path_time_graph, ptr_prediction_querier);
  std::vector<std::shared_ptr<Curve1d>> lon_trajectory1d_bundle;
  std::vector<std::shared_ptr<Curve1d>> lat_trajectory1d_bundle;
  trajectory1d_generator.GenerateTrajectoryBundles(
      planning_target, &lon_trajectory1d_bundle, &lat_trajectory1d_bundle);

進入函式后，很清晰沒啥說的：縱向規劃+橫向規劃，

void Trajectory1dGenerator::GenerateTrajectoryBundles(
    const PlanningTarget& planning_target,
    Trajectory1DBundle* ptr_lon_trajectory_bundle,
    Trajectory1DBundle* ptr_lat_trajectory_bundle) {
  //縱向速度規劃
  GenerateLongitudinalTrajectoryBundle(planning_target,
                                       ptr_lon_trajectory_bundle);
  //橫向軌跡規劃
  GenerateLateralTrajectoryBundle(ptr_lat_trajectory_bundle);
}

在橫向規劃內，通過宏定義FLAGS_lateral_optimization，決定是否采用二次規劃，如下：

void Trajectory1dGenerator::GenerateLateralTrajectoryBundle(
    Trajectory1DBundle* ptr_lat_trajectory_bundle) const {
  //是否使用優化軌跡，true，采用五次多項式規劃
  if (!FLAGS_lateral_optimization) {
    auto end_conditions = end_condition_sampler_.SampleLatEndConditions();

    // Use the common function to generate trajectory bundles.
    GenerateTrajectory1DBundle<5>(init_lat_state_, end_conditions,
                                  ptr_lat_trajectory_bundle);
  } else {
    double s_min = init_lon_state_[0];
    double s_max = s_min + FLAGS_max_s_lateral_optimization;//FLAGS_max_s_lateral_optimization = 60

    double delta_s = FLAGS_default_delta_s_lateral_optimization;//規劃間隔為1m
    //橫向邊界
    auto lateral_bounds =
        ptr_path_time_graph_->GetLateralBounds(s_min, s_max, delta_s);

    // LateralTrajectoryOptimizer lateral_optimizer;
    std::unique_ptr<LateralQPOptimizer> lateral_optimizer(
        new LateralOSQPOptimizer);

    // 采用的是OSQP求解器
    lateral_optimizer->optimize(init_lat_state_, delta_s, lateral_bounds);

    auto lateral_trajectory = lateral_optimizer->GetOptimalTrajectory();

    ptr_lat_trajectory_bundle->push_back(
        std::make_shared<PiecewiseJerkTrajectory1d>(lateral_trajectory));
  }
}

流程很直白，通過GetLateralBounds函式獲取包含障礙物資訊的橫向邊界分布，然后傳入lateral_optimizer->optimize()中開始osqp短暫愉快的一生，

完整原始碼可看apollo：

bool LateralOSQPOptimizer::optimize(
    const std::array<double, 3>& d_state, const double delta_s,
    const std::vector<std::pair<double, double>>& d_bounds) {
  std::vector<c_float> P_data;
  std::vector<c_int> P_indices;
  std::vector<c_int> P_indptr;
  //建立目標函式中的P矩陣，主要包括權重分配
  CalculateKernel(d_bounds, &P_data, &P_indices, &P_indptr);
  delta_s_ = delta_s; //1m
  const int num_var = static_cast<int>(d_bounds.size());
  const int kNumParam = 3 * static_cast<int>(d_bounds.size());
  const int kNumConstraint = kNumParam + 3 * (num_var - 1) + 3; 
  c_float lower_bounds[kNumConstraint];
  c_float upper_bounds[kNumConstraint];

  const int prime_offset = num_var;
  const int pprime_offset = 2 * num_var;//=6？

  std::vector<std::vector<std::pair<c_int, c_float>>> columns;
  columns.resize(kNumParam);

  int constraint_index = 0;

  //constraint_index:0~2
  // d_i+1'' - d_i''
  for (int i = 0; i + 1 < num_var; ++i) {
    columns[pprime_offset + i].emplace_back(constraint_index, -1.0);
    columns[pprime_offset + i + 1].emplace_back(constraint_index, 1.0);
    //FLAGS_lateral_third_order_derivative_max=0.1
    lower_bounds[constraint_index] =
        -FLAGS_lateral_third_order_derivative_max * delta_s_;
    upper_bounds[constraint_index] =
        FLAGS_lateral_third_order_derivative_max * delta_s_;
    ++constraint_index;
  }

  //constraint_index:3~5
  // d_i+1' - d_i' - 0.5 * ds * (d_i'' + d_i+1'')
  for (int i = 0; i + 1 < num_var; ++i) {
    columns[prime_offset + i].emplace_back(constraint_index, -1.0);
    columns[prime_offset + i + 1].emplace_back(constraint_index, 1.0);
    columns[pprime_offset + i].emplace_back(constraint_index, -0.5 * delta_s_);
    columns[pprime_offset + i + 1].emplace_back(constraint_index,
                                                -0.5 * delta_s_);

    lower_bounds[constraint_index] = 0.0;
    upper_bounds[constraint_index] = 0.0;
    ++constraint_index;
  }

  //constraint_index:6~8
  // d_i+1 - d_i - d_i' * ds - 1/3 * d_i'' * ds^2 - 1/6 * d_i+1'' * ds^2
  for (int i = 0; i + 1 < num_var; ++i) {
    columns[i].emplace_back(constraint_index, -1.0);
    columns[i + 1].emplace_back(constraint_index, 1.0);
    columns[prime_offset + i].emplace_back(constraint_index, -delta_s_);
    columns[pprime_offset + i].emplace_back(constraint_index,
                                            -delta_s_ * delta_s_ / 3.0);
    columns[pprime_offset + i + 1].emplace_back(constraint_index,
                                                -delta_s_ * delta_s_ / 6.0);

    lower_bounds[constraint_index] = 0.0;
    upper_bounds[constraint_index] = 0.0;
    ++constraint_index;
  }

  columns[0].emplace_back(constraint_index, 1.0);
  lower_bounds[constraint_index] = d_state[0];//d
  upper_bounds[constraint_index] = d_state[0];
  ++constraint_index;

  columns[prime_offset].emplace_back(constraint_index, 1.0);
  lower_bounds[constraint_index] = d_state[1];//d'
  upper_bounds[constraint_index] = d_state[1];
  ++constraint_index;

  columns[pprime_offset].emplace_back(constraint_index, 1.0);
  lower_bounds[constraint_index] = d_state[2];//d''
  upper_bounds[constraint_index] = d_state[2];
  ++constraint_index;

  const double LARGE_VALUE = 2.0;
  for (int i = 0; i < kNumParam; ++i) {
    columns[i].emplace_back(constraint_index, 1.0);
    if (i < num_var) {
      lower_bounds[constraint_index] = d_bounds[i].first;
      upper_bounds[constraint_index] = d_bounds[i].second;
    } else {
      lower_bounds[constraint_index] = -LARGE_VALUE;
      upper_bounds[constraint_index] = LARGE_VALUE;
    }
    ++constraint_index;
  }

  CHECK_EQ(constraint_index, kNumConstraint);

  // change affine_constraint to CSC format
  std::vector<c_float> A_data;
  std::vector<c_int> A_indices;
  std::vector<c_int> A_indptr;
  int ind_p = 0;
  for (int j = 0; j < kNumParam; ++j) {
    A_indptr.push_back(ind_p);
    for (const auto& row_data_pair : columns[j]) {
      A_data.push_back(row_data_pair.second);
      A_indices.push_back(row_data_pair.first);
      ++ind_p;
    }
  }
  A_indptr.push_back(ind_p);

  // offset
  double q[kNumParam];
  for (int i = 0; i < kNumParam; ++i) {
    if (i < num_var) {
      q[i] = -2.0 * FLAGS_weight_lateral_obstacle_distance *
             (d_bounds[i].first + d_bounds[i].second);
    } else {
      q[i] = 0.0;
    }
  }

  // Problem settings
  OSQPSettings* settings =
      reinterpret_cast<OSQPSettings*>(c_malloc(sizeof(OSQPSettings)));

  // Define Solver settings as default
  osqp_set_default_settings(settings);
  settings->alpha = 1.0;  // Change alpha parameter
  settings->eps_abs = 1.0e-05;
  settings->eps_rel = 1.0e-05;
  settings->max_iter = 5000;
  settings->polish = true;
  settings->verbose = FLAGS_enable_osqp_debug;

  // Populate data
  OSQPData* data = reinterpret_cast<OSQPData*>(c_malloc(sizeof(OSQPData)));
  data->n = kNumParam;
  data->m = kNumConstraint;
  data->P = csc_matrix(data->n, data->n, P_data.size(), P_data.data(),
                       P_indices.data(), P_indptr.data());
  data->q = q;
  data->A = csc_matrix(data->m, data->n, A_data.size(), A_data.data(),
                       A_indices.data(), A_indptr.data());
  data->l = lower_bounds;
  data->u = upper_bounds;

  // Workspace
  OSQPWorkspace* work = osqp_setup(data, settings);

  // Solve Problem
  osqp_solve(work);

  // extract primal results
  // prime求導符號
  for (int i = 0; i < num_var; ++i) {
    opt_d_.push_back(work->solution->x[i]);
    opt_d_prime_.push_back(work->solution->x[i + num_var]);
    opt_d_pprime_.push_back(work->solution->x[i + 2 * num_var]);
  }
  opt_d_prime_[num_var - 1] = 0.0;
  opt_d_pprime_[num_var - 1] = 0.0;

  // Cleanup
  osqp_cleanup(work);
  c_free(data->A);
  c_free(data->P);
  c_free(data);
  c_free(settings);

  return true;
}

三、除錯程序記錄

1.代碼缺失與完善

除錯程序中發現各種遺漏或者錯誤，改就是了...

2.實車執行失敗案例與分析

記錄下除錯程序中失敗的程序，

2.1 車輛遇到貼近的障礙物：一直想往上撞
計算耗時無法控制，一旦接近障礙物，由于備選軌跡很多，并且每個軌跡都要進行碰撞檢測，外加工控機性能有限，導致耗時飆至900ms，已經嚴重不符100ms的運算周期了，直接導致軌跡拼接不準確，控制和規劃無法很好銜接，

但是有一點沒想通：即使軌跡拼接出問題，為何會往障礙物上撞，暫時把這個問題擱置了，后續解決，

2.2 使用二次規劃，貼近障礙物時無解，軌跡飛掉
（a）權重不合理，導致軌跡規劃無解

發現在和障礙物平齊時，自車橫向偏移量l總是比邊界多了0.1m....然后求解失敗

畫個圖，一切明了，就像那高爾夫球進洞，或者《信條》里的逆向子彈，如果軌跡有偏差，子彈是無法退回槍膛的，只會和槍管發生碰撞，

解決方法比較簡單，調節權重，提高自車和障礙物距離的權重，使得生成的軌跡適當遠離障礙物，從紅色變為綠色線，
（b）過早的轉彎，導致與障礙物發生碰撞

這里問題根源還沒鎖定，可能因素有兩塊：

  • 控制在選取預瞄距離后，過早的進行了轉向控制
  • 規劃的軌跡的確過早轉向(這樣的話就不滿足求解約束了額，可能性不大)

不知有前輩怎么解決的，

2.3 在特定的幾個點，軌跡直接飛掉，約束失效
車輛到某些位置會出現規劃失敗的情形，無法產生有效軌跡，為了查原因，關閉了軌跡有效性檢測，然后發現軌跡是這個diao樣子....飛掉了

查看該處的障礙物SL資訊，發現SL完全亂掉了，回想Frenet坐標系在面對U型彎圓心處障礙物投影特點(障礙物會被極大拉伸)，在出問題的點，該位置處參考線為圓弧形，障礙物恰好位于其圓心附近，導致障礙物在frennet投影時出現了右下圖所示，存在多個投影點，其SL圖當然是要廢掉了，

總結

目前已經實作了單車道內障礙物的規避，包括繞行和減速以及停車，一套下來，雖然只是簡單的功能復現，僅僅冰山一角但已經收益頗豐，實際操作的程序難度和踩坑大幅超過了自己的預期，多虧了身邊大哥的指導和幫助，開發作業真的是需要多交流與溝通，

下一階段目標：

實作多車道的軌跡規劃，園區內可以采用偽車道，即單條referenceline進行擴幅，覆寫整條道路寬度即可，另一個是真實的多車道多referenceline，繼續加油，一點點進步，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/185021.html

標籤：其他

上一篇：網站建設對于企業發展有哪些重要意義

下一篇：真題做題方法總結

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂