成本函数

行为规划的内容包括车辆如何生成安全的、可行驶的轨迹以到达目的地： 我们会使用 计算机视觉和传感器融合 得到的数据，来理解我们周围的环境，也将使用从 定位模块 得到的数据来精确理解我们具体置身何处，路径规划使用所有这些数据来决定下一步执行何种动作， 然后，路径规划构造出一条轨迹，让控制器去执行。 无人驾驶系统的规划层包括三层结构： 任 务 规 划 、 行 为 规 划 和 动 作 规 划 ‾ \underline{任务规划、行为规划和动作规划} 任 务 规 划 、 行 为 规 划 和 动 作 规 划 ​ A ⋆ A^{\star} A ⋆ 算法在任务规划中应用非常广泛，作为离散空间搜索算法， A ⋆ A^{\star} A ⋆ 算法多用于离散空间最优路径搜索问题的解决方案； 行为规划，是无人车系统决策的核心部分，通常使用 有限状态机 来设计一个行为决策模型。 行为规划器目前是个黑盒子，它把地图数据，目的地路线，作为输入，结合周围环境中静态或者动态障碍物的下一步可能动向， 生成无人车的下一个动作，对此动作，会有规划器负责平滑，安全，无碰撞的执行。 行为模块的职责，是提出一些建议动作，这些动作因该是可行的、最安全的、不会违规的，高效的，但不负责动作执行的细节。也不负责进行碰撞检测。 我们使用“有限状态机”来解决行为规划问题。 有限状态机 有限状态机基于有限的离散状态来做决策，

2.2 logistic回归损失函数（非常重要，深入理解） 上一节当中，为了能够训练logistic回归模型的参数w和b，需要定义一个成本函数 使用logistic回归训练的成本函数 为了让模型通过学习来调整参数，要给出一个含有m和训练样本的训练集 很自然的，希望通过训练集找到参数w和b，来得到自己得输出 对训练集当中的值进行预测，将他写成y^（I）我们希望他会接近于训练集当中的y^（i）的数值 现在来看一下损失函数或者叫做误差函数 他们可以用来衡量算法的运行情况 可以定义损失函数为y^和y的差，或者他们差的平方的一半，结果表明你可能这样做，但是实际当中，大家都不会这么做，因为当你学习这些参数的时候，你会发现之后讨论的优化问题，会变成非凸的，最后会得到很多的局部最优解，梯度下降算法可能找不到最优的全局最优值， 直观理解就是我们定义这个损失函数L，来衡量你的预测输出值y^和y的实际值有多接近，误差平方看起来是一个合理的选择，但是如果用这个的话，梯度下降法就不会很好用， 在logistic回归中，我们会定义一个不同的损失函数，它起着于误差平方相似的作用，这会给我们一个凸的优化问题，他很容易去做优化， 在logistic回归中，我们用的损失函数将会是下面这样的，（非常重要！） 直观的看一下为什么这个函数会起到作用， 记得如果我们使用误差平方越小越好 对于这个logistic回归的损失函数