怀疑论：不同时间、不同人的视角下的历史是一样的吗。如何保证我们的历史是客观的
理论上是客观的
从国家角度来说，学习历史证明了国家的合理性
从个人角度，满足我们的好奇心，一切是如何走到目前的情况的
了解历史来解释我们现在发生了什么
研究人性。科林伍德有言：”严格说来，没有人性这种东西，这一名词所指称的，确切地说，不是人类的本性而是人类的历史。”
人类积累着知识和看法，塑造了人的特质
本文主要关注于社会和政治上的平等。因为内涵积极，因此很适合作为一种政治口号。
平常生活中我们也经常会谈到平等。但什么是平等，我们真的懂平等吗？有一些正义的问题值得考虑
平等是一个有争议的概念，且作为一种政治理念在宣传的过程中导致存在广泛误解，我们需要给出一个明确的定义
平等是指在一组不同的物体、人员、过程或者环境之间的对应关系，这些对象至少在一个方面具有相同的性质，但不是所有方面
要说明的是，这里的相同性质并不是完全相同，允许存在差异。
平等既可以是描述，也可以是一种规定。本文讨论的更多是后者，应该提供怎么样的平等，提供给谁，什么时候提供。
因为平等本身并不完整，他没有说明具体比较的对象是什么，因此根据对象的不同，平等的概念也是不一样的
我们要如何分析个人的爱？
不同的爱之间显然是不同的。古希腊先贤们已经有了一些划分
当代，我们所主要关注的爱主要是Eros和Philia。
另一个重要的问题在于我们要如何区分爱与喜欢，直觉上看，两者似乎只是程度上的区别，那么如何区分程度呢？有的分析将程度理解为欲望的多少，或者说对象所具有的工具价值。然而这种分析是不充分的，因为我们可以关心或者爱一个人而不关注其工具价值。
另一种常见的区分方式是认同，爱一个人是在某种程度上认同他，而喜欢不涉及认同的概念。Whiting认为对认同概念的诉求扭曲了我们对爱的动机的理解，因为如果是认同，那么这种动机更像是自我利益。Whiting主张爱的中心是可能性——被所爱之人的兴趣所感动而暂时忘却自我。
还有一种区分方式是评估，爱情本质上是不是属于一种独特的评价？这是一个讨论激烈的话题。与之密切相关的问题是：我们能否证明爱的正当性
为什么要建图：
基本问题：环境是怎么样的
已知的：环境数据和状态数据 $d={u_1,z1,u_2,z2,…u_t,z_t}$
要计算的$m^*=argmax_mP(m|d)$
世界离散化，结构是固定的，每个cell可以是被占据或者free的，这个模型是没有参数的，不需要识别特征
既然扩展卡尔曼滤波可以解决非线性问题，为什么还要提出无迹卡尔曼滤波呢？
性能：在扩展卡尔曼滤波中，我们只使用了一个点展开来线性化，这就导致了这种估计方法的效果不佳
更好的方法：用许多点来近似
Trade-Off： 如果使用所有的点来近似，那就又会要求太多的计算资源，因此我们只用少量的计算资源获取大大提高的精度
选择Sigma Points：用少数几个点来表示整个分布，用的点越多，近似就越精确
高斯分布在经过一个非线性变换之后就不再是高斯分布了，所以在这里引入一个Unscented Transform来完成这个变换任务
通常来说，如果系统是N维的，那么Sigma Point的个数选择$2N+1$
$$
\begin{aligned}
X ^{[0]} &=\mu \
X ^{[i]} &=\mu+(\sqrt{(n+\lambda) \Sigma}){i} \text { for } i=1, \ldots, n \
X ^{[i]} &=\mu-(\sqrt{(n+\lambda) \Sigma}){i-n} \quad \text { for } i=n+1, \ldots, 2 n
\end{aligned}
$$
其中$\Sigma$是协方差矩阵，$\lambda$是一个扩张系数（一般选择$3-n$），$X$是Sigma Point矩阵，每一行都是Sigma Point的集合。
因为卡尔曼滤波有两个重要假设，其中的线性假设在现实环境中是不能够满足的。
大部分现实环境中的问题都包含非线性函数。如果还是使用卡尔曼滤波，那么更新状态之后就不再是高斯分布了。也就不满足卡尔曼滤波的条件了
通过泰勒展开，在均值附近线性近似。保留一阶
自动驾驶同时使用激光雷达和雷达两种传感器，其中
回忆卡尔曼滤波的两个步骤
为什么用概率来描述？因为机器人的环境是不确定的，所使用的传感器也是有误差的
中心极限定理：样本数够多，就会出现正态分布
使用单峰分布处理起来非常困难。
状态的更新（两个正态分布的相乘）可以用贝叶斯来计算
$$
\begin{array}{c}
\mu_{\text {new }}=\frac{\mu_{1} \sigma_{2}^{2}+\mu_{2} \sigma_{1}^{2}}{\sigma_{1}^{2}+\sigma_{2}^{2}} \
\sigma_{\text {new }}=\frac{\sigma_{1}^{2} \sigma_{2}^{2}}{\sigma_{1}^{2}+\sigma_{2}^{2}}
\end{array}
$$
有的时候状态更新只是两个正态分布的相加，那么新的期望和方差就是两个期望和方差的简单相加
$z$表示测量，$u$表示指令，$x$表示状态
第一定理：$p\left(x_{t} \mid x_{0: t-1}, z_{1: t-1}, u_{1: t}\right)=p\left(x_{t} \mid x_{t-1}, u_{t}\right)$
我从一个礼拜左右前开始刷题，到目前刷了三十几道，感觉逐渐有点上手，但没有一个系统的框架。在刷一道二分法的题目时，看到了labuladong的笔记，感觉思路清晰，值得学习。之后还发现他总结了一系列的算法框架并写了文章，所以在这里记录下阅读时的收获
目标：求最值。动态规划是运筹学中的最优化方法，在CS中应用较多
核心思想：穷举。把所有的可行答案穷举并找最值
难点：存在“重叠子问题”，直接暴力穷举效率低下。需要记录下一些中间过程节省计算量
方法：找到最优子结构，并列出正确的状态转移方程。
实际上是决策树的遍历过程，要考虑三个问题
在三种主要的自由形式
只有社会中的行动自由是未被实际否认的。（法无禁止即可为）
自由意志和自由选择是在哲学中被长期讨论的。关键点在于
关键点：是否同意共同人性
如果肯定人性上人人平等，那么就可以接着考虑
第一遍看书时仔细看过，这里就简单摘一些观点
按照排除法排除那些显然不合理的答案
但这种说法并不会给我们任何新的信息，属于文字游戏。亚里士多德的观点是我们可以从本能出发，寻找天生的欲求。
于是我们将善和追求联系在一起。我们可以沿用伊比鸠鲁的分析观点，将追求分成必须的和非必须的
我们应该想要我们需要的，而不应该想要我们不需要的
善也可以分为不同的善吗？