Se afișează postările cu eticheta Udacity. Afișați toate postările
Se afișează postările cu eticheta Udacity. Afișați toate postările

23 iulie 2013

Udacity HTML5 course (1)

* creating a XMLHttpRequest object
var request = new XMLHttpRequest();
request.open ('GET', myUrl, true); // true = async
request.onload = function () {
  // define your function
}
request.send();

* classes which extend other classes
Weapon = Class.extend({
    init: function() {  this._super(); }
});

MachineGun = Weapon.extend({
    init: function() { this._super(); }
});

* append a new image to a canvas
var img = new Image();
img.src = 'mySrc';
img.onload = function () {
  var canvas = document.createElement("canvas");
  var ctx = canvas.getContext('2d');
  var obj = ctx.drawImage(img, 192,192);
  // the origin of the canvas xOy system is on the top left corner
}

* Jpeg - good size/compression; bad Alpha
Png - bad size/compression; good Alpha
Webp - good; good

* create an animated canvas
// assets = array of paths to images; frames = new array of images
for (var i=0; i<assets.length; i++) {
        var img = new Image();
        img.src = assets[i];
        img.onload = onImageLoad;
        frames.push(img);
    }
var frameRate = 1000/30; // 30 fps
setInterval(animate, frameRate);

var animate = function() {
   // ctx = canvas.getContext('2d');
   ctx.clearRect(0,0,canvas.width, canvas.height);
   ctx.drawImage(frames[frame], 0, 0); // changes the current image to the next one
   frame++;
   if (frame == frames.length) {
        frame = 0;
   }
};

30 mai 2012

Secure cookies

import hmac

# hashing with HMAC
CHEIE = "secret"

def hash_str_hmac (s):
    return hmac.new(CHEIE, s).hexdigest()

def make_secure_val(s):
    return "%s|%s" % (s, hash_str_hmac(s))

def check_secure_val(h):
    val = h.split('|')[0]
    if h == make_secure_val(val):
        return val

Mecanism:
* vrem sa setam un cookie de tipul: camp=valoare
Daca setam cookie-ul in acest format, el va fi usor de modificat din browser-ul clientului.
Altfel, putem sa ii atasam un hash, noua valoare devenind: valoare|hash(valoare)
* ca algoritm de hashing, putem folosi md5 sau chiar mai sigur, hmac - acesta implica si contributia unei chei secrete cunoscute doar de noi ("secret")
* noul cookie este transmis serverului, exemplu de format:  user_id=3|890b62425d300574b7bcdf60a5bc6059
3 este valoarea care ne intereseaza, pe cand sirul ce ii urmeaza este criptarea cu cheia secreta CHEIE a numarului 3. ~ make_secure_val()
* pe server, din cookie este extrasa valoarea 3, si hash-ul lui 3 este comparat cu hash-ul primit in cookie. Daca valorile nu coincid, valoarea extrasa este considerata invalida. ~ check_secure_val()

In acest fel, serverul este sigur ca cookie-urile nu au fost modificate fortat de client.

* Setare cookie (in webapp2):
self.response.headers.add_header('Set-Cookie', 'user_id=%s' % mycookie + ';Path=/')
* Stergere cookie - cookie-ul nu se chiar sterge, ci valoarea campului respectiv devine vida
self.response.headers.add_header('Set-Cookie', 'user_id=; Path=/')
" Path=/ " este optionala, dar este important ca de fiecare data cand se doreste suprascrierea, cookie-ul sa fie referit de pe aceeasi cale (path). Nu pot exista 2 cookies care sa contina informatii despre acelasi camp ("user_id"), decat daca sunt salvate in locatii/cai diferite.

11 mai 2012

Google Application Engine si GQL

Google Application Engine este o platforma pentru deployment-ul unor aplicatii web scrise in mai multe limbaje de programare (gen JSP, Python, Ruby). Este usor de instalat, de rulat, e gratuit in limita a 1GB de date, ofera acces la un Datastore, iar pentru Python ofera un framework numit webapp care usureaza construirea aplicatiilor. (descrierea nu se opreste aici)

GQL - este un limbaj asemanator SQL folosit in GAE care insa suporta un singur tip de query : "select [parametri]" - acesta returneaza o liste de obiecte de tipul tabelului considerat. GQL nu este o baza de date relationala, adica nu suporta JOIN-uri, interogarea a mai mult de un tabel/query, iar in campul where din select se poate pune o singura coloana (din motive de rapiditate). In schimb, coloanele nu sunt fixate: pot exista oricate si chiar pot fi schimbate de-a lungul programului.

De exemplu: pentru definirea unui tabel in Datastore mai intai se construieste o clasa al carei nume va fi numele tabelului, cu variabile reprezentand campurile acestuia si tipurile lor.
from google.appengine.ext import db
class User (db.Model):
    username = db.StringProperty (required = True)
    password = db.StringProperty (required = True)
    email = db.StringProperty (required = False)
Crearea clasei User este echivalenta cu crearea tabelului in baza de date (acest lucru este specificat de db.Model care reprezinta clasa mostenita).
Oriunde in program, se poate crea acum un obiect de tip User pe care sa il inseram in baza de date:
u = User(username = "boom", password = "ble", email = "bee@gmail.com")
u.put()
Tabelul User, la fel ca orice tabel din GQL, contine un camp suplimentar numit id ca o cheie primara, generat automat. Daca vrem sa aflam id-ul inregistrarii ce tocmai am inserat-o, se foloseste:
id = u.key().id()
Consultarea tabelului User se poate realiza foarte simplu:
entries=db.GqlQuery("select * from User")
for entry in entries:
    self.response.out.write(entry.username + " " + entry.email)
"entries" furnizat este o lista de obiecte de tip User, si campurile fiecarui User se acceseaza cu "."
Pentru stergerea unei inregistrari se poate folosi:
db.delete(entry)
, unde entry este un element din entries (lista returnata de select).

05 aprilie 2012

Probabilistic Robotics

"Probabilistic Robotics" - Sebastian Thrun, Dieter Fox, Wolfram Burgard
Acest ebook este suport de curs pt multe cursuri de robotica, si recomandata ca further reading pentru Udacity cs373.
P.S. acesta este un draft din anul 2000. Cartea finală a apărut în 2005 dar nu se găsește la liber pe internet. Ea conține în mare aceleași capitole cu unele modificări și adăugiri (cum ar fi Graph SLAM).

22 martie 2012

La ce foloseste TS (Teoria Sistemelor)

  Unul dintre locurile unde îți poți aminti de ”TS” este în robotică, în control theory . De exemplu, având o mașinuță care se presupune că ar merge drept, de fapt, din cauza erorilor, traiectoria este mai mult sau mai puțin deviată (cross-track error - CTE). Pentru a o încadra cât de cât aproape de ceea ce se aștepta, se introduc celebrele compensatoare din capitolul de sinteza SRA, cum ar fi compensatorul P, PI, PD, PID, PDD, etc.

  Compensatorul de tip P - proportional control. A conduce proporțional cu eroarea CTE - deviația scade dar au loc frecvente depășiri - deci nu foarte exact.
  Compensatorul de tip PD - proportional derivative control. A conduce proporțional cu eroarea CTE plus adăugarea derivatei în timp a CTE (diferența a oricăror 2 erori consecutive între 2 momente de timp) înmulțită cu un parametru ales. Ca rezultat, eroarea devine mai mică cu trecerea timpului, fără depășiri (oscilații în jurul axei), o convergență mai bună.
  Compensatorul de tip PID - proportional, integral, derivative. La fel ca PD, plus adăugarea integralei CTE privită ca suma a tuturor valorilor CTE anterioare, înmulțită cu un parametru. PID rezolvă o problemă neadresată de PD și anume atunci când roțile mașinuței nu sunt perfect alineate și e nevoie de o ”forță mai mare” în conducere.

  Din punct de vedere euristic, valorile proporționale, integrale și derivative pot fi interpretate temporal. Astfel, P depinde de eroarea curentă, la momentul prezent, I depinde de acumularea erorilor trecute, iar D depinde de o predicție a viitorilor erori pe baza ratei de schimbare curentă. Foarte importantă este alegerea corectă a parametrilor.

graficul răspunsului unui sistem cu regulatoare P, PI și PID
PID-ul pare a fi cel mai bun stabilizator (cu deviații minime față de y=1 și convergență rapidă)

12 martie 2012

Filtru de particule

 Filtrul de particule este o metoda de localizare folosita in robotica. Presupunand ca avem un robot, in starea initiala el stie ca se afla intr-un spatiu predefinit, dar nu stie unde anume. Dispune de o harta (care sa presupunem ca are un numar de puncte de reper/remarcabile), dar este incapabil sa distinga pozitia in care s-ar afla pe acea harta. De aceea, isi creeaza ("in imaginatia lui") un set de particule ce reprezinta "copii in miniatura" ale sale si le plaseaza in diverse locuri. Pot fi 10, 100, 1000 sau oricate particule raspandite la random in intreg spatiul. Se presupune ca particulele au fost raspandite cat de cat uniform, astfel incat in fiecare pozitie sa se gaseasca o particula ceea ce inseamna ca exista o sansa ca robotul sa se afle chiar acolo. Robotul nu stie efectiv unde se afla, dar este capabil sa detecteze distante pana la anumite puncte de reper cu o anumita acuratete, folosind laseri.


 Apoi se intampla urmatoarele: robotul doreste sa se miste si o data cu el se misca si particulele. Dupa ce robotul s-a miscat, coordonatele lui s-au schimbat si robotul doreste sa verifice (sa masoare) distantele de la locul unde se afla pana la punctele de reper ale hartii. Si obtine un set de distante. Particulele, la randul lor, fiind niste robotei fictivi, isi vor modifica pozitia _reala_ si vor si ele sa masoare distantele pana la aceste puncte remarcabile ale hartii. Particulele calculeaza aceste distante "de mana" pentru ca dispun atat de coordonatele in care se afla cat si de coordonatele punctelor de reper. In schimb, robotul nu isi stie coordonatele proprii dar poate afla distantele pana la punctele de reper (toate, sau doar o parte) folosind laseri.
 Compararea acestor distante obtinute poate oferi un indiciu despre cat de apropiat e robotul fata de particule (adica cat de reale sunt ipotezele oferite de particule). De aceea, fiecarei particule i se va atribui ulterior o greutate/probabilitate ca EA sa indice pozitia corecta. 


 Apoi, cele 10, 100, 1000, etc particule vor fi filtrate (sampling with replacement). Unele dintre ele se dovedesc a returna distante prea aberante fata de punctele de reper, comparativ cu masuratorile robotului (care in continuare nu stie unde se afla), acelea cu siguranta vor avea greutati mici si _probabil_ vor muri. Din cele N particule initiale se vor alege, la intamplare, tot N, cu posibilitatea ca dintr-o singura particula initiala sa rezulte 1,2 sau mai multe particule noi. In final va fi acelasi numar de particule, dar unele probabil se vor repeta, ceea ce va indica faptul ca pozitia exprimata de acea particula este mai probabila decat altele. Alegerea noilor particule se face la intamplare, dar o particula cu greutate mare are o sansa mai mare sa fie aleasa (si o sansa destul de mica, dar existenta, de a "muri"). 


 Cand robotul se misca din nou, procesul se repeta si dupa mai multi pasi vom vedea in jurul lui mai multe particule aglomerate care il vor insoti oriunde acesta se plimba. Poate, intr-un final, va rezulta o singura particula, care va spune cu o probabilitate mare (dar nu cu certitudine) ca robotul se afla la pozitia indicata de aceasta.


 Ce se intampla cand avem de la inceput un filtru de particule cu o singura particula? Aceasta va fi asezata intr-un loc, la intamplare, care poate fi atat locul "cel bun" cat si foarte departe de locul real. Si cum posibilitatile de asezare sunt numeroase, cel mai probabil particula nu va oferi o localizare buna. Masuratorile robotului nu vor afecta durata de viata a particulei, deoarece suntem siguri ca la urmatorul resampling noua particula este chiar cea anterioara (care are probabilitate 1 sa fie realeasa). Deci, masuratorile nu vor afecta in niciun fel localizarea oferita de particula. In schimb, miscarea robotului influenteaza miscarea particulei pentru ca cei doi se misca la fel (aceleasi translatii, rotatii, etc).