简介

删除集合中的元素，有两种删除的形式，一种是删除特定元素，一种是删除特定索引的元素。

删除的方式有：使用Java API （java 8）、从后往前的循环、使用迭代器、使用新的集合。

本主要总结个人作为App开发负责人时的一些经验，主要描述App的架构设计、开发管理以及相关事项等。

概述

我们接到需求后，准备开发一个新项目时，作为开发负责人该如何去做？主流程如下：

1. 需求分析。确定业务事项、技术方案（难点、是否需要预研等）、需求拆分、开发估时等。
2. 架构设计。根据技术方案，确定开发规范、设计App架构。
3. 项目建立。建立服务端的版本仓库和CI/CD；搭建App架构；创建分支。
4. 项目开发。团队各人根据分配的任务和分支，开发开发对应的功能点；分支合并需要进行服务端的自动测试和编译以及CodeReview。
5. 测试调试。根据测试部分反馈的问题，解决BUG。
6. 迭代维护。后期的维护和迭代开发。
7. 团队管理。在以上的整个流程中都会涉及到管理，包括前期的需求拆分、任务分配，中期的项目进度管理和风险点管理，后期的联调，维护，以及期间与其他团队的交互等等，会涉及到一系列会议。

介绍实际车机开发中会用到的基础知识和概念，持续更新。

常见术语

本文档主要介绍利用某导航SDK开发AR导航的流程（获取并传递图片）和注意事项，基础导航、图像的检测、AR融合算法皆由SDK提供。

车载AR导航介绍

车载AR导航机制一般为：首先利用摄像头将前方道路的真实场景实时捕捉下来，再结合汽车当前定位及传感器（陀螺仪、惯导）数据、地图导航信息以及场景AI识别，进行融合计算，然后生成虚拟的导航指引模型，并叠加到真实道路上，从而创建出更贴近驾驶者真实视野的导航画面。

车载AR导航系统需要实现的能力：

• 车道级导航能力。基础导航能力。
• 图像获取、检测与识别能力。
• AR融合算法能力。

前置条件

• 基础导航。AR导航是基于基础导航的，基础导航的基本功能必须是完善的、没有问题的。
• 基于DR的定位模式。DR定位模式可以提高AR导航的精度，使得AR引导提示得更加精准。
• 摄像头。支持YUV格式帧流的摄像头（基本都支持），预览帧率必须不小于20fps（这个要根据具体SDK的AR服务要求来，我所使用的SDK中请求图片的帧率约为20fps）。
• 传感器。三轴陀螺仪、三轴加速度，其丢帧率和稳定性要符合SDK提供方的要求。
• 车身信息。车速信息、倒车信号、方向盘信息、车灯信息、雨刮器信息等。

其他具体要求看SDK提供方的文档。

之前做了基于某流行的导航SDK开发车机导航App的项目，现在做一个总结，仅仅总结与特定导航无关的基础知识和概念。

介绍

车载导航系统由硬件和软件组合而成，按功能可划分为由定位系统、系统软件、导航应用软件等。定位系统包括GNSS天线、各种传感器、滤波器、DR模块等；系统软件目前较流行的是Android系统；导航应用软件即常说的某某导航App，正式名称为导航电子地图，可通过触摸显示屏或者语音等进行交互操作， 实现实时定位、 目的地检索、路线规划、画面和语音引导等功能，帮助驾驶者准确、快捷地到达目的地。

车载导航与手机导航的最大的优势是，一，提供更加精准的定位，尤其是在GPS信号不好的时候，对比更加明显；二，更大的显示屏、更好的散热、更好的稳定性等。

定位系统

在信号弱或者高速行驶时，仅依靠卫星定位是困难的，目前的定位不只是卫星定位，也会有硬件或软件的参与。硬件一般包括：GNSS信号接收机或称天线、DR微处理器（也可能由软件处理）、车速传感器、陀螺仪、加速度计等。 目前定位一般是通过包括GNSS信号在内的许多信号一起通过航位推算算法（DR）计算得到的，下图是DR模块位于硬件或软件系统中时的信号流程图，MMF表示地图匹配反馈信号。

目前普通民用 gps 和 dr 组合定位设备 (gps 惯性设备 ) 已经可以达到 1 000 m 无 gps 信号的情况下的航向精度和 10 m 的距离精度。

车载天线接收GNSS信号的频率是有规定的，比如10Hz，频率太高对系统要求也会高，必定提高成本。10Hz的情况下，如果车速为36km/h（10m/s），间隔1m接收一次定位信号，似乎可以接收，如果车速为33m/s（120km/h)，则间隔3.3m才接收一次定位，对于一些路口区域，很容易错过。

航位推算：这种根据已知信息（当前位置、速度、加速度、方向等）推算经过一段时间后的位置的方法称为DR，dead reckoning。

卫星定位系统：一般称为全球导航卫星系统（ Global Navigation Satellite System，GNSS），GPS是美国的全球定位系统的简称，一般应该使用GNSS代表卫星定位或导航系统的总称。

陀螺仪：一般指三轴陀螺仪，是用于获取车辆三个轴向的角速度值，如果是单轴陀螺仪，则一般指Z轴，用来测量车辆的左右转向角度值。

数字图像表示

• 二值图：二维矩阵，也叫黑白图，每个点的值用一个比特表示 0-1
• 灰度图：二维矩阵，每个点的值用8比特表示 0-255
• 彩色图：多重二位矩阵

视频和图像格式基础

• 封装格式：视频文件包括编码后的音频和编码后的视频，将这二者封装成一个文件，就涉及到封装格式
• 视频编码：将视频源文件进行编码，主流编解码格式为H264
• 帧格式：视频源文件包含一系列的帧文件，帧有帧的封装格式如YUV

YUV420-888

扩展：YUV_420_888 介绍

首先YUV是一种颜色空间，基于YUV的颜色编码是流媒体的常用编码方式。“Y”表示明亮度（Luminance、Luma），“U”和“V”则是色度、浓度（Chrominance、Chroma）。

YUV420是一类格式的集合，YUV420并不能完全确定颜色数据的存储顺序。举例来说，对于4x4的图片，在YUV420下，任何格式都有16个Y值，4个U值和4个V值，不同格式只是Y、U和V的排列顺序变化。

I420（YUV420Planar的一种）则为YYYYYYYYYYYYYYYYUUUUVVVV，NV21（YUV420SemiPlanar）则为YYYYYYYYYYYYYYYYUVUVUVUV。

在Camera2中，YUV_420_888通常为YUV420Planar排列（手机不同可能会存在差异，目前我用过的几个手机都是这个格式）。实际应用中，可以根据采集到的数据中的pixelStride值判断具体的格式，再去做数据转换，其中pixelStride代表行内颜色值间隔。

说明：

• 图中PixelStride表示一个颜色点的字节长度
• 图中LineStride也叫RowStride，表示一行字节长度

之前参与了Launcher项目，负责样式的自定义布局部分。这部分主要涉及到的技术点是自定义布局和动画，难度适中，但略繁杂，其中有几个技术相关的难点记录如下。

介绍

布局基于二维格子：将图标显示区划分为m x n个格子，每个图标占据一个或多个格子。自由布局样式里，格子划分得更小，每个图标的最小尺寸有规定，不能小于规定值。

图标大小可更改：不同尺寸的图标展示的信息不一样，最小的图标仅展示一个ICON，最大的图标可以展示应用丰富的信息以及操作。展示的信息是通过与应用提供的服务组件或广播来通信的。

手指长按触发拖动

下图边框表示一个ViewGroup，包含8个子View。我们希望长按某个子View，并拖动它到其他的位置，比如长按View-1后，显示能够拖动，然后拖动它到View-7的位置。

Github上应该有相关框架，可以自己实现但不需要，因为Android提供了相关API，见官方文档。其原理是创建待拖动View的副本，并跟随手指触摸坐标更改副本View的位置。使用流程为在View的长按监听回调OnLongClickListener.onLongClick(View v)里调用开启拖动的方法View.startDragAndDrop()，然后在目标容器中注册拖动回调监听即可触发拖动事件的回调方法OnDragListener.onDragEvent()，之后根据坐标判断拖动结束的地方或View。

介绍

基本概念：所谓贪心算法是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。

贪心算法没有固定的算法框架，算法设计的关键是贪心策略的选择。必须注意的是，贪心算法不是对所有问题都能得到整体最优解，选择的贪心策略必须具备无后效性，即某个状态以后的过程不会影响以前的状态，只与当前状态有关。

所以对所采用的贪心策略一定要仔细分析其是否满足无后效性。

贪心策略适用的前提是：局部最优策略能导致产生全局最优解。

实际上，贪心算法适用的情况很少。一般，对一个问题分析是否适用于贪心算法，可以先选择该问题下的几个实际数据进行分析，就可做出判断。

贪心算法的基本思路

• 建立数学模型来描述问题。
• 把求解的问题分成若干个子问题。
• 对每一子问题求解，得到子问题的局部最优解。
• 把子问题的解局部最优解合成原来解问题的一个解。

贪心算法的实现框架

1
2
3
4
5

// 从问题的某一初始解出发；
while （能朝给定总目标前进一步）{
   // 利用可行的决策，求出可行解的一个解元素；
}
// 由所有解元素组合成问题的一个可行解；

简介

双指针用法的一种，这个算法技巧的思路非常简单，就是维护一个窗口，不断滑动，然后更新答案。

代码结构：

1
2
3
4
5
6
7
8
9
10
11
12
13

int left = 0, right = 0;

while (right < s.size()) {`
    // 增大窗口
    window.add(s[right]);
    right++;

    while (window needs shrink) {
        // 缩小窗口
        window.remove(s[left]);
        left++;
    }
}

示例

给你一个字符串 s 、一个字符串 t 。返回 s 中涵盖 t 所有字符的最小子串。如果 s 中不存在涵盖 t 所有字符的子串，则返回空字符串 “” 。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

public String minWindow(String s, String t) {
    if (s == null || t == null || s.length() < t.length()) {
        return "";
    }

    int left = 0, right = 0, minLeft = 0, minRight = Integer.MAX_VALUE;
    // 目标范围
    Map<Character, Integer> need = new HashMap<>();
    for (int i = 0; i < t.length(); i ++) {
        char c = t.charAt(i);
        need.put(c, need.get(c) == null ? 1 : need.get(c) + 1);
    }
    // 滑动窗口
    Map<Character, Integer> window = new HashMap<>();
    // valid
    int validCount = 0;

    while (right < s.length()) {
        // 扩大窗口
        char c = s.charAt(right);
        right ++;
        if (need.containsKey(c)) {
            window.put(c, window.get(c) == null ? 1 : window.get(c) + 1);
            if (window.get(c).equals(need.get(c))) {
                validCount ++;
            }
        }

        // 缩小窗口
        while (validCount == need.size()) {
            // 更新长度
            if (right - left < minRight - minLeft) {
                minLeft = left;
                minRight = right;
            }
            char cc = s.charAt(left);
            left ++;
            if (need.containsKey(cc)) {
                if (Objects.equals(window.get(cc), need.get(cc))) {
                    validCount --;
                }
                window.put(cc, window.get(cc) - 1);
            }
        }
    }

    return minRight == Integer.MAX_VALUE ? "" : s.substring(minLeft, minRight);
}

简介

解决一个回溯问题，实际上就是一个决策树的遍历过程。你只需要思考 3 个问题：

• 路径：也就是已经做出的选择。
• 选择列表：也就是你当前可以做的选择。
• 结束条件：也就是到达决策树底层，无法再做选择的条件。

时空复杂度：时间复杂度都不可能低于 O(N!)，因为穷举整棵决策树是无法避免的。这也是回溯算法的一个特点，不像动态规划存在重叠子问题可以优化，回溯算法就是纯暴力穷举，复杂度一般都很高。

适用场景：一般用于求具体路径！