STM32F407-tinyML-Edge_Impulse 这个项目是在Shawn Hymel在Coursera平台的“嵌入式机器学习入门”课程中完成的，因为我决定跟进不同的硬件。 该项目使用在STM32F4发现上运行的NN分类器对4种不同的运动进行分类。 使用的硬件： stm32f4发现 MPU6050（您也可以使用板载MEMS传感器！） USB转UART转换器（CP2102） 联系： USART2-> PA2上的Tx与USB到UART转换器上的Rx引脚相连 I2C-> PB7上的SDA和MPU6050上的SDA-> PB6上的SCL和MPU6050上的SCL 请按照以下步骤在您的硬件上运行： 1-转到我的边缘冲动并克隆项目-> 2-如果要使用具有相同收集数据且没有Training_Phase的相同硬件 A-转到“ Private macro”部分中的main.cpp，

Leap Motion 4.5.0/4.5.1/4.6.0

《Shape and motion from image streams under orthography》对应的matlab代码，以及klt光流法对应c代码完成structure from motion三维重建；同时包含一份说明文档说明对这两份代码的使用

摘要 我们解决由一些运动对象引起的单一图像的盲去运动模糊的问题。在这样的情况下，可能只有图像的一部分是模糊的，并且场景含有不同程度层的模糊。大部分存在的盲去卷积研究致力于从整个图像中恢复出一个简单的模糊核。然而，在不同运动的情况下，模糊不能被建模为一个单一的模糊核，并且尝试使用同样一个模糊核去卷积整幅图像将会引起严重的伪影。因此去模糊的任务需要涉及图像切割把图像分为不同模糊核的区域。 我们的方法依赖于图像上的梯度滤波器的统计特性被模糊严重改变这一观点。假设由一个匀速运动引起的模糊，我们可以把调查局限于一维箱式过滤器模糊。这使我们能够把期望的梯度分布建模为一个关于模糊核宽度的函数。这些分布在区别不同模糊的区域方面功能出奇的强大。该方法在含有丰富纹理的现实世界的图像产生具有说服力的去卷积结果。

Leap Motion 手势控制 使用一些 Leap Motion 手势的简单系统托盘应用程序： 画一个圆圈滚动（顺时针向下） 做一个按键手势向下移动 1 行 向上/向下滑动以按下Home/End键 向左/向右滑动Ctrl+Tab和Ctrl+Shift+Tab （大多数浏览器中的选项卡切换）

Everyday Motion Pack 2.0.unitypackage

关于LMS Virtual.Lab Motion的介绍，很全面。详解说明了Virtual.Lab Motion软件的功能，列举了在许多行业的应用案例，推荐阅读。

避免加速度和速度障碍的相互碰撞 我们提出了一种考虑到加速约束的移动机器人避碰方法。 我们讨论了在移动障碍物中导航单个机器人的情况，以及在导航公共工作空间时相互避免碰撞的多个机器人的情况。 受速度障碍概念的启发，我们引入了加速度－速度障碍（AVO），以使机器人在遵守加速度约束的同时避免与移动障碍物发生碰撞。 AVO表征了机器人可以安全地达到并采用的比例控制加速度所采用的新速度。 通过让每个机器人承担避免成对碰撞的责任的一半，我们将此概念扩展为针对多机器人设置的相互避免碰撞。 我们的设计可确保无冲突导航，即使机器人独立且同时行动而无需协调。 我们的方法是为完整的机器人设计的，但也可以应用于运动约束非完整的机器人，例如汽车。 我们已经实现了我们的方法，并且在具有大量机器人和障碍物的具有挑战性的环境中显示了仿真结果。 版权所有2010北卡罗莱纳大学教堂山分校 根据Apache许可版本2.0（“

Distributed.Control.of.Robotic.Networks.A.Mathematical.Approach.to.Motion.Coordination.Algorithms

unity3D和开发游戏时候用到的leapmotion的驱动程序，直接安装在电脑上就好了