机器人跟随距离估算 该机器人将跟随面部并根据使用计算机视觉的距离估计进行操作，而没有任何传感器需要单摄像头，后者可提供从机器人到PC /笔记本电脑的实时视频 机器人图像 流程图 所需硬件 名称 项目 底盘机器人 1个 直流电动机 4 Arduino的 2个 NRF24L01 2个 L298马达驱动器 1个 电源12伏 1个 RGB LED 1个可选 跳线 40+ 面包板一半（大小） 1或2 所需软件 Arduino IDE NRF库----> Python模块 Opencv的Opencv用于图像处理 皮塞里亚尔Pyserial允许我们在python（软件）和Arduino（硬件）之间进行通信 Iriun网络摄像头 它将为我们将智能手机转换为无线相机 下载适用于Windows Linux和Mac的软件： : 我的Iriun网络摄像头链接教程： : //youtu.be/

the purpose of this book is to introduce the reader to the basic theory of singal detection and estimation.

瑜伽姿势估计应用程序 表中的内容 概述：- 这是一个瑜伽姿势估计应用程序，它可以通过使用posenet和KNN分类器实时检测瑜伽姿势。 这里使用的数据集是自定义数据集，由 3 个视频组成，用于表示 3 种不同的姿势。 它部署在heroku中。 需要注意的一件事，即这将适用于所有移动和边缘设备。 动机：- 这个项目是我在 ShapeAI 实习的一部分，担任机器学习工程师实习生。 该项目可以扩展为完美的瑜伽教练，以使用 AI 跟踪姿势并保持健康。 技术方面：- 该项目主要分为前端，后端两部分。 让我们详细讨论它们中的每一个。 前端部分：-主要是从前摄像头采集姿态图像，用于姿态识别。 该图像被传递给在 ml5.js 中预训练的posenet模型并获取计数部分位置x和y并将它们保存以以json的形式获取数据。 我们将从图像中检测到 17 个姿势，其中有 2 个与之相关的值，总共 34 个

Matlab code for Horn-Schunck method

State Estimation and Optimization for Mobile Robot Navigation

带有 PMU（相量测量单元）的电力系统状态估计使用带有 PMU 的 WLS 来估计系统的电压幅度和角度。 该代码还比较了使用 Newton Raphson 方法获得的状态的值。

通过对热图引导的自适应关键点估计值进行排序来实现自下而上的人体姿势估计 介绍 在这项工作中，我们提出了一些在改善关键点检测和分组（关键点回归）性能上很少或不深入研究的方案。 首先，我们利用关键点热图进行逐像素关键点回归，而不是将它们分开以改善关键点回归。 其次，我们采用像素级空间变换器网络来学习自适应表示，以处理比例和方向方差，从而进一步提高关键点回归质量。 最后，我们提出了一种联合形状和热值评分方案，以促进估计的姿势更可能是真实姿势。 结合权衡热图估计损失以平衡背景像素和关键点像素，从而提高热图估计质量，我们可以获得最先进的自下而上的人体姿势估计结果。 主要结果 不进行多尺度测试的COCO val2017结果 骨干 输入尺寸 #Params GFLOPs 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左）

非线性回归方法的锂离子卫星动力系统的RUL和SOH估计 链接到数据集可以在找到

DeepStream人类姿势估计 人体姿势估计是计算机视觉任务，它通过在视频或照片中定位人体上的某些关键点来估计人体的配置（“姿势”）。 以下应用程序作为参考，以项目为例，在DeepStream 5.0中部署自定义姿势估计模型。 有关详细的NVIDIA Developer博客，请访问。 输入视频源 输出视频 先决条件 你会需要 DeepStreamSDK 5.0 CUDA 10.2 TensorRT 7.x 入门： 要开始使用，请按照以下步骤操作。 在您的平台上安装 ，通过运行deepstream-app验证其是否正常运行。 最好将存储$DEEPSTREAM_DIR/sources/apps/sample_apps在$DEEPSTREAM_DIR/sources/apps/sample_apps 。 下载TRTPose，使用此 将其转换为ONNX，然后在DeepStream

Kailath Thomas_linear estimation 线性估计