该软件已在波士顿大学认知和神经系统系技术实验室实现 - http://techlab.bu.edu 。 该软件的主要作者是 Praveen Pilly ( http://techlab.bu.edu/members/advait/ )。 大脑如何做出知觉决定？ 关于运动方向的扫视决定的速度和准确性取决于运动刺激中固有的模糊性，并与猕猴顶叶和额叶皮层神经元放电率的时间动态相关。 MOtion DEcision (MODE) 模型结合了视网膜/外侧膝状核、初级视觉皮层、中颞区、内侧颞区和外侧顶内区内部和之间的相互作用，由基底神经节门控，以提供对运动的功能和机械理解基于实验运动刺激的决策行为。 该模型展示了中颞区和内侧上颞区的运动捕捉电路如何逐渐解决信息Kong径问题，同时与侧顶内区的嘈杂循环竞争场相互作用，其自我归一化选择特性实时做出概率方向决策。 定量模型模拟包括在固定持续时间和Reac

此程序是 Motion Compensated Block Compressed Sensing - Smooth Projected Landweber算法，本人亲测有效并易于调用

leapmotion java sdk,通过导入到工程和java根目录可以实现调控leap motion的作用。

百度apollo规划算法，另外还包含了自动驾驶学习资料 涵盖感知，规划和控制，ADAS，传感器； 1. apollo 相关的技术教程和文档； 2. adas（高级辅助驾驶）算法设计（例如 AEB,ACC,LKA 等） 3. 自动驾驶鼻祖 mobileye 的论文和专利介绍 4. 自动驾驶专项课程（可能是目前最好的自动教师教程），是 coursera 上多伦多大学发布的自动驾驶专项课程，应该是目前为 止非常火非常好的教程了，包含视频，ppt，论文以及代码 5. 国家权威机构发布的 adas 标准，这是 adas 相关算法系统的标 准，也是开发手册。 6. 规划控制相关的算法论文介绍 7. 等等总

apollo规划技术详解，还包含自动驾驶学习资料 涵盖感知，规划和控制，ADAS，传感器； 1. apollo 相关的技术教程和文档； 2. adas（高级辅助驾驶）算法设计（例如 AEB,ACC,LKA 等） 3. 自动驾驶鼻祖 mobileye 的论文和专利介绍 4. 自动驾驶专项课程（可能是目前最好的自动教师教程），是 coursera 上多伦多大学发布的自动驾驶专项课程，应该是目前为 止非常火非常好的教程了，包含视频，ppt，论文以及代码 5. 国家权威机构发布的 adas 标准，这是 adas 相关算法系统的标 准，也是开发手册。 6. 规划控制相关的算法论文介绍 7. 等等总共 3

Leap Motion SDK 是应用于Leap Motion 开发环境（Java C++等）于应用程序之间的数据调用的函数库

VideoIMUCapture-Android Android应用程序，用于捕获视频和IMU数据，这些数据可用于使用SLAM和Motion技术的Structure进行3D重建。 描述 该Android应用程序是供研究人员使用同时定位和制图（SLAM）和Motion的结构（SfM）的数据收集工具。 假设以约30Hz的频率记录相机帧，并以约100Hz的频率记录惯性测量单位（IMU）数据，同步到同一时钟。 摄像机帧存储到H.264 / MP4视频文件，帧元数据和IMU数据一起存储在protobuf3文件中。 现代智能手机和3D重建的主要问题在于，它们都具有光学防抖（OIS）功能，这意味着每帧的相机参数都不同。 此外，在许多Android设备上都无法将其禁用，并且很少有实际提供镜头移动数据。 如果在录制过程中启用了此功能，VideoIMUCapture将显示明确的警告，并且包括光学图像稳定和

ESP-FlexyStepper 该库用于通过ESP 32模块控制一个或多个步进电机。 电动机在到达目的地时会加速和减速。 该库已经过优化，可以灵活地控制运动中的速度和位置。 基于S.Reifels FlexyStepper库。 特征 该库提供以下功能： 通过方向和步进输入为连接的步进驱动器生成脉冲 连接紧急开关以立即停止所有运动 限位开关/归位开关的连接 可以进行阻塞和非阻塞函数调用 回调函数来处理事件，例如到达位置，完成归位等。 可以在不同的模式下运行： 作为后台的服务/任务（因此您可以在草图的主循环中做任何您想做的事情而不会干扰步进运动） 在主循环中手动调用processMovement（）函数（然后您必须确保主循环完成得足够快，以确保平滑移动 使用阻塞运动函数，该函数负责调用processMovement，但在运动期间阻塞主循环 例子 以下示例说明如何将库用作在“后台”中

Leap Motion是最近推出的一款比较新颖的手部信息采集设备，它能够高精度、高帧率地跟踪捕获手部信息，基于此特性，本文阐述了一种基于指尖位置和方向信息进行手势提取和识别的研究方案。采用Leap Motion传感器进行手势的三维空间坐标信息采集，从中提取指尖坐标及方向向量信息，建立手势识别模型，构建手势特征数据。对特征数据进行归一化处理后输入到支持向量机进行训练，实现对特定手势的识别。实验结果表明，提出的手势识别方案平均识别精度达到97.33%，具有较高的准确性和鲁棒性。

该文档为2017年CVPR 有关SfM的会议论文的中文翻译，翻译文档对应英文文档，图表和说明都有对应翻译，一个课程作业，花了几天时间翻译的，还算通顺吧，感觉应该可以看得懂