robot_localization robot_localization是非线性状态估计节点的程序包。 该软件包是由Charles River Analytics，Inc.开发的。 请在此处查看文档： :

这是目前 Unity 可用的最完善的本地化系统。 支持 Unity UI、Unity 2D、TextMesh Pro、NGUI、2D ToolKit、SVG Importer、标准组件 (Standard Components) 本地化 支持图像、文本、声音、字体、精灵、图集、预制件、文本网格、下拉列表以及更多组件。 自动翻译 内置 Google 翻译支持，可将标签自动翻译为任何语言。 Google 电子表格和 CSV 文件 链接外部电子表格，即使在游戏发布之后，也会自动下载任何更改。 检测和修复错误 解析场景，以查找缺失或未使用的翻译以及重复或相似的术语。 子对象翻译 设置次级术语，不仅可更改文本和图像，也可更改每种语言的字体和图集。 回调和参数 可对翻译进行修改，根据语言语法规则插入分数、名称和游戏变量。 复数 内置每种语言的语法规则，下至仅使用单复数的语言，上至包含 6 种变位的语言。 RTL (Right To Left) 语言 借助换行和对齐功能，正确渲染 RTL 语言 节省内存 仅使用你所用的文字创建字体。链接资源束以添加更多的本地化内容。

In this paper, we consider the source localization for a mixed near-field (NF) and far-field (FF) narrowband signals impinging on a uniform linear array (ULA) with the symmetrical geometric configuration. A computationally efficient direction-of-arrivals (DOAs) and range estimation method for the mixed NF and FF signals is proposed, where the DOAs of the NF and FF signals are estimated separately, and the computationally burdensome eigendecomposition is avoided. Comparing to some existent method

rssi定位算法，极大似然估计法，最小二乘法，代码，极大似然估计法

这是基于wifi的室内定位的简单的数据集，配合代码使用

2019SLAM综述 摘要：slam是同步定位和建图的缩写，它包含定位和建图两个主要任务。这是移动机器人学中一个重要的开放性问题：要精确地移动，移动机器人必须有一个精确的环境地图；然而，要建立一个精确的地图，移动机器人的感知位置必须精确地知道。

这是目前Unity可用的最完整的本地化系统。 支持 Unity UI、Unity 2D、TextMesh Pro、NGUI、2D ToolKit、SVG导入程序、标准组件 本地化 图像、文本、声音、字体、精灵、地图、前缀、文本网格、下拉列表等。 -------------------------------------------------------------- This is currently the most complete localization system available for Unity. Supports Unity UI, Unity 2D, TextMesh Pro, NGUI, 2D ToolKit, SVG Importer, Standard Components Localizes Image, Text, Sounds, Fonts, Sprites, Atlases, Prefabs, TextMeshes, Dropdowns and more.

dw1000-定位

ADS-B飞行本地化 该项目将指导您从数据检查和预处理开始，一直到根据众包的空中交通管制通信数据为飞机本地化设计端到端应用程序。 该数据集是由OpenSky Network和Cyber​​-Defence Campus-armasuisse Science and Technology推动的飞机本地化竞赛的一部分。 它包含由大型传感器网络收集的ADS-B传输，并带来以下挑战： 卷-对内存中不适合的数据执行数据预处理和ML模型训练， 速度-实时数据预处理，预测和可视化， 准确性-接收器不同步，传感器的定位不正确， 价值-执行数据预处理和预测分析以获取见解-预测飞机当前坐标和高度， 品种-从嵌套在表内的JSON数组中提取数据。 为了确保我们的应用程序满足可伸缩性和性能要求，我们将必须使用适当的技术。 以下是将要使用的工具： 使用Apache Spark和Modin进行分布式数据预

该项目的目的是开发和测试新颖的路径规划算法，该算法使用云和边缘计算资源的容量进行控制，满足时间和安全性约束。 该实验旨在揭示对本地和远程计算之间权衡的见解，并将导致新的决策机制接近最优，快速且节能。