这是目前Unity最完整的本地化系统。 支持 Unity UI，Unity 2D，TextMesh Pro，NGUI，2D ToolKit，SVG导入器，标准组件 本地化 图像，文本，声音，字体，精灵，地图集，预制件，TextMeshes，下拉列表等。 自动翻译 内置支持Google Translator，可自动将所有标签本地化为任何语言。 Google Spreadsheets和CSV文件 链接外部电子表格，即使在游戏发布后，也会自动下载任何更改。 检测并修复错误 解析场景以查找丢失或未使用的翻译以及重复或类似的术语。 子对象翻译 设置辅助术语不仅可以更改文本和图像，还可以更改每种语言使用的字体和地图集。 回调和参数 可以修改翻译以使用语法语法插入分数，名称和游戏变量。 复数 每种语言的内置规则涵盖那些只需要单数/复数形式的规则，直到那些使用6种变体的规则。 从右到左语言 正确呈现RTL语言，支持换行和对齐。 保存内存 仅使用您正在使用的字符创建字体。链接您的AssetBundles以添加更多本地化内容。 简单高效 在一个位置编辑和预览所有翻译，然后在运行时仅加载当前语言。使用快速查找来访问它。 重复使用翻译 设置文本自动显示为大写，小写，上限，标题大小等。 在游戏动态翻译 Easy API在运行时翻译聊天消息和其他动态文本 应用程序名称和商店本地化 翻译游戏名称所有语言，并在Android / IOS商店中显示您的游戏支持哪些语言 简单但功能强大的编辑器 直观的检查员允许您预览，编辑，分类，创建，解析和过滤甚至大型来源。 编译时间检查 将翻译转换为脚本常量，以避免在访问代码时使用Typos。 Playmaker 可以 快速，轻松，强大地访问本地元素和交换语言并与之交互的几种操作？没问题！ 立即获取I2本地化，让您的游戏为世界做好准备！

这项工作是通过制定非负稀疏信号恢复 (SSR) 问题和开发非负稀疏贝叶斯学习 (NNSBL) 算法来解决稀疏数组的源定位问题。 1.在'NNSBL.m'中给出了所提出的算法，在'Conven_SBL.m'中给出了传统的SBL算法以进行比较。 2. 'MRA_output.m' 用于生成阵列输出数据，'Peaksearch.m' 和'peak_find.m' 用于查找空间谱中的峰值位置。 3. 'Main_Simulation.m' 用于显示空间谱。 4. 'rmse_snr.m' 用于显示 DOA 估计与 SNR 的 RMSE。 5. 'rmse_snapshot.m' 用于显示 DOA 估计的 RMSE 与快照数量的关系。

Robot_localization_HMM 目的是将隐马尔可夫模型应用于定位问题。 考虑一个具有定位任务（从可用数据推断出它在哪里）的机器人，该机器人给出了世界地图以及一系列感知和动作。 如图所示，机器人被放置在迷宫般的环境中。 该机器人配备了四个声纳传感器，可以在每个罗盘方向（NSEW）上指示是否存在障碍物（图中的外墙还是正方形）。 我们假设机器人具有正确的地图。 机器人执行动作“移动”以移动到相邻或相邻的正方形之一。 X t ：状态变量，表示机器人在离散网格上的位置。 dom （ X t ）= {s 1 ，...，s n }： X t的域为空正方形的集合。 NEIGHBOURS（s）：相邻的空正方形的集合，并让N（s）为该集合的大小。 移动动作的过渡模型为： 假设所有正方形的分布均匀； P（ X o = i）= 1 / n 。 E t ：传感器变量，可以有16个可

移动机器人本地化使用粒子过滤器 ROS中用于移动机器人（turtlebot3_burger）定位的粒子滤波算法的实现。 内容： ->包含算法所需的里程表和激光雷达数据的文件夹 ->每个步骤都包含粒子数据的文件夹 >包含地图参数的文件夹 >绘制所选地图及其特征（障碍物） >粒子过滤器算法和里程表/激光雷达消息处理所需的函数 >粒子过滤器算法和地图表示所需的类 >节点，用于从Odometry和Lidar收集数据并将其存储在Data文件夹中 >使用“数据”文件夹在每个步骤中计算粒子，并将结果存储在“数据/估计”文件夹中，或者直接从“数据/估计”文件夹中绘制结果 注意： 从头开始实

Cooperative localization is still a challenging task for cooperative robot control. CoLo is a performance evaluation system for two-dimensional cooperative localization algorithms. The system consists of a physical experiment (CoLo-PE) for data collection and a software analysis tool (CoLo-AT) using real-world datasets to evaluate the performances of users’ cooperative localization algorithms. The goal of this project to let users to create and evaluate their own algorithms with some existing al

百度apollo定位文献中文翻译 Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes

arduino-dw1000-lite：Arduino库，可轻松快速地启动Decawave的DWM1000模块

PsyNet：使用点对称变换的对象自定位自我监督方法 “ PsyNet：使用点对称变换进行对象定位的自我监督方法”的官方Pytorch实现 此实现基于这些存储库。 预训练的检查点现在可用 请检查“测试”部分。 与...合作 李敏h （平等贡献） Hyunjung Shim （对应） 纸 该论文已被AAAI 2020接受。pdf可在获得。 注意 抽象 现有的共定位技术在准确性和推理时间上明显弱于弱或完全监督的方法。 在本文中，我们通过利用自我监督学习方法克服了共定位技术的共同缺点。 提出的方法的主要技术贡献是双重的。 1）我们设计了一种新的几何变换，即点对称变换，并将其参数用作自监督学习的

DevExpress.Localization.v8.2

开发设置 有关我们的设计组织工具的大背景知识和技术说明，请参见 。 安装与设置 将.env.example复制到.env并填写所需的变量 将.plugin-id.example复制到.plugin-id并将“ PLUGIN_ID”替换为当前插件ID 运行npm install –这将安装依赖项，生成manifest.json文件（基于manifest.example.json ），然后运行build 将插件的新鲜manifest.json添加到Figma的桌面应用程序中（有关说明，请参见build-README-template.md ） 在Figma的“开发”子菜单中查看插件：“插件>开发> [插件名称]” 运行插件进行开发 npm run watch –在开发过程中运行以保留最新的更改。 注意：每次启动watch都会重新生成manifest.json文件，并且不会将其提交给存储库。 对manifest.example.json菜单/命令更新，然后重新启动过程以将其反映在当前版本中。 如果要监视特定的构建目标，则可以指定它： npm run watch:internal或n