cpp_robotics:机器人算法的C ++示例代码
2022-03-30 19:59:06 9.8MB tracking localization algorithms mapping
1
ABAL: Aerial Beacon Assisted Localization of Wireless Sensor Networks with RSS Maxima
2022-03-30 16:29:01 291KB 研究论文
1
OpenIBL 介绍 OpenIBL是基于PyTorch的开源代码库,用于基于图像的本地化(换句话说,就是位置识别)。 它支持多种最新方法,还涵盖了ECCV-2020聚光灯SFRS的正式实施。 我们支持由slurm或pytorch启动的单/多节点多GPU分布式培训和测试。 正式执行: :用于大规模图像定位的自监督细粒度区域相似性(ECCV'20 Spotlight ) 非官方实施: NetVLAD:用于弱监督位置识别的CNN架构(CVPR'16) SARE:用于大规模图像定位的随机吸引-排斥嵌入(ICCV'19) 常问问题 如何提取单个图像的描述符? 请参阅。 如何在论文中
1
MATLAB中运动目标追踪代码ergodic_iSAC_localization C ++代码实现遍历iSAC的目标定位:遍历控制算法,该算法使用复杂的代理动态来通过实时探索预期的信息密度来跟踪和定位随机数的目标。 当前的实现使用12维四旋翼动力学和扩展的卡尔曼滤波器来跟踪仅带有方位角测量值的两个运动目标。 在此处查看结果的视频: 依存关系 该代码需要Boost和Eigen库。 编译运行 --- Update Makefile.txt with local Boost and Eigen paths --- "make" --- Run Quad_Euler.exe --- Plot resulting trajectories in Matlab, using ./data/plots_matlab.m 客制化 所有可能的更改,例如代理动态,目标的数量和运动,估计过滤器等,都可以通过更新“用户”文件夹中包含的文件来进行。
2022-03-28 16:52:20 76KB 系统开源
1
一个简单的图形编辑器,用于处理TMX本地化文件。 基于locale4j库。
2022-03-23 16:44:29 3.98MB 开源软件
1
一种基于ESPRIT的方法,用于大规模MIMO-sy系统中不连续分布的源的2D定位 这是关于“基于ESPRIT的方法在大规模MIMO系统中非相干分布源的二维定位”的论文和代码。 推荐引文:'A。 Hu,T。Lv,H。Gao等,“基于ESPRIT的方法,用于大规模MIMO系统中非相干分布源的二维定位”,IEEE J. Select。 主题信号处理,第一卷。 8号2014年10月,第5页,第996-1011页。”
2022-03-22 09:23:24 20.94MB 系统开源
1
playnite-metadatalocal-plugin 应用程序的通用插件。 此插件获取本地化的游戏说明。 此处提供更多信息: : 请记住要支持主要项目( )。 如果您喜欢我的工作,可以为我提供支持( )。
2022-03-21 23:48:21 45KB plugin metadata localization playnite
1
Simultaneous Localization and Mapping for Mobile Robots: Introduction and Methods Simultaneous Localization and Mapping for Mobile Robots: Introduction and Methods
2022-03-14 21:36:50 32.85MB SLAM  robotics
1
姿势优化SLAM3D 3D(x,y,z,qw,qx,qy,qz)姿势优化SLAM 下载资料 python data_downloader.py 运行SLAM python pose_optimization_slam_3d.py 结果 parking-garage.g2o数据 步骤1 第10步 标准输出 sphere2200_guess.g2o torus3d_guess.g2o 参考
2022-03-03 19:06:02 478KB localization robotics mapping optimization
1
城市火车 UrbanLoco:完整的传感器套件数据集,用于城市场景中的地图绘制和本地化 抽象 映射和本地化是自动驾驶的关键模块,在这一领域已经取得了重大成就。 除了全球导航卫星系统(GNSS)之外,在点云配准,视觉特征匹配和惯性导航方面的研究还大大提高了在不同情况下进行地图和定位的准确性和鲁棒性。 但是,高度城市化的场景仍然具有挑战性:基于LIDAR和相机的方法在处理大量动态对象时效果较差; 基于GNSS的解决方案会遇到信号丢失和多径问题; 惯性测量单元(IMU)会发生漂移。 不幸的是,当前的公共数据集要么不能充分解决这一城市挑战,要么不能提供足够的与制图和定位有关的传感器信息。 在这里,我们
2022-02-28 22:58:44 16.76MB localization camera mapping dataset
1