排序方式: 共有66条查询结果,搜索用时 15 毫秒
31.
32.
基于LiDAR和SLAM(simultaneous localization and mapping)的LeGO-LOAM算法在低分辨率的LiDAR设备上,由于LiDAR数据的运动畸变、采样的地面数据稀疏等问题,存在重力矢量漂移现象和严重的高程估计误差。为了改善这一点,LeGO-LOAM改进算法引入了一种LiDAR和IMU(inertial measurement unit)紧耦合的方式。通过IMU估计运动状态,消除LiDAR数据的运动畸变,并使用IMU数据构建联合优化函数,约束位置姿态估计的重力方向。实验结果表明,这种方法有效抑制了LeGO-LOAM算法的重力矢量漂移,高程估计精度和高速状态下的定位精度均有显著提升。 相似文献
33.
基于长短时记忆网络的人体姿态检测方法 总被引:1,自引:0,他引:1
针对在循环神经网络(RNN)网络结构下较为遥远的历史信号无法传递至当前时刻的问题,长短时记忆(LSTM)网络作为RNN的一种变体被提出,在继承RNN对时间序列优秀的记忆能力的前提下,LSTM克服了这种时间序列的长期依赖问题,并在自然语言处理与语音识别领域有较好的表现。对于人体行为动作中也存在作为时间序列的长期依赖问题与使用传统滑窗算法采集数据时造成的无法实时检测的问题,将LSTM扩展应用到人体姿态检测,提出了基于LSTM的人体姿态检测方法。通过目前智能手机中一般都带有的加速度传感器、陀螺仪、气压计和方向传感器实时采集的时序数据,制作了包含3336条带有人工标注数据的人体姿态数据集,对行走、奔跑、上楼梯、下楼梯和平静五种日常持续性行为姿态与跌倒、起立、坐下和跳跃这四个突发行为姿态进行预测分类。对比LSTM网络与该研究领域内常用的浅层学习算法、深度学习全连接神经网络与卷积神经网络,实验结果表明,所提方法使用端对端的深度学习的方法相比基于所制作数据集的人体姿态检测算法模型的正确率提高了4.49个百分点,验证了该网络结构的泛化能力且更适合姿态检测。 相似文献
34.
利用实时内核开发嵌入式多任务程序 总被引:1,自引:1,他引:0
嵌入式系统应用日益复杂化,传统的前台/后台程序开发机制已经不能满足需求,目前更多地采用抢占式实时内核开发嵌入式多任务系统.实时内核为多任务应用程序提供最基本和最重要的服务.本文介绍实时内核和多任务,并提出利用实时内核进行系统开发时,根据系统功能合理构造任务的方法. 相似文献
35.
一种扩展的基于Petri网的多媒体同步模型 总被引:1,自引:0,他引:1
多媒体应用的一个主要问题是对多媒体同步时间的描述和建模。文章通过引入全局时钟和对输入事件进行优先级分类,同时借鉴了TSPN的动态同步语义以及DTPN的用户交互思想,使模型可以准确描述多媒体同步时间要求,有效克服网络随机延迟和阻塞等影响。 相似文献
36.
37.
38.
39.
40.