不多解释了，收集，训练，算法。
全套最新程序，自动巡线。
该源码主要应用导航，不需要激光雷达传感器，只需要一个中央摄像头、PC作为图像处理外设。
在树莓派应用opencv就可以对小车进行定位，并且进行路径规划，到达指定的目的地。
全套最新程序，自动巡线。
该源码主要应用导航，不需要激光雷达传感器，只需要一个中央摄像头、PC作为图像处理外设。
在树莓派应用opencv就可以对小车进行定位，并且进行路径规划，到达指定的目的地。
2025/3/26 1:28:23
5KB
1
基于MATLAB实现的激光雷达点云分割和障碍物检测。
基于MATLAB实现的激光雷达点云分割和障碍物检测。
基于MATLAB实现的激光雷达点云分割和障碍物检测。
基于MATLAB实现的激光雷达点云分割和障碍物检测。
基于MATLAB实现的激光雷达点云分割和障碍物检测。
基于MATLAB实现的激光雷达点云分割和障碍物检测。
基于MATLAB实现的激光雷达点云分割和障碍物检测。
2025/3/21 16:06:30
2KB
1
我们正在建造一款开源无人驾驶汽车我们希望得到您的帮助！在，我们相信教育民主化。
我们如何为地球上的每个人提供机会？我们也相信教授真正令人惊奇和有用的主题。
当我们决定建立，向世界传授如何制造自动驾驶汽车时，我们立即知道我们也必须解决我们自己的汽车。
我们与汽车创始人和总裁塞巴斯蒂安·特伦（SebastianThrun）一起，组成了我们的核心无人驾驶汽车团队。
我们做出的第一个决定之一？开源代码，由来自全球的数百名学生编写！。
会费以下是我们开源的项目列表：–许多不同的神经网络经过训练可以预测汽车的转向角。
更多信息。
–用于支撑镜头和相机机身的底座，可以使用标准GoPro硬件安装–多个小时的带标记的驾驶数据–超过10个小时的驾驶数据（激光雷达，相机镜架等）–有助于使深度学习模型与ROS交互如何贡献像任何开源项目一样，此代码库将需要一定程度的考虑。
我们如何为地球上的每个人提供机会？我们也相信教授真正令人惊奇和有用的主题。
当我们决定建立，向世界传授如何制造自动驾驶汽车时，我们立即知道我们也必须解决我们自己的汽车。
我们与汽车创始人和总裁塞巴斯蒂安·特伦（SebastianThrun）一起，组成了我们的核心无人驾驶汽车团队。
我们做出的第一个决定之一？开源代码，由来自全球的数百名学生编写！。
会费以下是我们开源的项目列表：–许多不同的神经网络经过训练可以预测汽车的转向角。
更多信息。
–用于支撑镜头和相机机身的底座，可以使用标准GoPro硬件安装–多个小时的带标记的驾驶数据–超过10个小时的驾驶数据（激光雷达，相机镜架等）–有助于使深度学习模型与ROS交互如何贡献像任何开源项目一样，此代码库将需要一定程度的考虑。
2025/2/12 21:16:57
231.66MB
1
激光雷达数据采集程序，Linux平台，当需要在ARM-Linux下执行时，将gcc改为arm-none-linux-gnueabi-gcc重新编译即可
2025/2/9 14:37:47
1.1MB
1
HOKUYO日本北洋URG-04LX激光雷达用户手册，文档内介绍了URG-04LX激光雷达的的规格参数和特性等，其中最主要的是对激光雷达的可探测半径和范围进行了说明，十分有参考价值
2025/1/7 2:16:09
105KB
1
星载多普勒测风激光雷达系统（ALADIN）机载演示器（A2D）分别在2007年11月、2008年12月、2009年9月进行了3次飞行任务。
利用获取的海表面反射信号进行海表面反射率特性的研究。
在海表面反射率模型中综合考虑白帽、海面光谱反射和海水体的散射贡献，对355nm海表面反射测量结果和模型进行了对比，测量结果体现了受海面风驱动的海表面反射率的变化特征，以及来自海水体的不可忽视的贡献，并利用较高入射天底角的测量数据对海水体散射贡献进行了估计。
利用获取的海表面反射信号进行海表面反射率特性的研究。
在海表面反射率模型中综合考虑白帽、海面光谱反射和海水体的散射贡献，对355nm海表面反射测量结果和模型进行了对比，测量结果体现了受海面风驱动的海表面反射率的变化特征，以及来自海水体的不可忽视的贡献，并利用较高入射天底角的测量数据对海水体散射贡献进行了估计。
2024/11/19 10:21:53
2.07MB
1
地球科学中的定量遥感反演：理论与数值处理1简介2地球科学中的典型反问题3正则化4优化5实际应用5.1核驱动BRDF模型反演5.2机载激光雷达遥感反演5.3粒子尺度分布函数反演6结论
2024/11/5 15:55:48
988KB
1
HypeLCNN概述该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中）使用Tensorflow1.x开发（在1.10至1.15版上测试）。
该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。
主要特点：支持超参数估计基于插件的神经网络实现（通过NNModel接口）基于插件的数据集集成（通过DataLoader接口）培训的数据有效实现（基于内存的有效/基于内存/记录的）能够在经典机器学习方法中使用数据集集成神经网络的培训，分类和指标集成胶囊网络和神经网络的示例实现基于CPU/GPU/TPU（进行中）的培训基于GAN的数据增强器集成交叉折叠验证支持源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践注意：数据集文件太
该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。
主要特点：支持超参数估计基于插件的神经网络实现（通过NNModel接口）基于插件的数据集集成（通过DataLoader接口）培训的数据有效实现（基于内存的有效/基于内存/记录的）能够在经典机器学习方法中使用数据集集成神经网络的培训，分类和指标集成胶囊网络和神经网络的示例实现基于CPU/GPU/TPU（进行中）的培训基于GAN的数据增强器集成交叉折叠验证支持源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践注意：数据集文件太
2024/10/9 21:46:46
128KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB