登录社区云，与社区用户共同成长
邀请您加入社区
简单说明一下在这篇文章中我要完成的任务：识别出图像中的窗户和儿童位置，并对儿童是否身处窗户内的危险区域进行算法判断，最终反馈给后端一个安全或危险的信号。将训练好的模型和设计好的算法部署在Jetson Nano设备上，以便深度学习的推理以及与后端的交互。毕竟我是负责深度学习这部分的，所以本文我着重讲一下几个方面（当然一定是各位读者非常希望学习到的知识）：如何配置yolov5所需环境、如何处理可能遇到
将协作机器人和Mir移动机器人组合而成的复合机器人越来越受企业的欢迎。这种复合机器人将不再固定于一个地方，而是通过移动机器人的自主移动，带领协作机器人穿梭到不同的岗位上完成需要的任务。随着公司意识到复合机器人给生产和包装线物料搬运（如传送带、AGV，甚至载人叉车）带来的好处，预计会有更多的复合机器人在包装作业中得到应用。由协作机器人和移动机器人组合而成的复合机器人的安全问题需要得到重视，以便在保证
一、模型介绍Mask Encoding for Single Shot Instance Segmentation》一文发表于2020年5月，作者提出了基于FCOS one-stage目标检测网络框架的实例分割网络MEInst。最大的创新点在于在off-line时，通过IPCA的方法将二维的实例mask压缩为一维紧凑的vector。利用了原始mask的redundancy并且更高效的进行重建。实验
原英文名提示：上面这个名字是我自己翻译的，原文名字我也给出来了。原文名：Relocalization, Global Optimization and Map Merging for Monocular Visual-Inertial SLAM文章目录原英文名前言一、Visual-inertial Odometry二、1.2.总结前言总结：本文提出一种单目视觉惯导SLAM系统在相机重定位、全局优化
一、代码执行流程[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WZG8oUVY-1636978399172)(https://s3-us-west-2.amazonaws.com/secure.notion-static.com/0109a44d-a3af-4bf9-b3ba-0396d0aff27f/未命名文件_(1)].png)...
文章目录基础概念基本问题减少过拟合的基本方法参数太多 & 费时梯度弥散 & 梯度爆炸使用场景分类经典分类目标检测目标检测的mAP值理解Anchor Box——锚框one stagetwo stage分割语义分割基本原理网络发展从很多地方合并成这样一篇笔记，以备自己查询使用，侵删。基础概念基本结构：卷积+池化+激活+全连接层多尺度特征，我的理解是在不同的卷积层都会有这个尺度的一个特征
MyCobot机械臂是一款入门级的六自由度机械臂，目前是国产机械臂中价格和性能十分优良的机械臂，本讲主要以MyCobot 280pi机臂的开箱搭建和开发前的准备工作为起点为小伙伴们详细的介绍这款机械臂的搭建，开发，代码调试，及进阶。MyCobot消费级的机械臂有两种型号的机械臂，一种是MyCobot-M5的，一种是MyCobot树莓派的，这里我主要以树莓派的Cobot作为我们教学的设备。一：开箱1
上一讲我们做ssh和vnc的设置，有小伙伴问设置些有什么用，那么这里我先来解释一下这些功能有什么用处，首先我们可以通过ssh在我们的Windows桌面进行程序开发，然后上传到树莓派进行验证，我们也可以在windows平台通过vnc远程操作我们的机械臂，这样你就可以在自己的工作台上自由编程和上网查资料，然后MyCobot他不会占用你的显示器。当然了，你也可以直接拿这个树莓派当做开发机器使用，也是没有
[2020]The STDyn-SLAM: A stereo vision and semantic segmentation approach for SLAM in dynamic outdoor environments1.作者Daniela Esparza and Gerardo Flores代码：GitHub - DanielaEsparza/STDyn-SLAM: STDyn-SLAM
这一节我们开始第一个程序，就是机械臂各关节的运动。我们采用一边实验一边介绍MyCobot机械臂的API的使用方法。
一直在纠结是先讲头部运动，还是先讲空间坐标系统，后来决定先讲头部运动，让大家先感受一下机械臂在空间中是怎么定位的，然后我们下一节将详细介绍机械臂的空间坐标是怎么回事。空间坐标是一项非常复杂且需要深度理解的东西，学好空间坐标才能学好机械臂的各种运动。为了更好的体验一下机械臂的空间定位，我们先从这个机械臂头部运动开始，让大家体验一下空间坐标及运动。...
一、解决的问题如前所述，相机的位姿由6个自由度来表示，转换成数学描述就是由旋转矩阵和变换矩阵R,t{R,t}R,t描述，在SLAM中位姿是未知的，我们需要解决形如“什么样的相机位姿最符合当前观测数据”，即一种典型的方式是把它构建成一个优化问题，求解最优的R,t{R,t}R,t,使得误差最小化，即对位姿进行估计和优化。这里之所以引入李群和李代数是因为旋转矩阵自身是带有约束的(正交且行列式为1)，它们
SLAM学习第三章节本章节主要介绍了，各种旋转与平移的表现方法，最后使用Eigen库进行了一些相关的案例演示矩阵和向量向量点乘这个就不多说了，基本的问题向量叉乘a×b=∣ijkaxayazbxbybz∣a \times b = \left|\begin{array}{cccc}i&j&k\\a_x& a_y&a_z\\b_x& b_y& b_z\\\
一、构建TensorRT引擎构建器创建网络配置：batchsize，最大工作空间，fp16、int8调用构造器创建引擎：创建引擎后可以对引擎做序列化---》存成一个文件二、TensorRT的构建过程1. 最高级别创建Builder2. 创建网络定义createNetwork/createNetworkV23. createBuilderConfig做配置4. ICudaEngine表示引擎下面详细
实践课useGeometry.cpp多种变换演示Eigen#include <iostream>#include <cmath>using namespace std;#include <Eigen/Core>#include <Eigen/Geometry>using namespace Eigen;//本程序演示了Eigen几何模块的使用方法in
我这两天试了下Dofbot机械臂的手势识别官方教程。部署很简单，只要申请一个百度的手势识别SDK。然后要实名认证和开通功能（竟然是收费的。。。）。我大概用了十几二十次吧，数据统计是我调用成功了450多次（这个在百度智能云的控制台可以查），花费九毛钱。把SDK下载下来，放在树莓派中。然后打开JupyterLab，打开源码，改成自己的AppID、API Key、Secret Key。然后就可以运行程序
旭日X3派安装、烧录系统、测试
当人移动时，机器人能够迅速跟随人移动，得益于地平线旭日®️X3派（以下简称X3派）上5Tops算力的BPU可以实现低延迟（30ms左右）、高帧率（满帧30fps）、远距离（>8m）、低系统负载（4核CPU只占用了单核......
补上前面缺失的内容
Tow Stage类目标检测
提出了一种基于点云特征的协同感知框架（F-Cooper）：1）利用特征级融合实现端到端的 3D 目标检测，特征级数据传输不会有网络拥塞的风险，可实现实时边缘计算和低通信延迟；2）除了能够提高检测精度外，特征融合所需的数据量仅为原始数据量的百分之一，在数据量和传输时间上都很好地处于 On-Edge 计算和通信的可接受范围内；3）两种融合方案：体素特征融合和空间特征融合。
静态环境是大多数视觉同步定位和测绘系统的前提条件。如此强烈的假设限制了大多数现有SLAM系统的实际应用。当运动物体进入摄像机视场时，动态匹配点会直接中断摄像机定位，运动物体形成的噪声块会污染所构建的地图。本文提出了一种工作在室内动态环境中的语义SLAM系统——Blitz-SLAM。结合掩模（mask）、RGB和深度图像的语义和几何信息优势，去除局部点云中的噪声块。通过合并局部点云得到全局点云图。
我在网上搜了很多,有搜到大神c++部署的。奈何我只能用winform,一去搜winform上部署竟啥也没有,onnx文件在.net上在用微软的vs,nuget上一搜onnxruntime直接无脑安装啊。看来winform ,c#已经要被大家抛弃了。无奈只能自己去看搜模型输出解析，再参看源码的detect,一步步解析出来了。踩了不少坑，结果也原模型有些差距。可能是自己的解析方式哪里出了点问题。附几张
目标检测
——目标检测
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
地瓜机器人开发者社区
