单目求实际距离就是通过像素和实际物体的大小以及焦距的长度根据相似算出的而pnp是通过实际的物体的坐标点，以及这些坐标点的投影算出传感器的位姿

RNNRNN：产生梯度消失或者爆炸的原因：跟随时间序列连续相乘，当w>1时，造成w变化很小，但时间序列后面的y值会变化较大，这样也就是偏导数较大，也就是梯度爆炸了。当w<1,时，即使w从0.01变化到0.99，时间序列后面的y也不会有多大变化，也就是偏导数很小，也就是梯度消失了。实质就是因为rnn增加了时间序列，导致连乘更多。LSTM：下图所示，从左往右是时间序列，从下往上是lstm的

一般步骤链接: link解决问题链接: link

1.高精度地图一般都是指slam+卫惯共同制作的区域地图，只有卫惯只能得到位置信息，没办法得到地物信息。卫惯给绝对位置，slam给地物、地形信息和相对距离，然后融合制作等。2.使用激光雷达或者双目视觉与高精地图匹配，获取当前车辆在高精地图中的局部具体位置。精度：厘米级3.链接: link...

1.高精度地图一般都是指slam+卫惯共同制作的区域地图，只有卫惯只能得到位置信息，没办法得到地物信息。卫惯给绝对位置，slam给地物、地形信息和相对距离，然后融合制作等。2.使用激光雷达或者双目视觉与高精地图匹配，获取当前车辆在高精地图中的局部具体位置。精度：厘米级3.链接: link...

链接: link

Adaptive Instance Normalization (AdaIN Normalization)Layer Normalization

链接: link

https://blog.csdn.net/weixin_43687900/article/details/104122629

人工智能几个常用卷积神经网络AlexNet全连接层1*1卷积核的作用池化层作用AlexNet卷积神将网络的计算公式为：N=(W-F+2P)/S+1其中N：输出大小W：输入大小F：卷积核大小P：填充值的大小S：步长大小链接: link.总结一句话：卷积后下一输出层的深度与卷积核个数相同，输出层大小（即长宽）由上述公式计算，s,p,f均为卷积核的属性。全连接层即与用和原输入层大小、深度完全一致的卷积核