用CNN做rul.通过卷积神经网络测得轴承的剩余使用时间。用来做轴承寿命预测RUL，包括训练集和测试集两部分，还有说明文档pdf

state estimation for robotics. This book is intended for students and practitioners of robotics who are interested in using noisy sensor data to estimate the position, orientation, and other state variables of robots as they move through the three-dimensional world. It covers classical and modern techniques commonly used in robotics today.

目标跟踪和碰撞时间估计 这是Udacity传感器融合纳米度的第二个项目。 我融合了来自KITTI数据集的相机和LiDAR测量值，以检测，跟踪3D空间中的物体并估算碰撞时间。 首先，我用YOLOv3处理图像以检测和分类对象。 下图显示了结果。 基于YOLOv3发现的边界框，我开发了一种通过关键点对应关系随时间跟踪3D对象的方法。 接下来，我使用了两种不同的方法来计算碰撞时间（TTC），分别是基于LiDAR和基于相机的TTC。 环境的结构由主要讲师Andreas Haja构建。 基于LiDAR的TTC 我通过使用齐次坐标将前车的3D LiDAR点投影到2D图像平面中。 投影如下图所示。接下来，我将3D LiDAR点分布到相应的边界框。 最后，我根据不同帧的对应边界框中最接近的3D LiDAR点计算了TTC。 基于摄像头的TTC 我使用检测器/描述符的各种组合来找到每个图像中的关键点，并在

Inverse Problem Theory and Methods for Model Parameter Estimation - A. Tarantola(牛叉)

头部姿势估计-OpenCV 在计算机视觉中，姿势估计特别是指对象相对于相机的相对方向。 姿势估计在计算机视觉中通常称为“透视n点”问题或PNP问题。 样片 安装 使用包管理器 。 pip install -r requirements.txt cd models bash downloader.sh cd .. 用法 从图像获取姿势 python head_pose_from_image.py -h 从网络摄像头获取姿势 python head_pose_from_webcam.py -h #### For source 0 and focal length 1 python head_pose_from_webcam.py -f 1 -s 0 3D模型可视化 python Visualize3DModel.py

T HIS PAPER discusses the problem of estimating the parameters of single-frequency tones from a finite number of noisy discrete-time observations. The problem has application to data set testing, telephone transmission system testing, radar, and other measurement situations.

毫米波MIMO信道建模的代码，matlab，通常毫米波频段是指30GHz～300GHz，相应波长为1mm～10mm。毫米波通信就是指以毫米波作为传输信息的载体而进行的通信。目前绝大多数的应用研究集中在几个“大气窗口”频率和三个“衰减峰”频率上。

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

Channel estimation for orthogonal time frequency space (OTFS) massive MIMO

此函数使用 DLT、RANSAC 和 Lev-Mar 优化估计两个图像之间的 2D-2D 投影单应性。 函数调用格式如下： [h wim] = homography(im1, im2); 在哪里 im1 -> 第一张图片im2 -> 第二张图片h -> 返回的单应矩阵wim -> im1 wrt im2 的变形版本