动态环境下基于深度学习的视觉SLAM研究综述

目前的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)研究大多是基于静态场景的假设,而实际生活中动态物体是不可避免的。在视觉SLAM系统中加入深度学习,可以协同剔除场景中的动态物体,有效提升视觉SLAM在动态环境下的鲁棒性。文章首先介绍了动态环境下基于深度学习的视觉SLAM分类,然后详细介绍了基于目标检测、基于语义分割和基于实例分割的视觉SLAM,并对它们进行了分析比较。最后,结合近年来视觉SLAM的发展趋势,通过对动态环境下基于深度学习的视觉SLAM存在的主要问题进行分析,总结了未来可能的发展方向。     

电子汽车衡"秤差"分析

从电子汽车衡使用者的角度看,希望秤差越小越好,秤差大就意味着有的电子汽车衡误差大。但是,通过频繁对电子汽车衡进行检定以消除秤差不仅在经济上不可行,在实践中也无法做到。对电子汽车衡的检定并不是完全消除其误差,而是使其误差控制在允许的范围内。那么,两台检定合格的电子汽车衡,其秤差应在多大的范围内呢?本文根据误差合成的原理对此进行定量分析。当两台电子汽车衡比对时,其示值之差为:Δm=P2-P1=(m E2)-(m E1) E0=E2-E1 E0式中:Δm——两台电子汽车衡比对的示值之差(秤差);m——用以比对的载荷;P2、P1——两台电子汽车衡的示值…