- 综合排序
- 最热优先
- 最新优先
- 来自专栏Unity游戏开发
游戏AI-AI角色对环境信息的感知
position; public int radius; //是否需要被移除 public bool toBeRemoved; ///
/// 检查感知器是否在触发器作用范围内 更新触发器内部的状态 /// public virtual void Updateme() { } ////// 判断触发器是否在感知器范围内 ，在感知器范围返回true，不在返回false /// /// <param name="sensor"></param> /// <returns></returns TriggerSystemManager>(); } protected void Start() { toBeRemoved = false; } } 所有感知器的基类 ——BaseSensor 包括对感知器类型的枚举定义和变量，保存了事件管理器 public class BaseSensor : MonoBehaviour { protected TriggerSystemManager47920发布于 2019-06-13 - 来自专栏智能大数据分析
【深度学习基础】多层感知机 | 环境和分布偏移
总而言之，机器学习的许多应用中都存在类似的问题：通过将基于模型的决策引入环境，我们可能会破坏模型。 现在，我们不能直接计算目标数据上的混淆矩阵，因为我们无法看到真实环境下的样本的标签，除非我们再搭建一个复杂的实时标注流程。 许多这样的算法形成了一个环境模型，在这个模型中，他们的行为使得他们的决策看起来不那么随机。 （六）考虑到环境 上述不同情况之间的一个关键区别是：在静止环境中可能一直有效的相同策略，在环境能够改变的情况下可能不会始终有效。例如，一个交易者发现的套利机会很可能在他开始利用它时就消失了。 在某些情况下，环境可能会记住自动操作并以令人惊讶的方式做出响应。在构建模型时，我们必须考虑到这种可能性，并继续监控实时系统，并对我们的模型和环境以意想不到的方式纠缠在一起的可能性持开放态度。
17310编辑于 2025-01-27 - 来自专栏CreateAMind
自动驾驶核心技术之三：环境感知
转自： 佐思汽车研究 自动驾驶四大核心技术，分别是环境感知、精确定位、路径规划、线控执行。环境感知是其中被研究最多的部分，不过基于视觉的环境感知是无法满足无人驾驶要求的。 环境感知主要包括三个方面，路面、静态物体和动态物体。对于动态物体，不仅要检测还要对其轨迹进行追踪，并根据追踪结果，预测该物体下一步的轨迹（位置）。 图：无人车环境感知框架 ? 这是基于激光雷达的环境感知模型，搞视觉环境感知模型研究的人远多于激光雷达。不过很遗憾地讲，在无人车这件事上，视觉不够靠谱。 感知、决策（路径规划）、定位都是基于传感器或软件系统的，这也是科技类厂家的强项，不过线控执行系统则是传统汽车产业（不一定是整车厂）的绝对强项，这也是科技类厂家注定无法独立造车的主要原因，无论是谷歌还是百度
4.9K20发布于 2018-07-24 - 来自专栏Unity游戏开发
游戏AI-AI角色对环境信息的感知
轮询方式 如果想知道周围世界发生了什么,最简单的方法是查询,AI对感兴趣的事件进行查询,基于轮询的感知系统更容易维护的方式是建立一个轮询中心,进行所有的查询. 游戏中的触发器和感知器 游戏中有多个触发器以及感知器，可以通过一个管理中心——事件管理器，统一对他们进行管理。 所有触发器的基类——Trigger类：这个类包含了所有触发器共有的相关信息和方法。 所有感知器的基类——Sensor类，Sensor类包含了感知器的类型定义和变量，还保存了事件管理器 事件管理器 这个类负责管理触发器的集合。 事件管理器还维护了一个感知器列表，每个感知器创建时，向管理器注册，加入到感知列表中。 视觉感知 视觉感知可以使用不同的圆锥进行模拟不同类型的视觉，一个近距离大锥角的圆锥进行模拟视觉中的余光，远距离的视觉通过更长更窄的圆锥进行表示。
66120发布于 2019-06-13 - 来自专栏3D视觉从入门到精通
地面无人驾驶系统环境感知技术的发展
随着信息技术的迅猛发展和军事革命的展开，地面无人系统的环境感知部分的作用和能力更加突出，精确实时的环境感知系统以及成为取得战略高地的关键。 地面无人系统的环境感知是通过安装在无人系统外部或底部的环境感知传感器实现的，环境感知传感器模块全天时的自动收集来自车外环境的信息，识别周围环境中静止和运动的物体，对识别的物体进行检测和跟踪，并在系统内构建实时的场景地图 ，实现对周围环境的感知。 2、环境感知技术 地面无人系统的环境感知技术日益受到国内外研究机构的关注，对环境的感知和判断是智能地面无人系统工作的前提和基础，是实现环境建模、平台定位、路径规划等平台自主导航和执行任务的前提，感知系统获取周围环境信息时的实时性和稳定性 Google无人车感知系统传感器安装配置图 Google无人车车顶上安装有64线激光雷达Velodyne,用于检测周围环境目标物体的距离和三维环境建图。
1.1K20发布于 2020-12-11 - 来自专栏用户8653471的专栏
服务机器人核心技术之环境感知技术
环境感知是机器人技术体系实现的基础和前提条件，传感器是机器人感知环境及自身状态的窗口 ◆ 环境感知技术作为机器人系统不可或缺的一部分，与智能机器人的地图构建、运动控制等功能息息相关。 借助传感器，机器人能够及时感知自身和外部环境的参数变化，为控制和决策系统做出适当响应提供数据参考。 具体来看，机器人的环境感知一般需要应用各类传感器来代替人类感觉，如视觉、听觉、触觉等，强抗干扰能力、高精度以及高可靠性是机器人对传感器的最基本要求。 image.png 2. 多传感器融合是机器人整合多渠道数据信息并处理复杂情况的重要应用 ◆ 传感器技术是影响机器人环境感知技术模块发展进程的核心因素。 目前机器人对环境的感知大多通过激光雷达、摄像头、毫米波雷达、超声波传感器、GPS这五类传感器及其之间的组合来实现自主移动功能。 image.png 3.
1.4K10发布于 2021-08-11 - 来自专栏智慧气象
北斗水文环境监测站：智能化水文环境感知与决策支持
北斗水文环境监测站：智能化水文环境感知与决策支持【TH-SW4】北斗水文环境监测站作为融合北斗卫星导航系统与多传感器技术的智能化监测平台，专为水域动态管理与灾害预警设计，通过构建"空-地-水"一体化的监测体系 ，突破传统水文监测在时空精度与极端环境适应性上的瓶颈，为水利工程安全、水资源调度及防灾减灾提供全要素、实时化的决策支持。 一、核心技术突破：毫米级定位与全要素感知1.高精度定位技术系统采用北斗双频载波相位差分技术，静态定位精度达±3mm，动态采样频率10Hz，可实时捕捉水位、流速、流量等参数的毫米级变化。 2.多传感器融合感知集成雷达水位计、多普勒流速仪、翻斗式雨量计等设备，通过Modbus-RTU协议实现多参数同步采集。 三、典型应用场景：从极端环境到城市治理1.极端环境监测在新疆大江大河水文监测项目中，系统通过北斗短报文实现全国范围内无信号地区的数据传输，为偏远地区水利工程安全监测提供可靠保障。
14110编辑于 2025-08-12 - 来自专栏机器视觉工坊
感知
环境感知了确保无人车对环境的理解和把握，无人驾驶系统的环境感知部分通常需要获取周围环境的大量信息，具体来说包括：障碍物的位置，速度以及可能的行为，可行驶的区域，交通规则等等。 无人车通常是通过融合激光雷达（Lidar），相机（Camera），毫米波雷达（Millimeter Wave Radar）等多种传感器的数据来获取这些信息，本节我们简要地了解一下激光雷达和相机在无人车感知中的应用 激光雷达是一类使用激光进行探测和测距的设备，它能够每秒钟向环境发送数百万光脉冲，它的内部是一种旋转的结构，这使得激光雷达能够实时的建立起周围环境的3维地图。 ? 通常来说，激光雷达以10Hz左右的速度对周围环境进行旋转扫描，其扫描一次的结果为密集的点构成的3维图，每个点具备（x,y,z）信息，这个图被称为点云图（Point Cloud Graph），如下图所示， 对于反射点稀疏的目标（比如说行人），基于点云的分类并不可靠，所以在实践中，我们往往融合激光雷达和相机传感器，利用相机的高分辨率来对目标进行分类，利用Lidar的可靠性对障碍物检测和测距，融合两者的优点完成环境感知
55720发布于 2020-07-28 - 来自专栏人工智能独角兽
i-VISTA挑战赛中纵目泊车环境感知系统解析
下面就由纵目科技的技术专家来详细的介绍，基于超声波和环视深度融合的纵目泊车环境感知系统。 而纵目在这次iVista测试中第一次推出了量产化的APA系统，深度结合了超声和视觉感知。 在APA场景中，首要考虑的是对环境的感知，也就是障碍物的位置和车位的位置，以下是纵目在APA开发中对iVista场景之一的检测结果。 在APA系统中，车辆的定位，环境感知和规划控制始终是保证系统性能的三大基石。 iVista-2021的比赛结果是对纵目当前一代APA系统最直接的评价，而在开发中的下一代APA系统中的环境感知，利用视觉提供新的检测信息结合超声波检测有针对性地提高对障碍物的轮廓和类型的感知能力，例如锥桶
48551发布于 2021-08-27 - 来自专栏人工智能独角兽
i-VISTA挑战赛中纵目泊车环境感知系统解析
下面就由纵目科技的技术专家来详细的介绍，基于超声波和环视深度融合的纵目泊车环境感知系统。 而纵目在这次iVista测试中第一次推出了量产化的APA系统，深度结合了超声和视觉感知。 在APA场景中，首要考虑的是对环境的感知，也就是障碍物的位置和车位的位置，以下是纵目在APA开发中对iVista场景之一的检测结果。 在APA系统中，车辆的定位，环境感知和规划控制始终是保证系统性能的三大基石。 iVista-2021的比赛结果是对纵目当前一代APA系统最直接的评价，而在开发中的下一代APA系统中的环境感知，利用视觉提供新的检测信息结合超声波检测有针对性地提高对障碍物的轮廓和类型的感知能力，例如锥桶
62730发布于 2021-08-27 - 来自专栏VoiceVista语音智能
帮助听力障碍人士感知环境声的设备 - 来自Furenexo的SoundSense
对于听力障碍人士来说，如果不能识别到一些紧急情况可能会带来危险，比如火警，或枪声等。
41620发布于 2020-07-02 - 来自专栏《C++与 AI：个人经验分享合集》
《解锁AI密码，机器人精准感知环境不再是梦！》
多传感器融合：感知基石的稳固搭建 机器人要精准感知环境，首先离不开各类传感器。 以卡尔曼滤波算法为代表，它能根据不同传感器的特性和误差模型，将来自视觉、激光雷达等传感器的数据有机结合，动态地预测和更新机器人对环境的感知，让机器人获得更全面、准确的环境信息，在复杂多变的环境中也能稳定运行 语义理解与知识图谱：赋予感知深度内涵 人工智能帮助机器人从单纯的环境信息感知迈向语义理解。通过自然语言处理技术，机器人能理解人类语言指令，将其转化为实际行动。 同时，机器人还会根据环境反馈不断调整自身感知和行动策略。在清洁机器人工作时，如果检测到地面污渍较多，会自动加大清洁力度和时间，保证清洁效果。 人工智能正全方位助力机器人实现更精准的环境感知。 随着技术的不断突破与创新，未来机器人将具备更强大的环境感知能力，在工业、医疗、服务、探索等各个领域大显身手，为人类创造更加智能、便捷的生活与工作环境 。
11110编辑于 2025-02-24 - 来自专栏hotarugaliの技术分享
感知机
image.png
67920编辑于 2022-05-11 - 来自专栏全栈程序员必看
多层感知机实现(单层感知器和多层感知器)
前面利用了softmax来对图像进行分类，也可以使用多层感知机的方法对图像进行分类。 多层感知机从零开始实现方法 多层感知机（ multilayer perceptron ， MLP），在单层神经网络的基础上引入了一到多个隐藏层（hidden layer）。 因 此，多层感知机中的隐藏层和输出层都是全连接层。 我们将使用多层感知机对图像进行分类。 然后我们实现上一节中多层感知机的计算表达式。
1.3K10编辑于 2022-07-31 - 来自专栏hotarugaliの技术分享
感知机
感知机学习由训练数据集求得模型参数 和 ；感知机预测则根据学 习到的模型对新的输入实例给出其对应的输出类别。 3. 策略 给出了感知机模型的定义后，下一步便是探究这个模型是否能够有效地实现分类目标。为此，我们先给出一个条件假设：数据集的线性可分性，然后基于此此假设验证感知机的有效性。 3.2 感知机的学习策略 假设训练数据集是线性可分的，感知机学习的目标是求得一个能够将训练数据集正实例点和负实例点完全正确分开的分离超平面 ，即确定感知机模型参数 和 。 算法 上述学习策略验证了感知机在线性可分数据集上的有效性，下面就是要给出如何在训练数据集上具体实现感知机学习过程。感知机学习问题有两种形式，一种是最直观的原始形式，一种是原始形式的对偶形式。 算法：感知机学习算法的对偶形式 输入：训练数据集 ，其中 ， ；学 习率 ； 输出： ；感知机模型 。
80620编辑于 2022-04-25 - 来自专栏全栈程序员必看
多层感知机理解(多层感知机原理)
一.网络的原理和结构 多层感知器(Muti-Layer Percetron)和卷积网络(Convolutional Neural Network)。 这两种网络都属于前馈型网络(Feedforward network)，其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构，它是所有其他神经网络结构的基础， 好在我对神经网络的了解是从卷积神经网络开始的 ，对基本的原理和模型已经有了了解，所以学习起来相对容易，先看多层感知机的模型： 如何设计一个网络，输入代表像素的值，输出0-9之间的一个正确的数字 先把神经元当做数字
1.8K50编辑于 2022-07-26 - 来自专栏专知
给自动驾驶一双通天眼——环境感知器篇
▌环境感知功能系统构成 智能驾驶车辆获取和处理环境信息，主要用于状态感知和 V2X 网联通信。 状态感知主要通过车载传感器对周边及本车环境信息进行 采集和处理，包括交通状态感知和车身状态感知。 交通状态感知功能的实现依赖于环境感知传感器及相应 的感知 技术。 2）主动环境传感器，该类传感器主动向外部 环境发射信号进行环境感知，主要指激光雷达、毫米波雷达和超声波 雷达。 得益于其主动探测的环境探 测模式，雷达感知比视觉感知受外界环境的影响较低，近年来在智能 驾驶中发挥的作用也较大。
4K60发布于 2018-04-10 - 来自专栏TensorFlow2 开发指南
无人驾驶环境感知 | 01 车道线检测网络LanNet原理及实现
├─+ freeze_graph.py//生成pb文件 ├─+ convert_weights.py//对权重进行转换，为了模型的预训练 └─+ convert_pb.py //生成pb文 2.2 环境搭建 根据开源作者描述，其测试的环境为： ubuntu 16.04 python3.5 cuda-9.0 cudnn-7.0 GTX-1070 GPU tensorflow 1.12.0 我使用的环境与配置为 ：LaneNet资料合集 ，提取码：1024 下载完后，我们将模型文件tusimple_lanenet放在工程目录下的model文件中，如下图所示： [在这里插入图片描述] 2.4 模型测试 完成环境配置和模型部署后 文件中新建一个Mytest文件夹，然后任意选取TusSample数据集中的一张图片放入其中，例如1.jpg，如下图所示： [在这里插入图片描述] 第二步，使用PyCharm打开下载好的项目工程，配置好环境后
5.1K82发布于 2020-10-27 - 来自专栏智慧气象
北斗生态环境监测站：构建一体化生态环境气象感知网络
北斗生态环境监测站：构建一体化生态环境气象感知网络【TH-FZ6】北斗生态环境监测站作为融合北斗卫星导航系统与多源环境传感技术的创新平台，通过构建“天-空-地-网”一体化感知网络，实现了对生态环境要素的实时 一、技术架构：北斗赋能的立体化感知网络北斗时空基准核心高精度定位：利用北斗三号全球系统提供的厘米级定位服务，为监测设备提供统一时空基准，确保多源数据（如气象、水质、土壤）的空间对齐与时间同步。 多模态传感器融合大气环境监测：集成温湿度计、风速风向仪，结合北斗定位数据生成污染扩散轨迹模型。灾害预警模块：集成雨量计，对山体滑坡、森林火灾等灾害进行早期识别与定位。 二、功能创新：从单一监测到智能决策全要素动态感知实时采集风速、风向、温度、湿度、大气压、光学雨量、总辐射、负氧离子等参数，形成“环境DNA”数据库。
16810编辑于 2025-08-11 - 来自专栏Python爬虫实战
感知机初探
称为感知机。其中，w和b为感知机模型参数， ? 叫作权值（weigh）或权值向量（weigh vector）， ? 叫作偏置（bias）, ? 表示w和x的内积。sign是符号函数，即 ? 感知机有如下几何解释：线性方程 ? 对应于特征空间 ? 中的一个超平面S，其中w是超平面的法向量，b是超平面的截距。 ，就得到感知机学习的损失函数。 求感知机模型参数w和b，转化为以下损失函数极小化问题解： ? 其中M为误分类点的集合。 代码实现：此部分分为两部分，第一部分为手撸感知机，第二部分为基于skleran来实现感知机。 第一部分：手撸感应机代码 ? 加载需要用的库，其中time用来计算程序运行的时间不必在意。 ? (3)从sklearn.linear_model加载模型，运用训练数据训练感知机模型，得出感知机模型。
37910发布于 2018-08-09
腾讯云开发者
