“知识视界”产学研-视频播放

对不起，您不在IP段范围内，无法观看

1774 播放

播放有问题？请戳这里

卡尔曼滤波器 6在Simulink中使用扩展卡尔曼滤波器

时长：6 分钟

类别：智能产品开发与应用

简介：您将学习如何配置扩展卡尔曼滤波器模块参数，例如状态转换和测量函数，并生成C/C ++代码。

相关视频:

强化学习入门概述

了解强化学习入门，这是一个自定进度的教程，通过使用自动评估和反馈的实践练习，提供了控制问题的强化学习方法的交互式概述。强化学习入门涉及的主题包括定义环境和奖励、创建智能体（Agent）以及使用模拟来训练智能体。此外，探索如何创建神经网络来代表各种角色和关键智能体。
以用户为中心设计的人工智能产品

数据正在改变我们的工作方式，重塑商业模式。数据与设计主管安吉丽•奥吉罗(Angelique Augereau)和设计主管布鲁斯•金史(Bruce King-Shey)讨论了摩根大通的财务服务部门是如何利用数据来指导我们如何设计和向客户交付新产品的。
强化学习算法中的Q-learning

我们可以训练一个人工智能模型来找到两点之间的最佳距离而不使用算法吗？答案是肯定的！通过Q-Learning，我们可以赋予我们的人工智能类似生命的特性！在这个视频中，我们将教你所有关于Q-Learning等等之类的知识！
卡尔曼滤波器 2最优状态估计

观看视频示例，了解卡尔曼滤波器背后的工作原理。本视频介绍卡尔曼滤波器结合两个信息源，预测状态和噪声测量，以产生最佳的，无偏的状态估计。
什么是Lidar Toolbox

Lidar Toolbox™提供了设计、分析和测试Lidar处理系统的算法、功能和应用程序。你可以进行目标检测和跟踪、语义分割、形状拟合、激光雷达配准和障碍检测。Lidar Toolbox支持结合计算机视觉和Lidar处理的工作流程的激光雷达与相机与交叉校准。你可以使用深度学习和机器学习算法，如PointSeg, PointPillar，和SqueezeSegV2训练自定义检测和语义分割模型。
卡尔曼滤波器 4非线性状态估算器

如果您是工程师，您经常会需要处理非线性系统。为了帮助您，我们将讨论非线性状态估算器。
深度学习入门 2卷积神经网络

在本视频中探索卷积神经网络（也称为CNN或ConvNets）的基础。您将学习3个概念：本地接受域，共享权重和偏见以及激活和合并。您还将学习3种训练CNN的方法。
卡尔曼滤波器 6在Simulink中使用扩展卡尔曼滤波器

您将学习如何配置扩展卡尔曼滤波器模块参数，例如状态转换和测量函数，并生成C/C ++代码。

观看记录：

标签:

相关视频:

强化学习入门概述

以用户为中心设计的人工智能产品

强化学习算法中的Q-learning

卡尔曼滤波器 2最优状态估计

什么是Lidar Toolbox

卡尔曼滤波器 4非线性状态估算器

深度学习入门 2卷积神经网络

卡尔曼滤波器 6在Simulink中使用扩展卡尔曼滤波器