#sensor-fusion Repositorios
Descubre 50 repositorios activos de código abierto de GitHub etiquetados con #sensor-fusion, que acumulan 90,287 estrellas en total (una media de 1,805 estrellas por proyecto). El líder de este tema es rlabbe/Kalman-and-Bayesian-Filters-in-Python, con 18,561 estrellas.
50 repositorios en total
Libro del filtro de Kalman usando Jupyter Notebook. Se enfoca en construir intuición y experiencia, no en pruebas formales. Incluye filtros de Kalman, filtros de Kalman extendidos, filtros de Kalman sin perfume, filtros de partículas y más. Todos los ejercicios incluyen soluciones.
Biblioteca de Python para filtrado de Kalman y estimación óptima. Implementa filtro de Kalman, filtro de partículas, filtro de Kalman extendido, filtro de Kalman sin perfume, g-h (alfa-beta), mínimos cuadrados, H infinito, suavizadores y más. Tiene un libro complementario 'Kalman and Bayesian Filters in Python'.
Recursos de Visión Basada en Eventos. Esfuerzo comunitario para recopilar conocimiento sobre tecnología de visión basada en eventos (papers, talleres, datasets, código, videos, etc.)
Código fuente abierto correspondiente para técnicas SLAM en conducción autónoma
Un paquete robusto, en tiempo real, a todo color RGB, acoplado estrechamente LiDAR-Inercial-Visual para estimación de estado y mapeo
Un escáner LiDAR de 360° de código abierto y bajo costo, y un sistema de reconstrucción 3D panorámica de fabricación propia.
robot\_localization es un paquete de nodos de estimación de estado no lineal. El paquete fue desarrollado por Charles River Analytics, Inc. Haga sus preguntas en answers.ros.org.
Biblioteca de odometría visual y SLAM acelerada por CUDA para un seguimiento de cámara rápido, preciso y de baja latencia
Una Odometría LiDAR-Inercial-Visual Dispersa-Directa Rápida y Estrechamente Acoplada (LIVO).
[PAMI'23] TransFuser: Imitación con fusión de sensores basada en Transformer para conducción autónoma; [CVPR'21] Transformer de fusión multimodal para conducción autónoma de extremo a extremo
El firmware principal para el Crazyflie Nano Quadcopter, el Crazyflie Bolt Quadcopter y la etiqueta de posicionamiento Roadrunner.
Levantar, Salpicar, Disparar: Codificación de imágenes de rigs de cámara arbitrarios reproyectando implícitamente a 3D (ECCV 2020)
Código fuente del artículo DM-VIO: Delayed Marginalization Visual-Inertial Odometry
Recursos de aprendizaje y compartición de experiencias para el desarrollo de SLAM
Localización de fusión débilmente acoplada IMU + X(GNSS, 6DoF Odom) basada en ESKF, IEKF, UKF(UKF/SPKF, JUKF, SVD-UKF) y MAP
Un método simple para encontrar la calibración extrínseca entre un lidar 3D y un sensor de pose de 6 grados de libertad
alfred-py: Una biblioteca de utilidades de aprendizaje profundo para **humanos**, más detalles sobre el uso de la lib en: https://zhuanlan.zhihu.com/p/341446046
[CVPR 2024] LMDrive: Conducción de extremo a extremo en bucle cerrado con modelos de lenguaje grandes
La pila fuse proporciona una arquitectura general para realizar la fusión de sensores en vivo en un robot. Algunas aplicaciones posibles incluyen estimación de estado, localización, mapeo y calibración.
El filtro Kalman de estado extendido ESKF fusiona GPS e IMU para lograr una mayor precisión de posicionamiento
Sensación táctil • Recopilación de datos • IL/RL/VLA/WM • Manipulación • Simulación • Código abierto
Controlador de cardán sin escobillas de 3 ejes, basado en un microcontrolador STM32 de 32 bits
Una biblioteca de código abierto para interactuar y procesar datos de radar, especializada en radares MIMO mmWave
Usando filtro de Kalman de estado de error para fusionar los datos de IMU y GPS para localización.
Un proyecto de software para proporcionar a la comunidad de seguimiento de objetivos un marco para el desarrollo y prueba de algoritmos de seguimiento.
Detección de objetos por radar 4D para conducción autónoma en diversas condiciones meteorológicas
Aplicación moderna de brújula y navegación FOSS sin anuncios, compras integradas ni seguimiento
Odometría de fusión visual‑inercial‑rueda, mejor rendimiento en escenas con cambios drásticos de luz
Preguntas frecuentes
¿Cuál es el repositorio de #sensor-fusion más popular en GitHub?
El proyecto de código abierto de #sensor-fusion mejor posicionado en GitHub es rlabbe/Kalman-and-Bayesian-Filters-in-Python, con 18,561 estrellas. Libro del filtro de Kalman usando Jupyter Notebook. Se enfoca en construir intuición y experiencia, no en pruebas formales. Incluye filtros de Kalman, filtros de Kalman extendidos, filtros de Kalman sin perfume, filtros de partículas y más. Todos los ejercicios incluyen soluciones.
¿Qué lenguajes de programación se utilizan más en los repositorios de #sensor-fusion?
Entre los proyectos de #sensor-fusion mejor posicionados en GitHub, los lenguajes de programación más comunes son C++, Python, Jupyter Notebook, C.
¿Cómo se calcula la clasificación de los repositorios de #sensor-fusion?
Seguimos 50 repositorios activos de código abierto etiquetados con #sensor-fusion (500+ estrellas), que suman un total de 90,287 estrellas, con una media de 1,805 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.