#sensor-fusion Dépôts
Découvrez 50 dépôts GitHub open source actifs associés à #sensor-fusion, cumulant 90,287 étoiles au total (soit une moyenne de 1,805 étoiles par projet). Le projet en tête de ce thème est rlabbe/Kalman-and-Bayesian-Filters-in-Python, avec 18,561 étoiles.
50 dépôts au total
Livre sur le filtre de Kalman utilisant Jupyter Notebook. Met l'accent sur le développement de l'intuition et de l'expérience, pas sur les preuves formelles. Inclut les filtres de Kalman, les filtres de Kalman étendus, les filtres de Kalman unscented, les filtres particulaires, et plus encore. Tous les exercices incluent des solutions.
Bibliothèque Python de filtrage de Kalman et d'estimation optimale. Implémente le filtre de Kalman, le filtre particulaire, le filtre de Kalman étendu, le filtre de Kalman unscented, g-h (alpha-beta), les moindres carrés, H infini, les lisseurs, et plus encore. Possède un livre d'accompagnement 'Kalman and Bayesian Filters in Python'.
Ressources pour la Vision Basée sur les Événements. Effort communautaire pour collecter des connaissances sur la technologie de vision basée sur les événements (articles, ateliers, ensembles de données, code, vidéos, etc.)
Code open source correspondant pour les techniques SLAM dans la conduite autonome
Un paquet robuste, en temps réel, couleur RVB, LiDAR-Inertiel-Visuel étroitement couplé pour l'estimation d'état et la cartographie
Un scanner LiDAR à 360° open source et à faible coût, ainsi qu’un système de reconstruction 3D panoramique à fabriquer soi-même.
robot\_localization est un paquet de nœuds d'estimation d'état non linéaires. Le paquet a été développé par Charles River Analytics, Inc. Veuillez poser vos questions sur answers.ros.org.
Bibliothèque d’odométrie visuelle et de SLAM accélérée par CUDA pour un suivi de caméra rapide, précis et à faible latence
Une odométrie LiDAR-Inertielle-Visuelle Sparse-Directe Rapide et Étroitement Couplée (LIVO).
[PAMI'23] TransFuser : Imitation avec fusion de capteurs basée sur Transformer pour la conduite autonome ; [CVPR'21] Multi-Modal Fusion Transformer pour la conduite autonome de bout en bout
Le firmware principal pour le Crazyflie Nano Quadcopter, le Crazyflie Bolt Quadcopter et le Roadrunner Positioning Tag.
Soulever, Éclabousser, Tirer : Encodage d'images à partir de rigs de caméra arbitraires en reprojetant implicitement en 3D (ECCV 2020)
Odometrie LiDAR-inertielle, très robuste et précise, basée uniquement sur le LiDAR
Code source pour l'article DM-VIO : Delayed Marginalization Visual-Inertial Odometry
Ressources d'apprentissage et partage d'expériences pour le développement SLAM
Localisation par fusion faiblement couplée IMU + X(GNSS, 6DoF Odom) basée sur ESKF, IEKF, UKF(UKF/SPKF, JUKF, SVD-UKF) et MAP
Une méthode simple pour trouver la calibration extrinsèque entre un lidar 3D et un capteur de pose à 6 degrés de liberté
alfred-py: Une bibliothèque d'utilitaires d'apprentissage profond pour **humains**, plus de détails sur l'utilisation de la lib à: https://zhuanlan.zhihu.com/p/341446046
[CVPR 2024] LMDrive : Conduite de bout en bout en boucle fermée avec de grands modèles linguistiques
La pile fuse fournit une architecture générale pour effectuer la fusion de capteurs en direct sur un robot. Certaines applications possibles incluent l'estimation d'état, la localisation, la cartographie et l'étalonnage.
Le filtre Kalman à état étendu ESKF fusionne le GPS et l'IMU pour une plus grande précision de localisation
Sensation tactile • Collecte de données • IL/RL/VLA/WM • Manipulation • Simulation • Open Source
Contrôleur de Cardan sans balais à 3 axes, basé sur un microcontrôleur 32 bits STM32
Une bibliothèque open source pour interagir avec et traiter les données radar, spécialisée pour les radars MIMO mmWave
Utilisation d'un filtre de Kalman à état d'erreur pour fusionner les données IMU et GPS pour la localisation.
Un projet logiciel pour fournir à la communauté de suivi de cible un cadre pour le développement et les tests d'algorithmes de suivi.
Détection d'objets par radar 4D pour la conduite autonome dans diverses conditions météorologiques
Application moderne de boussole et de navigation FOSS sans publicités, achats intégrés ni suivi
Odométrie de fusion visuelle-inertielle-roue, meilleures performances dans les scènes avec des changements drastiques de lumière
Foire aux questions
Quel est le dépôt #sensor-fusion le plus populaire sur GitHub ?
Le projet #sensor-fusion open source le mieux classé sur GitHub est rlabbe/Kalman-and-Bayesian-Filters-in-Python, avec 18,561 étoiles. Livre sur le filtre de Kalman utilisant Jupyter Notebook. Met l'accent sur le développement de l'intuition et de l'expérience, pas sur les preuves formelles. Inclut les filtres de Kalman, les filtres de Kalman étendus, les filtres de Kalman unscented, les filtres particulaires, et plus encore. Tous les exercices incluent des solutions.
Quels langages de programmation sont les plus utilisés dans les dépôts #sensor-fusion ?
Parmi les projets #sensor-fusion les mieux classés sur GitHub, les langages de programmation les plus courants sont C++, Python, Jupyter Notebook, C.
Comment le classement des dépôts #sensor-fusion est-il calculé ?
Nous suivons 50 dépôts open source actifs associés à #sensor-fusion (500+ étoiles), totalisant 90,287 étoiles, avec une moyenne de 1,805 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.