分析代码： features = load_data.load_json_file(self.all_Line_path)["features"] stop_polygon = [] pedestrian_crossing_polygon = [] for feature in features: if feature["properties"]["subtype"] == 101 or \ feature["properties"]["subtype"] == 105 or \ feature["properties"]["subtype"] == 104: my_polygon = MyPolygon(coordinates=feature["geometry"]["coordinates"][0], properties=feature["properties"]) my_polygon.temporary_properties = {} tree_polygon = my_polygon.polygon tree_polygon.id = feature["properties"]["id"] stop_polygon.append(tree_polygon) stop_line = LineString(fit_polygon(tree_polygon)) my_polygon.temporary_properties["line_string"] = stop_line self.stop_polygon[tree_polygon.id] = my_polygon elif feature["properties"]["subtype"] == 102: my_polygon = MyPolygon(coordinates=feature["geometry"]["coordinates"][0], properties=feature["properties"]) my_polygon.temporary_properties = {} tree_polygon = my_polygon.polygon tree_polygon.id = feature["properties"]["id"] pedestrian_crossing_polygon.append(tree_polygon) self.pedestrian_crossing[tree_polygon.id] = my_polygon self.stop_line_tree = STRtree(stop_polygon) self.pedestrian_crossing_tree = STRtree(pedestrian_crossing_polygon)

时间: 2024-04-29 08:20:39 浏览: 9
这段代码的作用是加载一个 JSON 文件，其中包含了一些地图要素，包括停车点和人行横道等。然后，它会根据要素的 subtype 把这些要素分别放入 stop_polygon 和 pedestrian_crossing_polygon 两个列表里。对于每个要素，它首先创建一个 MyPolygon 对象，该对象包含要素的几何坐标和属性等信息。然后，它会根据该要素的 subtype 将 MyPolygon 对象放入相应的列表中。接下来，它会使用 STRtree 对象将停车点和人行横道分别存储在 stop_line_tree 和 pedestrian_crossing_tree 中，以便后续的查询操作。这段代码的主要作用是将地图要素存储在适当的数据结构中，以便进行后续的查询和分析。
相关问题

分析代码： def read_stop_line(self): features = load_data.load_json_file(self.all_Line_path)["features"] stop_polygon = [] pedestrian_crossing_polygon = [] for feature in features: if feature["properties"]["subtype"] == 101 or \ feature["properties"]["subtype"] == 105 or \ feature["properties"]["subtype"] == 104: my_polygon = MyPolygon(coordinates=feature["geometry"]["coordinates"][0], properties=feature["properties"]) my_polygon.temporary_properties = {} tree_polygon = my_polygon.polygon tree_polygon.id = feature["properties"]["id"] stop_polygon.append(tree_polygon) stop_line = LineString(fit_polygon(tree_polygon)) my_polygon.temporary_properties["line_string"] = stop_line self.stop_polygon[tree_polygon.id] = my_polygon elif feature["properties"]["subtype"] == 102: my_polygon = MyPolygon(coordinates=feature["geometry"]["coordinates"][0], properties=feature["properties"]) my_polygon.temporary_properties = {} tree_polygon = my_polygon.polygon tree_polygon.id = feature["properties"]["id"] pedestrian_crossing_polygon.append(tree_polygon) self.pedestrian_crossing[tree_polygon.id] = my_polygon self.stop_line_tree = STRtree(stop_polygon) self.pedestrian_crossing_tree = STRtree(pedestrian_crossing_polygon)

这段代码的作用是读取停车线的信息，并将其存储在适当的数据结构中。它首先通过调用 load_data.load_json_file() 函数加载 JSON 文件，其中包含了一些地图要素。然后，它会遍历每个要素，判断其 subtype 是否为 101、105 或 104，如果是，则将该要素转换为 MyPolygon 对象，并将其添加到 stop_polygon 列表中。对于每个 MyPolygon 对象，它还会计算其拟合线段，并将其存储在 temporary_properties 属性中。类似地，如果 subtype 为 102，它会将该要素转换为 MyPolygon 对象，并将其添加到 pedestrian_crossing_polygon 列表中。最后，它会使用 STRtree 对象将停车线和人行横道分别存储在 stop_line_tree 和 pedestrian_crossing_tree 中，以便后续的查询操作。这段代码的主要作用是将停车线存储在适当的数据结构中，以便进行后续的查询和分析。

逐行分析以下代码： def read_stop_line(self): features = load_data.load_json_file(self.all_Line_path)["features"] stop_polygon = [] pedestrian_crossing_polygon = [] for feature in features: if feature["properties"]["subtype"] == 101 or \ feature["properties"]["subtype"] == 105 or \ feature["properties"]["subtype"] == 104: my_polygon = MyPolygon(coordinates=feature["geometry"]["coordinates"][0], properties=feature["properties"]) my_polygon.temporary_properties = {} tree_polygon = my_polygon.polygon tree_polygon.id = feature["properties"]["id"] stop_polygon.append(tree_polygon) stop_line = LineString(fit_polygon(tree_polygon)) my_polygon.temporary_properties["line_string"] = stop_line self.stop_polygon[tree_polygon.id] = my_polygon elif feature["properties"]["subtype"] == 102: my_polygon = MyPolygon(coordinates=feature["geometry"]["coordinates"][0], properties=feature["properties"]) my_polygon.temporary_properties = {} tree_polygon = my_polygon.polygon tree_polygon.id = feature["properties"]["id"] pedestrian_crossing_polygon.append(tree_polygon) self.pedestrian_crossing[tree_polygon.id] = my_polygon self.stop_line_tree = STRtree(stop_polygon) self.pedestrian_crossing_tree = STRtree(pedestrian_crossing_polygon)

这段代码定义了一个名为 "read_stop_line" 的函数，它属于某个类。该函数首先从一个名为 "all_Line_path" 的路径中加载一个 JSON 文件，并获取其中的 "features" 数组。然后，它创建了两个空数组 "stop_polygon" 和 "pedestrian_crossing_polygon"。 接下来，该函数对于 "features" 数组中的每个元素，检查其 "properties" 属性下的 "subtype" 属性是否等于 101、105 或 104。如果是，它将该元素的几何坐标转化为一个多边形，并将该多边形的 ID 和一个包含其适配的线条的 LineString 对象存储在 "stop_polygon" 数组中。此外，该函数还将该多边形存储在字典 "stop_polygon" 中，以多边形 ID 作为键。 如果 "subtype" 属性等于 102，该函数将执行类似的操作，但将多边形存储在 "pedestrian_crossing_polygon" 数组和 "pedestrian_crossing" 字典中。 最后，该函数使用 "stop_polygon" 和 "pedestrian_crossing_polygon" 数组创建两个 STRtree 对象，并将它们存储在类实例对象的 "stop_line_tree" 和 "pedestrian_crossing_tree" 属性中。

相关推荐

rar

u8g_polygon.rar_u8g_polygon.c

piece of code from the library and8g_polygon, for review and viewing
rar

Polygon_drawing.rar_draw_drawing_mouse draw polygon_polygon

You can draw a polygon with the mouse
rar

polygon_merge.rar_Polygon 合并_merge多边形_ogrmerge_polygon merge_凹多边

多边形的合并算法，该算法能够实现任意两个多边形（包括凹多边形）的合并.

分析代码： def read_signal(self): tiles_features = read_inputh_tiles_feature(self.input_path, "semantic", "TL") tree_point = [] for tiles, features in tiles_features.items(): for feature in features: if feature['geometry']["type"] == "Point": signal_point = MyPoint(feature['geometry']['coordinates'], feature['properties']) else: TL_Polygon = Polygon(feature["geometry"]["coordinates"][0]) outer_ring = TL_Polygon.boundary TL_point = outer_ring.interpolate(outer_ring.project(TL_Polygon.centroid)) signal_point = MyPoint(coordinate=list(TL_point.coords)[0], properties=feature["properties"]) tile_lane_id_list = [] for lane_id in signal_point.properties["lane_id_list"]: tile_lane_id_list.append(tiles + "_" + str(lane_id)) signal_point.properties["lane_id_list"] = tile_lane_id_list signal_point.properties["tile"] = tiles self.signal_lamp_and_lane[tiles] = {} signal_point.point.id = feature["properties"]["id"] tree_point.append(signal_point.point) self.signal_lamp[feature["properties"]["id"]] = signal_point self.signal_tree = STRtree(tree_point)

这段代码是一个方法 read_signal，它的作用是读取输入路径中的地图数据，提取出交通信号灯和车道信息，并构建一个 R-tree 数据结构来支持空间查询。 具体来说，这个方法首先调用 read_inputh_tiles_feature ...

逐行分析一下代码： def read_signal(self): tiles_features = read_inputh_tiles_feature(self.input_path, "semantic", "TL") tree_point = [] for tiles, features in tiles_features.items(): for feature in features: if feature['geometry']["type"] == "Point": signal_point = MyPoint(feature['geometry']['coordinates'], feature['properties']) else: TL_Polygon = Polygon(feature["geometry"]["coordinates"][0]) outer_ring = TL_Polygon.boundary TL_point = outer_ring.interpolate(outer_ring.project(TL_Polygon.centroid)) signal_point = MyPoint(coordinate=list(TL_point.coords)[0], properties=feature["properties"]) tile_lane_id_list = [] for lane_id in signal_point.properties["lane_id_list"]: tile_lane_id_list.append(tiles + "_" + str(lane_id)) signal_point.properties["lane_id_list"] = tile_lane_id_list signal_point.properties["tile"] = tiles self.signal_lamp_and_lane[tiles] = {} signal_point.point.id = feature["properties"]["id"] tree_point.append(signal_point.point) self.signal_lamp[feature["properties"]["id"]] = signal_point self.signal_tree = STRtree(tree_point)

这段代码是一个类中的一个方法，方法名为"read_signal"。这个方法会读取一个输入路径中的特征文件，并将每个特征转换成一个MyPoint类的对象。这个MyPoint类定义了一个点的坐标和属性。如果特征是一个点，那么直接将...

AttributeError: module 'tensorflow_core._api.v2.compat.v1' has no attribute 'point_in_polygon'

这个错误通常出现在使用 TensorFlow 2.x 版本时，因为 point_in_polygon 函数在 TensorFlow 2.x 中已经被移除了。如果你在 TensorFlow 2.x 中需要使用 point_in_polygon 函数，可以考虑升级到最新版本的 ...

class PolygonZone: """ A class for defining a polygon-shaped zone within a frame for detecting objects. Attributes: polygon (np.ndarray): A polygon represented by a numpy array of shape (N, 2), containing the x, y coordinates of the points. frame_resolution_wh (Tuple[int, int]): The frame resolution (width, height) triggering_position (Position): The position within the bounding box that triggers the zone (default: Position.BOTTOM_CENTER) current_count (int): The current count of detected objects within the zone mask (np.ndarray): The 2D bool mask for the polygon zone """ def __init__( self, polygon: np.ndarray, frame_resolution_wh: Tuple[int, int], triggering_position: Position = Position.BOTTOM_CENTER, ): self.polygon = polygon.astype(int) self.frame_resolution_wh = frame_resolution_wh self.triggering_position = triggering_position self.current_count = 0 width, height = frame_resolution_wh self.mask = polygon_to_mask( polygon=polygon, resolution_wh=(width + 1, height + 1) )

self.polygon = polygon.astype(int) self.frame_resolution_wh = frame_resolution_wh self.triggering_position = triggering_position self.current_count = 0 width, height = frame_resolution_wh self....

yolo_results = context.user_data.model(image, conf=threshold)[0] labels = yolo_results.names segments = sv.PolygonZone.from_yolov8(yolo_results) segments = segments[segments.confidence > threshold] polygon = segments.xy conf = segments.confidence class_ids = segments.class_id 上面方法能用在这个里面吗

根据您提供的代码片段，yolo_results 是通过调用 context.user_data.model 方法来获取的模型的结果。然后，通过访问 names 属性，获取了标签列表。 接下来，使用 PolygonZone.from_yolov8(yolo_results) ...

import arcpy import os import pandas as pd arcpy.env.workspace = "D:/reptile/" # 设置输入地理数据库路径，根据需要替换 tif_file_path = "D:/reptile/mask_reptiles.gdb/" clip_file_path = "D:/reptile/reptile_raster_clip/" shp_file_name = "D:/reptile/mammal25/mammal25km.shp" arcpy.env.workspace = tif_file_path excel_file = "D:/reptile/reptile_threated_list.xlsx" df = pd.read_excel(excel_file) name_list = df['scientificName'].tolist() raster_names = [raster for raster in arcpy.ListRasters("*", "TIF") if raster.split(".tif")[0] in name_list] for raster in raster_names: key_name = os.path.splitext(raster)[0] + ".tif" clip_file_name = os.path.join(clip_file_path, key_name) clip_file = ExtractByMask(tif_file, shp_file_name) clip_file.save(clip_file_name) for raster in raster_names: key_name = os.path.split(raster)[0] + ".tif" clip_file_name = os.path.join(clip_file_path, key_name) clip_file = ExtractByMask(tif_file, shp_file_name) clip_file.save(clip_file_name)

for clip_file in arcpy.ListFeatureClasses("*", "POLYGON", clip_file_path): # 进行合并等进一步处理 ... 需要注意的是，在裁剪和进一步处理过程中，您需要根据具体的需求和数据格式选择合适的arcpy函数。...

将以下代码修改为对指定文件夹下所有.json文件的遍历：import json def convert_rect_to_polygon(json_data): for shape in json_data['shapes']: if shape['shape_type'] == 'rectangle': # 获取矩形的两点坐标 x, y, width, height = shape['points'][0] + shape['points'][1] # 将矩形的两点坐标转换为四点坐标 new_points = [[x, y], [x + width, y], [x + width, y + height], [x, y + height]] # 更新shape的类型和坐标数据 shape['shape_type'] = 'polygon' shape['points'] = new_points # 读取json文件 with open('your_file.json', 'r') as f: json_data = json.load(f) # 调用函数进行转换 convert_rect_to_polygon(json_data) # 将更新后的数据写入json文件 with open('your_file.json', 'w') as f: json.dump(json_data, f)

json_data = json.load(f) # 调用函数进行转换 convert_rect_to_polygon(json_data) # 将更新后的数据写入json文件 with open(file_path, 'w') as f: json.dump(json_data, f) 请将 'your_folder_...

import json import base64 from PIL import Image import io import cv2 import numpy as np from ultralytics import YOLO import supervision as sv def init_context(context): context.logger.info("Init context... 0%") model_path = "yolov8m-seg.pt" # YOLOV8模型放在nuclio目录下构建 model = YOLO(model_path) # Read the DL model context.user_data.model = model context.logger.info("Init context...100%") def handler(context, event): context.logger.info("Run yolo-v8-seg model") data = event.body buf = io.BytesIO(base64.b64decode(data["image"])) threshold = float(data.get("threshold", 0.35)) context.user_data.model.conf = threshold image = Image.open(buf) yolo_results = context.user_data.model(image, conf=threshold)[0] labels = yolo_results.names detections = sv.Detections.from_yolov8(yolo_results) detections = detections[detections.confidence > threshold] masks = detections.xy conf = detections.confidence class_ids = detections.class_id results = [] if masks.shape[0] > 0: for label, score, mask in zip(class_ids, conf, masks): # 将mask转换为轮廓 contours, _ = cv2.findContours(mask.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for contour in contours: points = [] for point in contour: x = point[0][0] y = point[0][1] points.append([x, y]) results.append({ "confidence": str(score), "label": labels.get(label, "unknown"), "points": points, "type": "polygon",}) return context.Response(body=json.dumps(results), headers={}, content_type='application/json', status_code=200)不用supervision 包 用别的方式解析

"type": "polygon" }) return context.Response(body=json.dumps(results), headers={}, content_type='application/json', status_code=200) 在这个修改后的代码中，我假设你已经正确导入了所需的库和...

但是运行后报错：terminate called after throwing an instance of 'cv::Exception' what(): OpenCV(4.5.0) /home/sniper/Downloads/opencv-4.5.0/modules/imgproc/src/contours.cpp:1799: error: (-215:Assertion failed) (_contours.kind() == _InputArray::STD_VECTOR_VECTOR || _contours.kind() == _InputArray::STD_VECTOR_MAT || _contours.kind() == _InputArray::STD_VECTOR_UMAT) in function 'findContours'

// Check if all vertices of polygon1 are inside polygon2 bool allInside = true; for (const auto& vertex : polygon1) { double distance = cv::pointPolygonTest(polygon2, vertex, true); if (distance ...

def handler(context, event): context.logger.info("Run yolo-v8-seg model") data = event.body buf = io.BytesIO(base64.b64decode(data["image"])) threshold = float(data.get("threshold", 0.35)) context.user_data.model.conf = threshold image = Image.open(buf) yolo_results = context.user_data.model(image, conf=threshold)[0] labels = yolo_results.names detections = sv.Detections.from_yolov8(yolo_results) detections = detections[detections.confidence > threshold] masks = detections.xy conf = detections.confidence class_ids = detections.class_id results = [] if masks.shape[0] > 0: for label, score, mask in zip(class_ids, conf, masks): # 将mask转换为轮廓 contours, _ = cv2.findContours(mask.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for contour in contours: points = [] for point in contour: x = point[0][0] y = point[0][1] points.append([x, y]) results.append({ "confidence": str(score), "label": labels.get(label, "unknown"), "points": points, "type": "polygon",})不用这个包了 解析mask掩码

以下是修改后的代码示例，用于解析 mask 掩码并生成结果列表： python import io import base64 import json import cv2 import numpy as np from PIL import Image def handler(context, event): context....

elif state == PIT and not oneshot: y = original_y if counter > 1: y -= 4 * TERRAIN_STEP elif state == STUMP and oneshot: counter = self.np_random.randint(1, 3) poly = [ (x, y), (x + counter * TERRAIN_STEP, y), (x + counter * TERRAIN_STEP, y + counter * TERRAIN_STEP), (x, y + counter * TERRAIN_STEP), ] self.fd_polygon.shape.vertices = poly t = self.world.CreateStaticBody(fixtures=self.fd_polygon) t.color1, t.color2 = (1, 1, 1), (0.6, 0.6, 0.6) self.terrain.append(t)

这是一个代码段，看起来像是一个游戏中的地形生成器。代码段中定义了一些状态，包括PIT和STUMP。如果当前状态是PIT并且不是一次性的，则会将y坐标重置为原始y坐标，并向下移动4个TERRAIN_STEP的距离。如果当前状态是...

解释这个函数bool PolygonDecomposition::convertRos2CvPolygon(const std::vector<RjpPoint> &in_polygon) { if (in_polygon.size() < 3) { return false; } auto ymin_iter = std::min_element(in_polygon.begin(), in_polygon.end(), [](RjpPoint p1, RjpPoint p2) { return p1.y < p2.y; }); int y_min_idx = std::distance(in_polygon.begin(), ymin_iter); double cross_product; if (y_min_idx == 0) { cross_product = calCrossProduct(in_polygon[in_polygon.size() - 1], in_polygon[y_min_idx], in_polygon[y_min_idx + 1]); } else if (y_min_idx = in_polygon.size() - 1) { cross_product = calCrossProduct(in_polygon[y_min_idx - 1], in_polygon[y_min_idx], in_polygon[0]); } else { cross_product = calCrossProduct(in_polygon[y_min_idx - 1], in_polygon[y_min_idx], in_polygon[y_min_idx + 1]); } if (cross_product > 0) { for (int i = 0; i < in_polygon.size(); ++i) { _polygon_cv.push_back(cv::Point2f(in_polygon[i].x, in_polygon[i].y)); } } else { _polygon_cv.push_back(cv::Point2f(in_polygon[0].x, in_polygon[0].y)); for (int i = in_polygon.size() - 1; i > 0; --i) { _polygon_cv.push_back(cv::Point2f(in_polygon[i].x, in_polygon[i].y)); } } std::vector<int> tmp_poly; for (int i = 0; i < _polygon_cv.size(); ++i) { tmp_poly.push_back(i); } _result_polygon_idx.push_back(tmp_poly); return true; }

这是一个将输入的 Ros 数据库中的多边形转换成 OpenCV 库中的多边形的函数。首先，它检查输入的多边形是否至少包含三个点，因为只有三个或更多个点才能构成一个多边形。然后，它使用 STL 中的 std::min_element() ...

import io import base64 import json import cv2 import numpy as np from PIL import Image def handler(context, event): context.logger.info("Run yolo-v8-seg model") data = event.body buf = io.BytesIO(base64.b64decode(data["image"])) threshold = float(data.get("threshold", 0.35)) context.user_data.model.conf = threshold image = Image.open(buf) yolo_results = context.user_data.model(image, conf=threshold)[0] labels = yolo_results.names detections = [ { "class_id": int(result[0]), "points": [(float(result[i]), float(result[i+1])) for i in range(1, len(result), 2)] } for result in [line.split() for line in yolo_results] ] results = [] for detection in detections: class_id = detection["class_id"] points = detection["points"] results.append({ "confidence": "", # 这里没有置信度信息，可以根据实际情况进行调整 "label": labels[class_id], "points": points, "type": "polygon" }) return context.Response(body=json.dumps(results), headers={}, content_type='application/json', status_code=200)这个代码根据我的代码改完整

根据你提供的代码，我已经修改了代码并补充了缺失的部分。以下是修改后的完整代码： python import io import base64 import json import cv2 import numpy as np from PIL import Image def handler(context, ...
rar

DDA.rar_Bresenham circle_DDA_DDA drawing line_Polygon circle_dra

DDA 算法 achieve DDA line drawing algorithm, the Bresenham algorithm, which generates the midpoint painted circle algorithm, and polygon scan line filling algorithm

最新推荐

recommend-type

野狗优化算法DOA MATLAB源码， 应用案例为函数极值求解以及优化svm进行分类，代码注释详细，可结合自身需求进行应用

野狗优化算法DOA MATLAB源码， 应用案例为函数极值求解以及优化svm进行分类，代码注释详细，可结合自身需求进行应用
recommend-type

2107381120 王孟丽 实验2 (1).docx

2107381120 王孟丽 实验2 (1).docx
recommend-type

JavaScript_其他Meta JS项目使用的工具库集合.zip

JavaScript
recommend-type

asm-4.2.jar

asm.jar的作用: 提到asm.jar的作用,那么最显著的莫过于计算机显示Android手机屏幕了;其次可以调整计算机上显示Android手机屏幕的大小。ASM 是一个Java字节码操纵框架。它可以直接以二进制形式动态地生成 stub 类或其他代理类,或者在装载时动态地修改类。ASM 提供类似于 BCEL 和 SERP 之类的工具包
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构：Kafka与Hive集成

![实现实时数据湖架构：Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构，它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同，实时数据湖不依赖于预先定义的模式，而是采用灵活的架构，可以处理各种数据类型和格式。这种架构为企业提供了以下优势： - **实时洞察：**实时数据湖允许企业访问最新的数据，从而做出更明智的决策。 - **数据民主化：**实时数据湖使各种利益相关者都可
recommend-type

可见光定位LED及其供电硬件具体型号，广角镜头和探测器，实验设计具体流程步骤，

1. 可见光定位LED型号：一般可使用5mm或3mm的普通白色LED，也可以选择专门用于定位的LED，例如OSRAM公司的SFH 4715AS或Vishay公司的VLMU3500-385-120。 2. 供电硬件型号：可以使用常见的直流电源供电，也可以选择专门的LED驱动器，例如Meanwell公司的ELG-75-C或ELG-150-C系列。 3. 广角镜头和探测器型号：一般可采用广角透镜和CMOS摄像头或光电二极管探测器，例如Omron公司的B5W-LA或Murata公司的IRS-B210ST01。 4. 实验设计流程步骤： 1）确定实验目的和研究对象，例如车辆或机器人的定位和导航。
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依