没有合适的资源?快使用搜索试试~ 我知道了~
虚拟现实智能硬件2019年11月第3引文:张浩,黄锦,田峰,戴国忠,王宏安.基于交叉目标选择的弹道预测模型。虚拟现实智能硬件,2019,1(3):330-340DOI:10.3724/SP.J.2096-5796.2019.0017·文章·基于交叉目标选择的弹道预测模型张浩1,黄进1*,田峰1,2,戴国忠1,王宏安1,21. 中国科学院软件研究所人机交互北京市重点实验室,北京1001902. 中国科学院软件研究所计算机科学国家重点实验室,北京100190* 通讯作者,huangjin@iscas.ac.cn投稿时间:2019年2月26日受理时间:2019年4月1日国家重点研发&计划(2016 YFB 1001405);国家自然科学基金(61802379);中国科学院前沿科学重点研究计划(QYZDY-SSW-JSC 041)。基于交叉的目标选择运动在某些情况下可以获得更低的错误率和更高的交互速度。目标选择领域的大多数研究都集中在交互作用结果的分析上。此外,由于轨迹在基于交叉的目标选择中扮演着比其他交互技术更重要的角色,因此理想的轨迹模型可以帮助计算机设计人员在目标选择过程中而不是在整个过程结束时预测交互结果。方法借鉴动态模型理论,提出了一种基于交叉目标选择任务的轨迹预测模型。结果仿真结果表明,该模型对目标选择运动的轨迹、终点和命中时间的预测效果良好,轨迹、终点和命中时间的平均误差分别为17.28%、2.73mm和11.50%。关键词 目标选择;交叉选择;轨迹预测1引言目标选择是人机交互(HCI)领域的一个重要研究课题。它已被广泛应用于各种连续交互空间,例如用户控制下的虚拟角色的运动轨迹,以及AR或VR环境中静止和移动目标的选择。在某些情况下,与传统的交互技术相比,通过越过边界“目标”而不是指向周界内来选择目标可以实现更高的效率。例如,基于交叉的选择导致更低的错误率和更高的交互速度的连续交叉任务的方向约束。然而,大多数关于目标选择的研究集中在相互作用结果的分析上,即轨迹的端点。在HCI社区中,只有少数研究人员专注于轨迹本身的分析。很好地理解目标选择的轨迹是很重要的,因为它可以提供关于实践对性能、理性决策和在这些使用界面中的设计的影响的见解和指导[1]。用于整个目标选择运动过程的概念模型这是一个更具挑战性的工作,为基于交叉选择的轨迹建模,而不是www.vr-ih.com版权所有© 2019北京中科学报出版有限公司公司制作和主办:Elsevier B.V.代表KeAi。这是一篇基于CC BY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/)的开放获取文章Hao ZHANG et al:基于交叉的目标选择轨迹预测模型331互动结果。用户倾向于保持一个舒适的角度,通过这个角度,他们可以在接近目标的过程中看到他们想要选择的目标[2]。由于细长的矩形目标,用户更喜欢在其较长的一侧穿过目标,对轨迹的主要影响是路径的弯曲[3]。控制理论通常用于目标选择任务的轨迹建模。然而,现有的轨迹预测模型由于缺乏对目标形状的考虑而不能很好地对基于交叉选择的轨迹进行建模。此外,控制理论和动态模型通常用于模拟到达运动。两种模型都根据由位置和速度反馈动态调整的控制信号来量化每个时刻的位置和速度。在参考与现有轨迹模型和动态模型相关理论相同的核心思想的同时,我们的工作为基于交叉的交互技术提供了一个新的模型。我们发现,我们的模型取得了令人满意的仿真结果的轨迹相似性,端点和时间拟合。2相关工作2.1基于杂交的目标选择在选择目标的过程中,人类能够在速度和准确性之间取得很好的平衡。已经表明,Fitts定律[4]是人类运动行为的最稳健和最成功的模型,因为它准确地预测了完成目标获取的时间。Accot和Zhai进行了一个早期的基于交叉的选择实验,涉及“目标传递任务”,为转向定律奠定了基础[5]。Apitz等人。[6]指定了间接手写笔输入的六种任务条件。Luo和Vogel[7]通过对六种任务条件的分析,为基于交叉的选择应用于触摸输入找到了可推广的经验支持。Forlines等人[8]发现基于交叉的目标选择的平均交互时间比间接手写笔输入快16%。考虑到目标形状的影响,Dixon等。[9]测试交叉目标密度和方向。使用直接手写笔输入设备,他们发现基于交叉的目标选择比指向对话框更快,同时还保持了空间效率。Cockburn等人[10]和Buxton等人[11]分别测试了直接触笔输入和间接触笔输入,特别是拖动时手指与表面之间的摩擦力,并指出输入模式似乎会影响目标选择的性能。然而,大多数基础研究都集中在任务的持续时间和终点,而没有注意到的轨迹。2.2轨迹预测模型除了对目标选择的终点和持续时间分析的研究外,还进行了少量的轨迹分析工作。有人试图用最优控制模型来解释生物学机制[12]。除了预测平均行为外,最优控制模型还可以模拟真实环境中意外变化的反馈。该模型能够反映目标选择过程中的不确定性、时滞和不稳定波动,并根据反馈进行调整。Huang等人[13]建立了一个基于线性二次高斯最优反馈控制(OFC)机制的目标选择运动模型。OFC模型可以模拟静止或运动的圆形目标,但没有考虑对运动时间进行建模。Quinn和Zhai[14]开发了一种生产模型,可以预测用户在使用单词手势键盘打字时的时间表现。但由于具体应用的需要,语义信息等其他因素也会对模型有所帮助,332虚拟现实智能硬件2019年11月第3期0可能不适合一般的目标选择任务。在基于交叉的目标选择中,目标形状的特殊性导致了更弯曲的路径和对轨迹建模的更多挑战,这是现有模型难以模拟的。2.3动态模型动态模型可以表示对象随时间的行为,并且广泛用于动态仿真领域。动态模型与现有的轨迹预测模型有一些相似之处。这两种算法都能计算出粒子在当前状态下的运动方向和速度,并根据目标和环境的反馈来调整粒子的运动。最后,粒子的运动状态可以逐步计算。动态模型已被用于模拟人类和动物的伸展运动。Yekutieli等人。[15]使用动态模型来模拟章鱼手臂的伸展运动。Tahara等人。[16]构建了一个肌肉骨骼冗余手臂模型来模拟人类手臂的伸展运动。然而,目标选择是一个更微观的运动,环境和用户的轻微心理波动可能导致轨迹的大变化。Oulasvirta等人[17]试图使用神经力学来模拟用户按下按钮的过程,这也为更复杂的交互提供了解决方案。已经应用于轨迹预测的动态模型的一个实例被称为社会力模型(SFM)。Helbing和Molnar首先引入了“社会力量”这个术语[19],并介绍了他们如何通过测量个人执行某些运动的内部动机来模拟行人的运动[18,21]。本文以动力学模型和SFM为理论基础,将用户控制下的光标视为质点。将影响光标移动的多种因素分解为机械概念。最后,根据牛顿第二定律,预测交叉目标选择的运动状态和轨迹。3轨迹预测模型为了对基于交叉的目标选择运动进行建模,我们参考相关的动力学模型建立了一个力学模型。我们通过用受控力推动粒子来近似定点设备的运动,这可以由牛顿第二定律描述[18]。影响质点p运动的主要力如下:3.1期望的力在接近目标的过程中,由于用户的命令,粒子倾向于以最小的速度扰动到达移动的目的地。参考SFM[19],我们引入了期望方向和期望速度的概念。质量为mp的粒子p,倾向于以期望的速度v0p运动以可变的方向向量epα(t)朝向移动目标,因此粒子可能相应地改变它的实际速度v与弛豫时间τp。粒子所需的力可以用以下形式的加速度项来描述。0()-vt3.2惯性损失fvpepα 不τp(一)在接近目标的过程中,存在惯性,惯性可能会影响后续的帧,333Hao ZHANG et al:基于交叉的目标选择轨迹预测模型-k()()B在加速运动的情况下的运动轨迹。在运动开始时,用户试图在特定的时间内击中目标,运动过程可以被认为是冲动运动。随着粒子逐渐接近目标,惯性作用将减小,因为用户需要相对较低的速度来选择移动目标[20]。为此,我们引入线性惯性损失函数来模拟惯性损失现象。它由以下公式给出:v0e(t)-v惯性损失系数wk为:惯性tpp ατp(二)wk=winiwini-wend2kmax(三)其中w_ini和w_end是系统参数,k_max是轨迹的帧的最大数量,k_t是运动过程的当前帧。3.3边界力粒子也倾向于与屏幕的边界保持一定的距离。当触控笔或手指移向屏幕边界时,用户可能会感到不舒服。因此,屏幕的边界具有排斥效应,该排斥效应可以描述为:rpf=A exp汽车旅馆(4)其中npb是单位矢量,表示垂直于边界的方向,rp表示粒子和边界,A,B是系统参数。3.4相互作用力在基于交叉的目标选择中使用的目标通常是细长的矩形,并且用户习惯性地瞄准较长的边来交叉目标。在这种情况下,我们修改一般的移动方向和插入角度时,穿过目标。如文献[21]中所建议的,我们使用角度来控制受心理因素影响的轨迹弯曲和插入角度。利用粒子运动方向e_p_t与目标运动方向e_α_t之间的夹角来控制粒子的运动轨迹,弯曲的道路。用于控制运动方向的交叉角θV和力ft为定义为:θ=vep(t),eα(t)>(5)D(θV)Erpft=C exp [(六)参考交叉角θi和控制插入角的力f θt,由下式给出θ=θθθ我epα(t),nαori>(7)H(θi)Irpfi=G exp [F](8)其中nαori是目标方位的法向量,epα(t)是表示方向的单位向量从粒子到目标,rp是目标和粒子之间的距离参考SFM和牛顿第二定律,用于基于交叉的目标选择运动的模型最终被定义为:不334虚拟现实智能硬件2019年11月第3期dvpMp4实验设计dt=mp f0t+f惯性t+fpbt+fvt+ft.(九)为了生成用于估计参数的经验数据,我们参考Luo和Vogel的工作进行了基于交叉的选择任务[7]。4.1任务我们设计了与Luo和Vogel[7]使用的任务类似的任务。参与者使用鼠标穿过两个不同方向之一(Ori),八个运动方向之一(Dir),宽度为96像素,速度为每秒192像素的移动目标。目标和起始点之间的初始距离为960像素。基于交叉的目标选择任务如图1所示。4.2参与者和仪器我们招募了15名参与者(8名女性和7名男性,平均年龄为27.3岁)。他们都熟悉电脑和手写笔的使用。实验在联想ThinkPad X1笔记本电脑上进行,具有1.8GHz的Intel Core i7 8550 CPU,连接到带有手写笔的Wacom笔显示器。笔式显示器是一个直接交互的屏幕,只能用手写笔操作,尺寸为13.3英寸,分辨率为1920 × 1080像素。探针长15.4cm,枪管直径9mm,重10g。系统以100Hz的采样频率运行。本研究中的实验程序使用Unity3D和C#代码开发。实验设备和实验装置见图2。4.3优化参数系统参数集[A,B,C,D,E,F,G,H,I,wini,wend,θv,θi]根据第3节中定义的模型选择,这可能会显著影响真实数据和模拟数据之间的相似性。我们定义了每帧的总欧拉距离作为成本函数,以估计相似性值。我们开发了一种遗传算法,以获得最合适的参数集。人口规模定为50人,优化参数集如表1所示。图1 交叉选择任务。(a)定向为0°的目标;(b)定向为90°的目标。图2实验仪器。335≤vX0y0X0y00pX0y0.4793,ep(t),eα(t)>05仿真结果Hao ZHANG et al:基于交叉的目标选择轨迹预测模型表1优化参数为了模拟任务情况的轨迹,我们参数一1847.5值初始化 的 光标 在 一 是说 状态p0=B1157.4pε-2099.5,ep(t),eα(t)>≤θv1916.1,其他pt0)是的开始位置的光标,-(pt0,pt0<$)是初始移动方向,τ0是2.4787,其他E4.9962,ep(t),eα(t)>≤θv弛豫时间表示所需的时间对于光标从较大F的状态移动到1220.34.8709,其他速度波动到稳定状态,-公司简介G1282.4,epα(t),nαori i选择目标的过程,v0p是标量1231.8,其他所需的速度。运动目标α的H位置设定在(1120,540)。实证2.1322,ep α(t),nαori>≤θi9.8106英镑,其他参数见表2。I0.4991,epα(t),nαori>≤θi5.1轨迹比较使用所提出的轨迹预测模型winiwendθv0.90.70.1948-1.5923,否则和优化参数计算的经验数据,我们模拟的轨迹,θi-0.1907基于交叉的目标选择。运动过程开始于穿过起始矩形的时刻,并在移动目标被击中或光标离开屏幕时结束。轨迹的比较如图3所示。为了定量地分析轨迹的相似性,我们使用每帧真实数据和模拟数据之间的欧氏距离。8个Dir和2个Ori的16个复合病例的相似性统计如图4所示。从图3中可以看出,与真实轨迹相比,预测轨迹具有表2经验参数Ori(°)Dir(°)(pt,pt)(p今t,p今t0)τ0p0-1350 - 900-450 00 450 900 1350 180九十到一百三十五90-90九十到四十五90 090 4590 9090 13590 180(841.8,-380.5)(881.7,-335.2)(873.2,-634.5)(853.2,-525.0)(897.9,-403.3)(869.0,-627.1)(929.0,-434.1)(830.1,-305.7)(1333.0,42.8)(1311.6,48.3)(1350.2,59.5)(1369.9,54.0)(1292.5,38.6)(1401.8,19.0)(1322.2,82.8)(1285.3,7.8)DvXy虚拟现实智能硬件2019年11月第3期336(162.7,522.1)(167.1,526.7)(164.3,516.9)(162.6,522.7)(166.4、530.2)(165.3,518.8)(166.5、520.0)(164.2,526.1)(188.7,543.4)(189.5,545.1)(184.0,541.5)(190.0,545.8)(187.0,544.7)(191.6,542.0)(187.5,546.5)(186.9,545.2)0.0450.0290.0390.0200.0690.0340.0150.0230.0270.0250.0400.0200.0260.0270.0280.0511558.41542.61785.61734.61734.31712.31580.31508.01540.61535.11765.51808.61704.91669.51534.61521.4337Hao ZHANG et al:基于交叉的目标选择轨迹预测模型当Ori = 90°时,全长较短,相似性较大。如图4所示,Ori = 0°时的整体轨迹比Ori = 90°时相对较长,轨迹的平均长度为7362.33像素,偏差相对较小,为15.02%。当Ori = 90°时,轨迹的平均长度为5092.20像素,轨迹的偏差较大,为19.55%,总体偏差率为17.28%。图3弹道对比图4弹道的复杂性。5.2终点结果第5.1节中的弹道仿真结果表明,所提出的模型提供了良好的结果预测的端点。终点比较见表3。结果表明,平均终点的平均误差为2.73mm,而靶的总长度为14.4mm。不同的方向对端点中的误差影响较小。当Ori = 0°时,平均终点的平均误差为Hao ZHANG et al:基于交叉的目标选择轨迹预测模型3373.09mm,而平均值的平均误差表3终点比较当Ori = 90°时,终点为2.36mm。当Ori = 90°,Dir = 180° 时 , 终 点 最 大 误 差 为 4.31mm; 当Ori=90° , Dir=45° 时 , 终 点 最 小 误 差 为1.23mm。5.3时间拟合我们进一步研究了经验数据和预测数据之间的时间拟合的比较。采用预测时间与经验数据的比值作为相似性度量标准。时间拟合结果如图5所示。结果表明,本文提出的模型对基于交叉点的目标选择的时间拟合具有较好的预测效果,平均误差为百分之十一点五 仿真结果表明,Ori(°)000000009090909090909090Dir(°)-135-90-4504590135180-135-90-4504590135180终点偏移(mm)4.133.522.183.301.943.032.953.652.301.411.983.101.231.752.844.31当Ori = 90°时,平均误差为6.92%,误差的变异性为16.07%。当Ori = 90°,Dir = 0°时,误差最小(2.95%);当Ori = 0°,Dir = 135°时,误差最大(24.17%)。图5时间拟合比较。6讨论6.1弯曲路径从用户实验获得的实际轨迹中发现,目标选择过程可以分为两个部分:接近目标的脉冲运动过程和降落在目标上的修正运动过程。在运动过程的第一部分,用户调整运动方向,以便他们可以使用目标作为视觉反馈。在运动过程的第二部分,用户将适当调整穿过目标的角度,以确保目标选择的正确率。的愿望338虚拟现实智能硬件2019年11月第3期以获得视觉反馈并在用户心中保持舒适的角度,从而导致弯曲路径。6.2取向影响当Ori = 90°时,光标的移动方向垂直于目标的长边,用户不需要调整方向以确保合适的交叉角度。然而,当Ori = 0°时,用户需要调整两次移动方向,第一次是在接近目标时进行视觉反馈,第二次是实现穿过目标的适当角度。从经验数据中我们可以看出,如果有足够的反应时间,穿过目标的交叉角几乎垂直于目标(例如,当目标的移动方向为90°时)。上述调整都需要额外的控制,这可能会影响选择目标的整体速度,并导致更弯曲的路径。6.3目标选择在本文中,我们使用一个动态模型来模拟选择一个移动目标的过程中,用户的控制。机械原理用于模拟用户在选择目标时的思维和移动方式。将光标看作一个质点,用力学公式量化了可能影响质点运动的因素:欲望力模拟用户接近目标的心理欲望,惯性损失模拟冲动运动到修正运动的转换,边界力模拟运动到目标时场景边界的影响,惯性力模拟运动到目标时场景边界的影响,惯性力模拟运动到目标时场景边界的影响。用交叉角来控制运动方向,模拟出轨迹曲线,并根据牛顿第二定律计算和更新粒子的运动状态。与此同时,动态模型在与情感、多个用户和其他因素相关方面的成功,可以为更好地理解目标选择过程提供指导。6.4模型评估现有的弹道预测模型没有考虑目标形状的影响,不能准确地模拟基于交叉的目标选择过程。本文受动力学相关理论的启发,采用修正力和修正角来模拟由目标形状引起的弹道曲线。仿真结果表明,该模型能够较好地预测目标选择运动的轨迹、终点和命中时间,其轨迹、终点和命中时间的平均误差分别为17.28%、2.73mm和11.50%。与Ori = 0°时的轨迹相比,Ori = 90°时基于交叉的目标选择的轨迹具有更短的路径长度、更短的校正调整和更短的交互时间。此外,本文提出的模型在Ori = 90°时比在Ori = 0°时表现得更好。6.5界面设计在基于交叉的目标选择的特定应用中,界面设计者应该避免大的轨迹曲线。为此,设计者应使目标的长边垂直于连接起点和目标中心的直线,以增加目标选择的准确性。7结论和今后的工作在一些交互式场景中,基于交叉的目标选择运动可以导致较低的错误率和较低的错误率。339Hao ZHANG et al:基于交叉的目标选择轨迹预测模型更高的交互速度。目前,在目标选择领域的大多数研究都集中在分析到达目标所需的时间和互动的结果。很好地理解目标选择的轨迹是很重要的,因为它可以提供洞察力和指导实践对性能的影响,合理的决策,以及这些用户界面的布局设计。轨迹建模的主要挑战是如何以更合适的方式对由用户反应引起的轨迹曲线进行建模。针对上述问题,参照经典的基于交叉的目标选择实验设置,招募被试进行实验。从经验轨迹中我们可以看出,用户在选择目标的过程中更喜欢在速度和准确性之间取得良好的平衡,这会导致用户的反应更加弯曲。实验表明,用户更喜欢选择目标的长边进行穿越。基于动态模型,提出了一种基于交叉目标选择的轨迹预测模型。仿真结果表明,我们的模型表现出良好的预测轨迹,端点和命中时间的交叉为基础的目标选择。然而,我们的模型还远远不够完美。在未来,我们将进一步分析其他参数对基于交叉的目标选择的影响。同时,我们的模型中还可以加入一些其他的影响力,如运动不确定性。此外,可以简化经验数据集。我们的工作可能为理解目标选择运动和其他人机交互研究提供新的视角。引用1St Amant R,Riedl M O.一个感知/行动基板的认知建模HCI。国际人机研究杂志,2001,55(1):15DOI:10.1006/ijhc.2001.04702Accot J. Les tâches automorielles en interaction homme-machine:cas des tâches de navigation.图卢兹1,20013张文辉,张文辉.基于交叉范例设计和评估用户界面的基础。ACM Transactions on Computer-Human Interaction,2010,17(2):1DOI:10.1145/1746259.17462634Fitts P M.人类运动系统控制运动幅度的信息容量。实验心理学杂志:总论,1992,121(3):262DOI:10.1037//0096-3445.121.3.2625作者:Jiang Jia,Zhai S.超越费茨定律:基于语义的人机交互任务模型。在:ACM SIGCHI计算机系统中人为因素会议的会议记录。ACM,1997年,2956张文辉,张文辉.基于交叉范例设计和评估用户界面的基础。ACM Transactions on Computer-Human Interaction,2010,17(2):1DOI:10.1145/1746259.17462637作者:Luo Y.直接触摸输入的交叉选择。在:SIGCHI会议的程序在计算系统中的人为因素。ACM,2014,2627DOI:10.1145/2556288.25573978Forlines C,Balakrishnan R.在指向和交叉选择任务中评估触觉反馈和直接与间接触笔输入。在:SIGCHI会议的人的因素在计算系统的程序。佛罗伦萨,意大利,ACM,2008年,1563DOI:10.1145/1357054.13572999杨文辉,陈文辉,陈文辉.有效的交叉对话框的最佳参数。在:SIGCHI会议的人的因素在计算系统的程序。佛罗伦萨,意大利,ACM,2008,1623-1632 DOI:10.1145/1357054.135730710Cockburn A,Ahlström D,Gutwin C.了解触摸选择的性能:点击、拖动和径向指向拖动340虚拟现实智能硬件2019年11月第3期用手指、手写笔和鼠标。国际人机研究杂志,2012,70(3):218-233 DOI:10.1016/j.ijhcs.2011.11.00211Buxton W,Hill R,Rowley P.,《触摸式平板电脑输入的问题和技术》。ACM SIGGRAPH计算机图形学,1985,19(3):215DOI:10.1145/325165.32523912托多罗夫感觉运动控制中的最优原则。自然神经科学,2004,7(9):907-915 DOI:10.1038/nn 130913黄健,彭晓玲,田芳,王宏,戴国忠.通过利用最优反馈控制机制对目标选择运动进行建模。科学中国信息科学,2018,61(4):044101DOI:10.1007/s11432-017-9326-814张伟,王伟.对手势输入动作进行建模。人机交互,2018,33(3):234-280 DOI:10.1080/07370024.2016.121592215杨志华,李志华.章鱼手臂的动力学模型。章鱼伸展运动的生物力学。神经生理学杂志,2005,94(2):1443-1458 DOI:10.1152/jn.00684.200416杨文,杨文.肌肉骨骼型多馀手臂模型的伸臂动作控制。应用仿生学与生物力学,2009,6(1):11电话:0511 - 8888888传真:0511 - 888888817作者:J. A,J.按钮按下的神经力学。2018 CHI Conference on Human Factors in Computing Systems会议论文集蒙特利尔QC,加拿大,ACM,2018,1-13DOI:10.1145/3173574.317408218Helbing D,Molnár P.行人动力学的社会力模型。物理综述E,1995,51(5):4282 DOI:10.1103/physreve.51.428219作者:J. J.逃离恐慌的动力学特征模拟。自然,2000,407(6803):487DOI:10.1038/3503502320Hajri A A,Fels S,Miller G,Ilich M. 2D图形用户界面中的移动目标选择。2011年:《人机交互》。Berlin,Heidelberg,Springer Berlin Heidelberg,2011,141DOI:10.1007/978-3-642-23771-3_1221放大图片作者:Helbing D,Johansson A.行人、人群和疏散动态。复杂性与系统科学百科全书,2010,16:697
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 李兴华Java基础教程:从入门到精通
- U盘与硬盘启动安装教程:从菜鸟到专家
- C++面试宝典:动态内存管理与继承解析
- C++ STL源码深度解析:专家级剖析与关键技术
- C/C++调用DOS命令实战指南
- 神经网络补偿的多传感器航迹融合技术
- GIS中的大地坐标系与椭球体解析
- 海思Hi3515 H.264编解码处理器用户手册
- Oracle基础练习题与解答
- 谷歌地球3D建筑筛选新流程详解
- CFO与CIO携手:数据管理与企业增值的战略
- Eclipse IDE基础教程:从入门到精通
- Shell脚本专家宝典:全面学习与资源指南
- Tomcat安装指南:附带JDK配置步骤
- NA3003A电子水准仪数据格式解析与转换研究
- 自动化专业英语词汇精华:必备术语集锦
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功