Wandering's Blog

1.引言 1.1 项目背景 1.1.1 室内定位 随着联网移动设备的流行，以及交通的快速发展，人们对个人定位的需求越来越高。基于位置的服务也有广泛的应用，并被广泛应用于导航、追踪和导游等方面。的关键技术是导航定位，包括室外到室内的定位。传统的全球定位系统和移动通信等技术方法都在室外环境中有着较为成熟的算法和较高的精度，但是其在室内环境中的表现则不尽人意。近几十年来，室内定位技术也在不断发展进步，但是各种技术都各有优缺，如何保证行人定位的准确度和连续性，是室内定位技术研究的重点。 随着智能设备的普及，基于位置的服务(LBS)成为人们日常生活中必不可 少的一部分。现代人有 80%的时间是在室内度过的。如何在室内环境中准确地确 定用户的位置，成为近年来的一个热门研究课题。 在室外空间，以 GPS、北斗为代表的卫星定位系统能够满足人们在户外开阔 环境中的定位需求;但在室内环境中，由于建筑结构、室内障碍物对卫星信号的 阻挡和反射，卫星定位系统会产生较大的定位误差。 因此，研究者们提出了多种基于无线信号的室内定位方案，利用的信号包括 Wi-Fi、蓝牙、超声波、超宽带、惯性传感器、红外线、声信 ...

Abstract 原文：CLAD :A realistic Continual Learning benchmark for Autonomous Driving, generated by HuaWei Noah’s Ark Lab CLAD：新的自动驾驶持续学习基准，侧重于物体分类和物体检测问题（object classsification and object detection） 数据集：SODA10M CLAD-C： 在线分类基准，通过一个时间顺序的数据流实现，提出了类和域增量挑战（class and domain incremental） CLAD-D： 域增量连续对象检测基准 Introduction 对于一个自动驾驶机器学习系统，知道一个模型将如何、在何处使用，以及它将如何失败，几乎是一项不可能的任务。虽然避免所有可能的失败是不可能的，但降低将新知识纳入系统的成本是一个更可行的目标。对于机器学习的数据集，是在一个环境（context）中收集的，这个环境最终决定了机器学习过程中包含完整集合中的哪些对象 认识到这种环境（context）很少是 ...