传感器

首页 标签 传感器
# 传感器 #
关注
14667内容
|
8小时前
|
多读写器环境下的 RFID 防冲突与频谱协调设计
密集部署下读取率渐变劣化的根因是读写器互相干扰。本文拆出标签、读写器-标签、读写器-读写器三层冲突,给出跳频信道图规划与功率约束的频分手段、轮询/触发/抢占的时分调度、部署期干扰预排查四步,以及运行期冲突率与漏读率双指标校准。
|
11小时前
|
2026 AI 体育赛事战技法分析系统如何构建?
2026年,AI体育战技法分析系统以“多视角CV+传感器融合”为底座,构建标准化坐标映射与技战术图谱,融合ST-GNN与多模态大模型,实现自动追踪、量化评估、智能剪辑与赛前推演闭环。复盘缩至数分钟,指标直击“防线脱节”等模糊表述,赋能青训选材、精准训练与伤病预警。(239字)
|
13小时前
|
A Survey of Visual Localization and Relocalization Methods |视觉定位与重定位方法综述
视觉定位与重定位旨在从图像中估计相机在已知场景中的六自由度位姿,其核心价值在于为增强现实、自动驾驶及机器人导航提供空间感知基础。早期研究依赖基于结构的几何方法,通过构建稀疏三维点云并求解特征匹配,虽精度极高却受制于巨大的存储与计算开销。当大规模户外与隐私敏感场景暴露出传统地图的维护瓶颈后,研究者转向场景坐标回归与绝对位姿回归,用端到端神经表示换取流水线简化,但陷入了泛化能力不足的困境。随着三维高斯泼溅与基础模型的引入,领域重心转向利用紧凑神经表示与零样本几何推理,以解决纹理稀疏与跨设备互操作性挑战。各路线在几何鲁棒性、存储效率与隐私保护之间做出了不同取舍,由此形成当前多元并存的方法格局。
|
13小时前
|
A Survey of Vision-and-Language Navigation Methods |视觉-语言导航方法综述
视觉-语言导航(Vision-and-LanguageNavigation,VLN)旨在让具身智能体依据自然语言指令在三维环境中自主移动,其核心价值在于统一评估感知、语言理解与空间推理能力。早期研究基于离散拓扑图进行节点选择,虽简化了规划问题,却因忽略几何约束与碰撞风险而存在严重的仿真到现实差距。2020年连续环境基准的提出迫使模型转向低层动作控制,要求智能体具备精细的几何感知与运动规划能力。随着多模态大语言模型(MLLM)的崛起,研究范式从依赖大规模标注的模仿学习转向基于基础模型的零样本推理,核心挑战演变为语义接地与长时程状态管理。
|
13小时前
|
A Survey on Adversarial Robustness in Vision-Language Pre-training |视觉语言预训练对抗鲁棒性研究综述
视觉语言预训练(Vision-LanguagePre-training,VLP)通过对比学习对齐图文嵌入空间,赋予模型强大的零样本泛化能力,这一机制在带来开放世界理解优势的同时,也引入了跨模态对齐的结构性脆弱。早期研究聚焦于单模态像素级攻击,随后范式迅速转向多模态协同攻击与黑盒迁移攻击,揭示了图文语义匹配机制是误导模型预测的核心突破口。随着模型在自动驾驶与医疗等安全关键领域的部署,研究重心从单纯提升攻击成功率,转向构建兼顾鲁棒性与精度的防御体系,核心矛盾演化为准确性与鲁棒性之间的固有权衡。
|
14小时前
|
A Survey on Sparse-Sensor and Egocentric Human Motion Capture Methods |稀疏传感器与第一人称人体运动捕捉方法综述
稀疏传感器与第一人称人体运动捕捉旨在从极少量惯性信号或头戴式视频推断全身姿态,其核心价值在于打破传统光学动捕系统对昂贵硬件与受控环境的依赖。早期研究以确定性回归为主线,通过循环网络将稀疏惯性测量单元(IMU)映射为关节旋转,思路简洁却受制于病态逆问题的多解性。当跨域基准暴露出腿部运动模糊与全局漂移后,研究者引入扩散模型与物理仿真,用生成式先验和力学约束换取运动自然度与全局一致性。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从信号回归到物理一致生成的因果演进链条,为读者提供一张领域认知地图。
|
14小时前
|
Deep Generative Models for Inverse Problems |深度生成模型逆问题求解综述
逆问题旨在从含噪、不完整的观测中恢复未知信号,其病态本质要求引入强先验约束以稳定解空间。传统方法依赖总变分或稀疏性假设,难以捕捉复杂数据分布,导致重建质量在医学成像与计算摄影等场景中遭遇瓶颈。2022年扩散后验采样(DPS)确立了利用预训练生成模型作为先验、结合似然项进行后验采样的框架,标志着从“手工正则化”向“学习式先验”的范式转变。随后,研究重心从单纯的像素级重建质量转向计算效率与理论保证,涌现出无梯度引导、潜空间优化及基于流匹配的确定性求解器。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。
|
14小时前
|
A Survey on Multimodal Learning Robustness and Modality Interaction |多模态鲁棒性与模态交互方法综述
多模态学习旨在融合视觉、听觉与文本等异构数据以提升模型性能,其核心驱动力源于对现实世界数据不完备性的应对。早期研究假设模态完整且质量均衡,但实际部署中传感器故障与隐私限制导致模态缺失与质量失衡成为常态,这构成了该领域兴起的根本原因。2020至2026年间,领域经历了从“数据补全”到“鲁棒融合”的范式转变,初期依赖生成式模型重建缺失模态,但计算开销大且易引入噪声。随着预训练模型的普及,研究重心转向利用提示学习和轻量级适配器在冻结骨干网络下处理缺失模态,显著降低了计算成本。随后,针对模态间信息贡献不均导致的“模态懒惰”问题,梯度调制和锐度感知最小化等优化策略成为主流,旨在平衡不同模态的学习速率。
|
14小时前
|
A Survey of World Models for Reinforcement Learning and Robotics |世界模型在强化学习与机器人中的范式演进
世界模型(WorldModels)旨在构建智能体的内部模拟器,通过预测环境动力学来替代高成本的真实交互,其核心价值在于解决强化学习(RL)样本效率低下与计算资源受限之间的根本矛盾。早期研究依赖显式物理模型或像素级重建,虽确立了“在想象中规划”的范式,却受制于无关视觉细节带来的优化困难与长时程误差累积。随着循环状态空间模型(RSSM)的引入,潜空间动力学学习成为主流,大幅提升了样本效率,但暴露出表示坍缩与不确定性量化失效等新问题。近期,联合嵌入预测架构(JEPA)与扩散模型的介入,推动研究重心从生成式重建转向预测性表征,并逐步融合视觉-语言-动作(VLA)模型以支持具身智能。
|
14小时前
|
A Survey of Wearable Physiological Stress Detection |可穿戴生理压力检测综述
可穿戴生理压力检测旨在利用连续生理信号替代传统问卷,其核心价值在于弥补临床评估在连续性与生态效度上的缺失。早期研究聚焦于实验室环境下的静态二分类,依赖心率变异性(HRV)与皮肤电活动(EDA)等单模态信号,思路简洁却受制于个体差异与信号非平稳性。当留一受试者(LOSO)评估暴露出跨个体泛化瓶颈后,研究者转向多模态融合与自监督预训练,用更强的表示学习换取对噪声与异质性的鲁棒性。随后,领域重心从追求平均准确率转向临床可信度,引入结构歧义检测与可靠性路由,以牺牲部分覆盖率换取预测的安全性。各路线在泛化能力、计算成本与可解释性之间做出了不同取舍,由此形成当前多元并存的方法格局。
免费试用