Uma demonstração completa de ponta a ponta na qual coletamos dados de treinamento no Unity e usamos esses dados para treinar uma rede neural profunda para prever a pose de um cubo. Este modelo é então implantado em uma tarefa simulada de pegar e colocar robótica.
Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.
Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.
Grátis · sem cartão · cancele quando quiserUma demonstração completa de ponta a ponta na qual coletamos dados de treinamento no Unity e usamos esses dados para treinar uma rede neural profunda para prever a pose de um cubo. Este modelo é então implantado em uma tarefa simulada de pegar e colocar robótica.
Robotics-Object-Pose-Estimation tem 346 estrelas no GitHub. Foi bifurcado 83 vezes. Robotics-Object-Pose-Estimation é escrito principalmente em Python. Está em desenvolvimento ativo desde 2021. Robotics-Object-Pose-Estimation está disponível sob a licença Apache-2.0. Os seus principais temas são: autonomy, computer-vision, deep-learning, machine-learning.
Uma demonstração completa de ponta a ponta na qual coletamos dados de treinamento no Unity e usamos esses dados para treinar uma rede neural profunda para prever a pose de um cubo. Este modelo é então implantado em uma tarefa simulada de pegar e colocar robótica.
Robotics-Object-Pose-Estimation é um projeto de código aberto. É distribuído sob a licença Apache-2.0.
Sim. Robotics-Object-Pose-Estimation é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.
Robotics-Object-Pose-Estimation está disponível sob a licença Apache-2.0.
Robotics-Object-Pose-Estimation é escrito principalmente em Python.
Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.
[](https://opensourceai.tech/project/unity-technologies-robotics-object-pose-estimation.html)
Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.