Hi res Wireless的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

Hi res Wireless進入發燒排行的影片

應用深度學習於同步定位與地圖構建之研究

為了解決Hi res Wireless的問題，作者李承翰 這樣論述：

近年來，同步定位與地圖構建 (Simultaneous Localization And Mapping, SLAM) 蓬勃發展，而其中根據傳感器的不同分為雷達SLAM (lidar-based SLAM) 以及視覺SLAM (visual-based SLAM , vSLAM)，vSLAM是以相機影像作為即時輸入，進而提取影像特徵點來進行定位建圖。然而在具有動態目標 (例如:人、車等) 的環境下，vSLAM會將動態目標一併寫入地圖，使地圖準確性大幅下降。本文目的即為改善此問題，將深度學習模型結合於Real-Time Appearance-Based Mapping (RTAB-Map)，

最後將其應用在移動機器人上，而移動機器人是在室內運行，因此本文著重在動態目標為人的情況進行改善。本文提出之系統將分為兩個部分，第一部分利用輕量化實例分割模型偵測人物位置以及遮罩，第二部分則是利用第一部分之結果與深度圖進行遮罩融合，使其遮罩結果更為完整，最後將已濾除人物之圖像作為RTAB-Map的輸入，進而構建出無人物圖像的地圖結果。在輕量化實例分割模型上，本文利用YOLACT-Edge作為偵測模型，並更改其特徵提取層，將MobileNetV2替換為ReXNet-lite，並經由TensorRT加速後，在Xavier NX上達到30.2 FPS (Frame Per Second) 的推論速度，

並在mAP的表現上提升了將近3%。由於本文提出之系統以偵測人物作為主要目的，因此加入遷移學習任務使模型在人物偵測上的效能更加完善。目前遷移學習已被廣泛利用於各個領域上，藉由「源域」與「目標域」之相關特性，能將從源域所學習到的知識轉移給目標域，而後進行微調，使其適用於目標域之任務。本文利用MSCOCO中的80種類別作為「源域」，Pascal SBD的人物類別作為「目標域」，並對其參數調整進行探討。最後實驗結果顯示，經過遷移學習後之模型與單純只訓練目標域之模型相比，在mAP分數上提升了將近5 %的效果。RTAB-Map藉由與本文提出之系統結合後，在TUM資料集驗證上減少了平均約81%的絕對投影誤差

(Absolute Trajectory Error, ATE) 以及平均約78%的相對位姿誤差 (Related Position Error, RPE)，並可在移動機器人上以10.1 FPS的處理速度運行，使其能於實際環境中進行無動態目標的地圖定位以及繪製。