1、semantically

semantically發(fā)音

英：　　美：

semantically中文意思翻譯

常見(jiàn)釋義：

adv.語(yǔ)義地

semantically雙語(yǔ)使用場(chǎng)景

1、Complex transformation is required to achieve semantically consistent data.───進(jìn)行復雜轉換，以實(shí)現數據的語(yǔ)義一致性。

2、Among the faithful, there are those who believe that 'less than' is not necessarily semantically correct for a class.───有些人認為’小于’對于一個(gè)類(lèi)在語(yǔ)義上說(shuō)未必是正確的。

3、If my database changes -- even if I use XML to override the mappings -- my source code does not semantically map the underlying mapping.───如果數據庫發(fā)生更改——即使使用XML覆蓋映射——則源代碼無(wú)法在語(yǔ)義上映射底層映射。

4、This flag indicates that the binary representation for the type is in the semantically correct order for that type.───此標志指明，類(lèi)型的二進(jìn)制表示形式在語(yǔ)義上是該類(lèi)型的正確順序。

5、The company believes that its new ad network will provide monetary incentive for publishers to have their websites marked up semantically.───公司相信，這種新的廣告網(wǎng)絡(luò )會(huì )為發(fā)布者提供資金刺激，他們就會(huì )給他們的網(wǎng)站建立語(yǔ)義化標記。

6、A relationship correlates at least two semantically equivalent business objects that are represented in different physical formats.───關(guān)系將兩個(gè)（或更多）物理表現形式不同而語(yǔ)義上相同的業(yè)務(wù)對象關(guān)聯(lián)起來(lái)。

7、Maybe there's a better and more semantically correct way to do your markup.───也許還有一個(gè)更好，并更多語(yǔ)義更正您的標記的方法。

8、By mathematical induction, we have proved that this protocol semantically satisfies the sequential consistency.───運用數學(xué)歸納法，證明了該協(xié)議滿(mǎn)足順序一致性語(yǔ)義。

9、It also feels semantically wrong to me.───我也覺(jué)得它語(yǔ)義上存在問(wèn)題。

semantically相似詞語(yǔ)短語(yǔ)

1、generative semantics───[語(yǔ)]生成語(yǔ)義學(xué)

2、semantic differential───語(yǔ)義差異法；語(yǔ)義區別；語(yǔ)義分化

3、semantic web───語(yǔ)義網(wǎng)；語(yǔ)義萬(wàn)維網(wǎng)

4、introducing semantics───引入語(yǔ)義學(xué)

5、semantic memory───[計]語(yǔ)義存儲器；語(yǔ)義記憶

6、attentative semantic alignment───注意語(yǔ)義對齊

2、自動(dòng)駕駛是怎樣工作的SLAM介紹

SLAM是機器人或車(chē)輛建立當前環(huán)境的全局地圖并使用該地圖在任何時(shí)間點(diǎn)導航或推斷其位置的過(guò)程。

SLAM常用于自主導航，特別是在GPS無(wú)信號或不熟悉的地區的導航。本文中我們將車(chē)輛或機器人稱(chēng)為“實(shí)體”。實(shí)體的傳感器會(huì )實(shí)時(shí)獲得周?chē)h(huán)境的信息，并對信息進(jìn)行分析然后做出決策。

SLAM是一種時(shí)間模型，它的目標是從復雜的信息中計算出一系列狀態(tài)，包括預期環(huán)境，距離，以及根據之前的狀態(tài)和信息得出的路徑 。有許多種狀態(tài)，例如，Rosales和Sclaroff（1999）使用狀態(tài)作為行人邊界框的3D位置來(lái)跟蹤他們的移動(dòng)。Davison 等人（2017）使用單目相機的相機位置，相機的4D方向，速度和角速度以及一組3D點(diǎn)作為導航狀態(tài)。

SLAM一般包含兩個(gè)步驟，預測和測量。為了準確表示導航系統，SLAM需要在狀態(tài)之間以及狀態(tài)和測量之間進(jìn)行學(xué)習。SLAM最常用的學(xué)習方法稱(chēng)為 卡爾曼濾波 。

卡爾曼濾波是一種用于狀態(tài)估計的貝葉斯濾波類(lèi)型。它是一種遞歸算法，作為系統中不確定性的函數，使預測可以隨著(zhù)時(shí)間的推移進(jìn)行校正。不確定性表示為當前狀態(tài)估計和先前測量之間的權重，稱(chēng)為卡爾曼增益。該算法將實(shí)體先前的狀態(tài)，觀(guān)測和控制輸入以及當前的觀(guān)測和控制輸入作為輸入。過(guò)濾器包括兩個(gè)步驟：預測和測量。預測過(guò)程使用運動(dòng)模型，可以根據給定的先前位置和當前的輸入估計當前位置。測量校正過(guò)程使用觀(guān)察模型，該模型基于估計的狀態(tài)，當前和歷史觀(guān)察以及不確定性來(lái)對當前狀態(tài)進(jìn)行最終估計。

第一步涉及了時(shí)間模型，該模型基于先前的狀態(tài)和一些噪聲生成預測。

公式1. 預測模型。μ表示狀態(tài)的平均變化向量。ψ是狀態(tài)數量的矩陣，將當前狀態(tài)與先前的平均值相關(guān)聯(lián)。ε是轉換噪聲，可以確定當前狀態(tài)與前一個(gè)狀態(tài)的緊密相關(guān)程度。

第二步是“校正”預測。傳感器收集自主導航的測量值。有兩類(lèi)傳感器：外傳感器器和內傳感器(proprioceptive)。外傳感器從外部環(huán)境中收集信息，包括聲納，距離激光，相機和GPS。在SLAM中，這些是觀(guān)察值。內傳感器利用編碼器，加速度計和陀螺儀等設備收集系統內部信息，如速度，位置，變化和加速度。在SLAM中，這些是單元控制，傳感器結果輸入到實(shí)體中進(jìn)行計算。這些傳感器各有利弊，但相互組合可以產(chǎn)生非常有效的反饋系統。

公式2. μₘ表示測量平均向量。Φ是狀態(tài)數量的將測量的平均值與當前狀態(tài)相關(guān)聯(lián)。εₘ是測量噪聲，通常以協(xié)方差Σₘ分布。

卡爾曼增益增強了測量的可信性。例如，如果相機失焦，我們就不會(huì )對拍攝內容的質(zhì)量報太大期望?？柭鲆孑^小意味著(zhù)測量對預測的貢獻很小并且不可靠，而卡爾曼增益較大則正好相反。

公式 3.卡爾曼增益計算，Σ₊是預測的協(xié)方差。

更新過(guò)程如下：

公式4. 使用卡爾曼增益的卡爾曼濾波學(xué)習過(guò)程。圖片來(lái)自Simon JD Prince（2012）。

雖然這種方法非常有用，但它還存在一些問(wèn)題?？柭鼮V波假定單模態(tài)分布可以用線(xiàn)性函數表示。解決線(xiàn)性問(wèn)題的兩種方法是擴展卡爾曼濾波器（EFK）和無(wú)跡卡爾曼濾波器（UFK）。EFK使用泰勒展開(kāi)來(lái)逼近線(xiàn)性關(guān)系，而UFK使用一組質(zhì)量點(diǎn)近似表示正態(tài)，這些質(zhì)量點(diǎn)具有與原始分布相同的均值和協(xié)方差。一旦確定了質(zhì)量點(diǎn)，算法就通過(guò)非線(xiàn)性函數傳遞質(zhì)量點(diǎn)以創(chuàng )建一組新的樣本，然后將預測分布設置為正態(tài)分布，均值和協(xié)方差等效于變換點(diǎn)。

由卡爾曼濾波強加的單模分布假設意味著(zhù)不能表示其他狀態(tài)假設。粒子濾波是解決這些問(wèn)題的常用方法。

粒子濾波允許通過(guò)空間中的粒子來(lái)表示多個(gè)假設，高維度需要更多粒子。每個(gè)粒子都被賦予一個(gè)權重，該權重表示其所代表的狀態(tài)假設中的置信度。預測從原始加權粒子的采樣開(kāi)始，并從該分布中采樣預測狀態(tài)。測量校正根據粒子與觀(guān)測數據的一致程度（數據關(guān)聯(lián)任務(wù)）來(lái)調整權重。最后一步是對結果權重進(jìn)行歸一化，使總和為1，因此它們是0到1的概率分布。

因為粒子的數量可以不斷增多，因此對該算法的改進(jìn)集中在如何降低采樣的復雜性。重要性采樣和Rao-Blackwellization分區是常用的兩種方法。

下圖來(lái)自Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012)的論文“Visual simultaneous localization and mapping: a survey”，總結了到2010年的SLAM中的一些方法。他們的研究分為幾個(gè)方面。核心方案是使用學(xué)習算法，其中一些在上文討論過(guò)。地圖的類(lèi)型是捕獲環(huán)境幾何屬性的度量圖，或者是描述不同位置之間的連接的拓撲圖。

在線(xiàn)跟蹤中最常用的功能是顯著(zhù)特征和標記。標記是在環(huán)境中由3D位置和外觀(guān)描述的區域（Frintrop和Jensfelt，2008）。顯著(zhù)特征是由2D位置和外觀(guān)描述的圖像區域。深度學(xué)習技術(shù)通常用于在每個(gè)時(shí)間點(diǎn)描述并檢測這些顯著(zhù)特征，以向系統添加更多信息。檢測是識別環(huán)境中的顯著(zhù)元素的過(guò)程，描述是將對象轉換為特征向量的過(guò)程。

應用SLAM的方案有兩種，一種是回環(huán)檢測（loop closure），另一種是“機器人綁架（kidnapped robot）”?；丨h(huán)檢測是識別已經(jīng)訪(fǎng)問(wèn)過(guò)的任意長(cháng)度的循環(huán)偏移，“機器人綁架”不使用先前的信息去映射環(huán)境。

SLAM是自主導航中常用的狀態(tài)時(shí)間建模的框架。它主要基于概率原理，對狀態(tài)和測量的后驗和先驗概率分布以及兩者之間的關(guān)系進(jìn)行推斷。這種方法的主要挑戰是計算復雜。狀態(tài)越多，測量越多，計算量越大，在準確性和復雜性之間進(jìn)行權衡。

[1] Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012). Visual simultaneous localization and mapping: a survey. Artificial Intelligence Review, 43(1), 55–81. https://doi.org/10.1007/s10462-012-9365-8

[2] Durrant-Whyte, H., & Bailey, T. (2006). Simultaneous localization and mapping: Part I. IEEE Robotics and Automation Magazine, 13(2), 99–108. https://doi.org/10.1109/MRA.2006.1638022

[3] T. Bailey and H. Durrant-Whyte (2006). “Simultaneous localization and mapping (SLAM): part II,” in IEEE Robotics & Automation Magazine, vol. 13, no. 3, pp. 108–117. doi: 10.1109/MRA.2006.1678144

[4] Simon J. D. Prince (2012). Computer Vision: Models, Learning and Inference. Cambridge University Press.

[5] Murali, V., Chiu, H., & Jan, C. V. (2018). Utilizing Semantic Visual Landmarks for Precise Vehicle Navigation.

[6] Seymour, Z., Sikka, K., Chiu, H.-P., Samarasekera, S., & Kumar, R. (2019). Semantically-Aware Attentive Neural Embeddings for Long-Term 2D Visual Localization. (1).

[7] Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012). Visual simultaneous localization and mapping: a survey. Artificial Intelligence Review, 43(1), 55–81. https://doi.org/10.1007/s10462-012-9365-8