Although our ultimate goal would be

Although our ultimate goal would be to implement this on
embedded hardware, given the utilization of a GPU we would
definitely obtain an accelerated performance. Another
advantage of this algorithm is its ability to construct a
comprehensive data model of the scene ahead comprised of
different types of targets and landmarks commonly
encountered on an urban road scenario. This is achieved usingAdaboost machine learning technique [4] which accounts for a
varied set of targets, landmarks even when they appear
different from different viewing angles. The necessity of
detecting these landmarks is to construct a set of distinct
regions in the form of a map. This accounts for the Visual
SLAM task while also localizing the current position of the
vehicle within the map [5]. The problem of SLAM is being
dealt with by a majority of autonomous vehicle researchers but
evaluating this algorithm was necessary to help us understand
the requirement of a general purpose object detection method
for autonomous vehicle platforms.

ผลลัพธ์ (ไทย) 1:

แม้ว่าเป้าหมายสูงสุดของเราจะใช้นี้บน
ฝังฮาร์ดแวร์ ให้ใช้ GPU เราจะ
แน่นอนขอรับมีประสิทธิภาพรวดเร็ว อื่น
ประโยชน์ของอัลกอริทึมนี้คือ ความสามารถในการสร้างการ
รูปแบบครอบคลุมข้อมูลฉากข้างหน้าประกอบด้วย
แตกเป้าหมายและสถานที่ทั่วไป
บนสถานการณ์ถนนในเมือง นี่คือทำได้ usingAdaboost เครื่องเรียนเทคนิค [4] ซึ่งเป็น
ชุดของเป้าหมาย สถานแม้ปรากฏที่แตกต่างกัน
แตกต่างจากมุมมองอื่น การ
ตรวจสถานเหล่านี้จะสร้างชุดของหมด
ภูมิภาคในรูปแบบของแผนที่ นี้บัญชีสำหรับ Visual
สแลมงานขณะยัง ทั้งตำแหน่งปัจจุบันของการ
ยานพาหนะภายในแผนที่ [5] ปัญหาของชัยชนะกำลัง
ลแก้ โดยส่วนใหญ่นักวิจัยอิสระรถ แต่
ประเมินอัลกอริทึมนี้ไม่จำเป็นต้องช่วยให้เราเข้าใจ
ความต้องการของวิธีการตรวจสอบวัตถุประสงค์ทั่วไป
สำหรับแพลตฟอร์มรถเขตปกครองตนเอง

ผลลัพธ์ (ไทย) 2:

แม้ว่าเป้าหมายสูงสุดของเราจะเป็นในการดำเนินการนี้บน
ฮาร์ดแวร์ฝังตัวที่ได้รับการใช้ประโยชน์ของ GPU เราจะ
แน่นอนได้รับประสิทธิภาพการทำงานที่เร่งตัวขึ้น อีก
ประโยชน์จากอัลกอริทึมนี้คือความสามารถในการสร้าง
แบบจำลองข้อมูลที่ครอบคลุมของฉากประกอบด้วยข้างหน้า
ชนิดที่แตกต่างกันของเป้าหมายและสถานที่สำคัญโดยทั่วไป
พบกับสถานการณ์ที่ถนนในเมือง นี่คือความสำเร็จเทคนิคการเรียนรู้เครื่อง usingAdaboost [4] ที่บัญชีสำหรับ
ชุดที่แตกต่างกันของเป้าหมายและสถานที่สำคัญแม้กระทั่งเมื่อพวกเขาปรากฏ
แตกต่างจากมุมมองที่แตกต่างกัน ความจำเป็นของ
การตรวจสอบสถานที่สำคัญเหล่านี้คือการสร้างชุดที่แตกต่าง
ภูมิภาคในรูปแบบของแผนที่ บัญชีนี้สำหรับภาพ
งานดันในขณะที่ยัง localizing ตำแหน่งปัจจุบันของ
ยานพาหนะที่อยู่ในแผนที่ [5] ปัญหาของสแลมจะถูก
จัดการโดยส่วนใหญ่ของนักวิจัยยานพาหนะของตนเอง แต่
ขั้นตอนวิธีการประเมินนี้เป็นสิ่งจำเป็นที่จะช่วยให้เราเข้าใจ
ความต้องการของวิธีการตรวจสอบวัตถุที่ใช้งานทั่วไป
สำหรับแพลตฟอร์มยานพาหนะในกำกับของรัฐ

ผลลัพธ์ (ไทย) 3:

แม้ว่าเป้าหมายสูงสุดของเราที่จะใช้นี้บน
ฝังตัวฮาร์ดแวร์ให้ใช้ GPU เราจะ
แน่นอนขอรับงานเร่ง . ข้อดีของวิธีนี้คืออีก

ความสามารถในการสร้างโมเดลข้อมูลที่ครอบคลุมของฉากข้างหน้าประกอบด้วย
แตกต่างกันประเภทของเป้าหมายและสถานที่ที่พบบนถนนเมือง
สถานการณ์นี่คือความ usingadaboost เครื่องเทคนิคการเรียนรู้ [ 4 ] ซึ่งบัญชีสำหรับ
หลากหลายชุดของเป้าหมาย สถานที่ แม้เมื่อพวกเขาปรากฏ
แตกต่างจากมุมมองที่แตกต่างกัน . ความจำเป็นของการตรวจสอบเหล่านี้คือการสร้างสถานที่

ชุดของภูมิภาคที่แตกต่างกันในรูปแบบของแผนที่ นี้บัญชีสำหรับงานกระแทกภาพ
ในขณะที่ยัง จำกัด ตำแหน่งปัจจุบันของ
รถในแผนที่ [ 5 ] ปัญหาของ Slam ถูก
แจกด้วย โดยนักวิจัยอิสระ แต่ส่วนใหญ่รถ
ประเมินวิธีนี้จำเป็นที่ช่วยให้เราเข้าใจความต้องการของวัตถุประสงค์ทั่วไป

สำหรับการตรวจจับวัตถุวิธีแพลตฟอร์มยานพาหนะในกำกับของรัฐ