1、semantically

semantically發(fā)音

英：　　美：

semantically中文意思翻譯

常見釋義：

adv.語義地

semantically雙語使用場景

1、Complex transformation is required to achieve semantically consistent data.───進行復雜轉換，以實現(xiàn)數(shù)據(jù)的語義一致性。

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’對于一個類在語義上說未必是正確的。

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(shù)據(jù)庫發(fā)生更改——即使使用XML覆蓋映射——則源代碼無法在語義上映射底層映射。

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，類型的二進制表示形式在語義上是該類型的正確順序。

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)絡會為發(fā)布者提供資金刺激，他們就會給他們的網(wǎng)站建立語義化標記。

6、A relationship correlates at least two semantically equivalent business objects that are represented in different physical formats.───關系將兩個（或更多）物理表現(xiàn)形式不同而語義上相同的業(yè)務對象關聯(lián)起來。

7、Maybe there's a better and more semantically correct way to do your markup.───也許還有一個更好，并更多語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(shù)學歸納法，證明了該協(xié)議滿足順序一致性語義。

9、It also feels semantically wrong to me.───我也覺得它語義上存在問題。

semantically相似詞語短語

1、generative semantics───[語]生成語義學

2、semantic differential───語義差異法；語義區(qū)別；語義分化

3、semantic web───語義網(wǎng)；語義萬維網(wǎng)

4、introducing semantics───引入語義學

5、semantic memory───[計]語義存儲器；語義記憶

6、attentative semantic alignment───注意語義對齊

2、自動駕駛是怎樣工作的SLAM介紹

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

SLAM常用于自主導航，特別是在GPS無信號或不熟悉的地區(qū)的導航。本文中我們將車輛或機器人稱為“實體”。實體的傳感器會實時獲得周圍環(huán)境的信息，并對信息進行分析然后做出決策。

SLAM是一種時間模型，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(jù)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位置來跟蹤他們的移動。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點作為導航狀態(tài)。

SLAM一般包含兩個步驟，預測和測量。為了準確表示導航系統(tǒng)，SLAM需要在狀態(tài)之間以及狀態(tài)和測量之間進行學習。SLAM最常用的學習方法稱為 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型。它是一種遞歸算法，作為系統(tǒng)中不確定性的函數(shù)，使預測可以隨著時間的推移進行校正。不確定性表示為當前狀態(tài)估計和先前測量之間的權重，稱為卡爾曼增益。該算法將實體先前的狀態(tài)，觀測和控制輸入以及當前的觀測和控制輸入作為輸入。過濾器包括兩個步驟：預測和測量。預測過程使用運動模型，可以根據(jù)給定的先前位置和當前的輸入估計當前位置。測量校正過程使用觀察模型，該模型基于估計的狀態(tài)，當前和歷史觀察以及不確定性來對當前狀態(tài)進行最終估計。

第一步涉及了時間模型，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(shù)量的矩陣，將當前狀態(tài)與先前的平均值相關聯(lián)。ε是轉換噪聲，可以確定當前狀態(tài)與前一個狀態(tài)的緊密相關程度。

第二步是“校正”預測。傳感器收集自主導航的測量值。有兩類傳感器：外傳感器器和內(nèi)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，這些是觀察值。內(nèi)傳感器利用編碼器，加速度計和陀螺儀等設備收集系統(tǒng)內(nèi)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體中進行計算。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(tǒng)。

公式2. μₘ表示測量平均向量。Φ是狀態(tài)數(shù)量的將測量的平均值與當前狀態(tài)相關聯(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，我們就不會對拍攝內(nèi)容的質(zhì)量報太大期望?？柭鲆孑^小意味著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。

更新過程如下：

公式4. 使用卡爾曼增益的卡爾曼濾波學習過程。圖片來自Simon JD Prince（2012）。

雖然這種方法非常有用，但它還存在一些問題?？柭鼮V波假定單模態(tài)分布可以用線性函數(shù)表示。解決線性問題的兩種方法是擴展卡爾曼濾波器（EFK）和無跡卡爾曼濾波器（UFK）。EFK使用泰勒展開來逼近線性關系，而UFK使用一組質(zhì)量點近似表示正態(tài)，這些質(zhì)量點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，算法就通過非線性函數(shù)傳遞質(zhì)量點以創(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。

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

粒子濾波允許通過空間中的粒子來表示多個假設，高維度需要更多粒子。每個粒子都被賦予一個權重，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始，并從該分布中采樣預測狀態(tài)。測量校正根據(jù)粒子與觀測數(shù)據(jù)的一致程度（數(shù)據(jù)關聯(lián)任務）來調(diào)整權重。最后一步是對結果權重進行歸一化，使總和為1，因此它們是0到1的概率分布。

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

下圖來自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方面。核心方案是使用學習算法，其中一些在上文討論過。地圖的類型是捕獲環(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。

在線跟蹤中最常用的功能是顯著特征和標記。標記是在環(huán)境中由3D位置和外觀描述的區(qū)域（Frintrop和Jensfelt，2008）。顯著特征是由2D位置和外觀描述的圖像區(qū)域。深度學習技術通常用于在每個時間點描述并檢測這些顯著特征，以向系統(tǒng)添加更多信息。檢測是識別環(huán)境中的顯著元素的過程，描述是將對象轉換為特征向量的過程。

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）”。回環(huán)檢測是識別已經(jīng)訪問過的任意長度的循環(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系進行推斷。這種方法的主要挑戰(zhàn)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