1016.4米大约有几层楼房?

1016.4米大约有几层楼房?_百度知道
1016.4米大约有几层楼房?
答题抽奖
首次认真答题后
即可获得3次抽奖机会,100%中奖。
要是住宅楼理论上估计三百八十层吧!办公楼理论上要330层左右!反正世界上没有这么高的楼!
luJun1992907
luJun1992907
采纳数:499
获赞数:342
擅长:暂未定制
338 层楼房!!
来自知道合伙人认证行家
科学技术类行家
采纳数:5407
获赞数:6081
毕业于南阳理工学院。 2001年至今从事防爆专业 先做防爆电气销售
楼房的标准高度:2.6米、2.7米、2.8米。1016.4米大约有:363~391层
秦川太白哈士奇
秦川太白哈士奇
采纳数:56
擅长:暂未定制
第一是四米左右,第二以上应该是三米多,所以差不多是三百左右
擅长:暂未定制
300层左右吧
其他6条回答
为你推荐:
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。<h3 class="form-title" data-v-6b秒快速估算装修报价㎡立即计算一块长4米,宽2米的地毯售价为760元这种地毯平均每平方米售价多少元wduser_解:先求出长方形地毯的面积,再用售价除以面积得出每平方米的售价。
760÷(4x2)=760÷8=95(元)
平均每平方米售价95元热门问答1234567891011121314151617181920查看更多21222324252627282930测黄道吉日抢平台优惠一种具有基于CNN的闭环反馈的用于自动驾驶车辆的端到端转向控制器
摘要:过去几十年的许多重要研究成果表明,卷积( CNNs )能够控制方向盘,这是车辆的基本和必要的操作动作。与传统的基于CNN的方法相比,我们提出了一种具有基于CNN的闭环反馈的用于自动驾驶车辆的端到端转向控制器,该控制器提高了驾驶性能。本文证明了所提出的神经网络DAVE - 2SKY能够通过初始监督预训练和随后的强化闭环后训练,利用安装在车辆上的摄像机的图像来学习推断方向盘角度,用于自动驾驶车辆的横向控制。
我们使用PreS和Caffe框架在环境软件(SIL)仿真环境中进行多种环境下的训练。我们使用DRIVE PX2计算机来实现一辆自动驾驶汽车对所提议的端到端控制器进行的实验验证。仿真和道路试验也研究了该系统的性能。这项工作表明,基于CNN的端到端控制器即使在部分可观察的道路条件下也能执行强大的转向控制,这表明由基于CNN的端到端转向控制器控制完全自动驾驶车辆的可能性。
在过去几十年中,在工业机构包括汽车原始设备制造商( OEMs )、相关公司、研究机构和大学的不断努力下,自动驾驶技术取得了显著成就。此外,的重大进步使得使用深层神经网络的自动驾驶车辆创新方法成为可能。
特别是,卷积神经网络(CNN)[1]已经被证明具有实现方向盘控制的端到端学习的潜力,这是自动驾驶车辆的基本和必要的操作基础。为了构建一个完全自我优化的学习系统,以最大限度地提高轨迹跟踪和驾驶安全性能,而不是使用基于模型的中间控制标准,从一个面向前方的车载摄像头学习方向盘的角度,我们开发了一个加强的闭环反馈训练和推理架构。
1989年,卡内基梅隆大学开发了一种名为自主陆地车辆神经网络(ALVINN)的自动驾驶汽车[2],该车首次展示了基于摄像头的自动驾驶汽车端对端转向控制的可能性。自ALVINN以来,其他值得关注的研究工作包括已经研究了神经网络(NNs)和国防高级研究项目局(DARPA)的挑战,这些挑战促进了神经网络的发展。
2004年,DARPA自主车辆( DAVE ) [ 3 ]项目演示了如何对一辆无线电控制( RC )汽车进行训练,使其掌握由左、右摄像机拍摄的几小时人类驾驶数据,并在越野环境中驾驶。虽然DAVE无法展示复杂驾驶环境的完整解决方案,但它激发了一个名为DAVE-2的高级版本[4]。
在自动驾驶车辆中,包括车辆转向在内的横向控制是一项基本功能。车道保持是横向控制的代表性操作,在自动驾驶时可将车辆保持在车道的中心。虽然转向控制是自动驾驶车辆的基本功能,但基于CNN的端到端控制器仍然难以在自动驾驶车辆中实现转向[5]。
我们的目标是克服传统的基于CNN的端到端控制方法的局限性,为自主车辆的转向控制器提供一种前沿方法。我们提出了DAVE - 2SKY ( SK lecom & Yonsei Univeity修改的DAVE - 2 ),这是一种端到端转向控制器,具有基于CNN的闭环反馈体系结构。网络没有被明确教导,并且学习转向控制在跟踪前方车辆时保持车道所需的整个处理流水线。学习过程由两个训练步骤组成:监督的预训练和强化的闭环反馈后训练。因此,DAVE - 2SKY从相机图像数据中产生适当的方向盘角度,用于自动驾驶车辆的稳定和完全横向控制。与DAVE-2 [4]的传统反向传播训练方法相比,所提出的系统能够在更短的训练时间内学习驾驶任务,并具有稳健的、可改进的性能。
本文的其余部分结构如下:在第Ⅱ节,我们提供了所提出的系统DAVE - 2SKY的概述和细节。在第V节中的实验结果之前,第III节和第IV节介绍了使用仿真器实施SIL的环境和结果。在第VI节中,我们讨论了该系统仿真中的结果,最后,我们在第VII节中总结了本文。
Ⅱ.我们所提出的系统
A.网络架构
我们的网络有一个源自DAVE - 2 [ 4 ]的架构,该架构利用安装在自主车辆上的输入相机的图像来训练NNs,以计算方向盘角度来进行横向控制。图2中显示的DAVE-2SKY是使用Caffe深度学习框架[6]实现的。欧几里德损失模型用于计算地面实况和预测方向盘角度之间的平方误差之和,如[7]。
NN由10层组成,包括5个卷积层,3个归一化层和2个完全连接的层,如图1所示。如表I所示,前三个卷积层各有一个5&5内核和一个2&2跨距,接下来的两个卷积层各有一个2&2内核和一个1&1跨距。在每个卷积层中都使用了整流线性单元(ReLU)激活。输入图像被分成RGB平面,然后传送到网络。卷积层被设计为特征提取器,完全连接层是用于操纵车辆的控制器。在卷积层2、3和4之前添加归一化层,以避免梯度消失/爆炸问题,并通过稳定训练过程来提高训练速度[ 8 ]。
图1.所提出的DAVE-2SKY CNN架构。
表I.DAVE-2SKY网络卷积层
B.加强闭环反馈后训练系统
基于DAVE - 2 [ 4 ]的DAVE - 2SKY系统可以在强化反馈回路中推断转向控制指令。DAVE - 2SKY可以通过两个步骤进行训练,包括监督的预培训和强化的闭环反馈后培训。下面解释两个训练步骤结合的原因。
监督的预训练是图2 ( a )所示架构的第一步。我们实现了类似于传统训练系统的SIL配置,PreScan仿真器在PC上运行,基于Caffe深度学习框架的CNN训练架构在DevBox计算机上运行。来自摄像机的图像被馈送到DAVE-2SKY以产生方向盘角度,该方向盘角度将与记录的可行方向盘角度进行比较,以使用反向传播机制来调整卷积网络的的权重。我们在受监督的预训练步骤中训练DAVE-2SKY进行有限次数的迭代,在本研究中少于80,000个周期。两台独立的计算机,用于仿真器的PC和DevBox,通过用户数据报协议( UDP )网络进行通信。
在预训练步骤之后,DAVE-2SKY在加强的训练后步骤中接受训练。为了反馈回路,我们形成了一个独特的SIL闭环体系结构,由运行在PC上的PreScan仿真器和 Simulink以及运行在DevBox计算机上的Caffe深度学习框架组成,如图2 ( b )所示。
图2.训练神经网络的框图,DAVE - 2SKY :( a )有监督的预训练;( b )强化闭环反馈后培训。
在PreScan仿真中,我们使用了一辆带有前置摄像头的虚拟车辆。通过使用MATLAB Simulink的一个内置插件,我们在仿真过程中获取了车辆的内部状态和摄像机的图像数据。这些状态数据表示车辆的当前状态,例如速度、位置、航向和横摆角速度。车辆状态被送入预览驱动模型 (PDM),这是由仿真器配置的内置控制器模型,用于产生所需的方向盘角 (dd),方法是使用作者团队 [9.10] 提供的算法。在本研究中,PDM预测的转向输出被用作基本事实。使用方向盘上的接口设备,如Logitech G27,可以用人工驾驶代替PDM。这种灵活性使我们能够将训练有素的DAVE - 2SKY转移到一辆真正的自动驾驶汽车上进行道路试验。
与常规监督训练相比,所提出的两个训练步骤可提高学习效率和车辆操纵性能,原因可解释如下。从前置摄像头获取NN的图像数据并发送到DevBox。除了常规深层神经网络训练程序的正常反向传播机制之外,DAVE - 2SKY还在闭环反馈架构中以强化的方式接受训练。与典型的CNN类似,DAVE-2SKY将获取的像素映射到方向盘角度(&C)。反向传播机制[1]调整网络的CNN滤波器的权重,以最小化&D和&C之间的误差。然后,修正了方向盘角度(&D&#39;),由CNN网络根据调整后的重量,作为控制输入被输入到车辆。因此,在所提出的训练后配置中嵌入了强化学习例程。
如前所述,训练有素的NN DAVE-2SKY是自动驾驶车辆的控制器。传统的简单监督预训练步骤可能不足以学习机动车辆所需的仿人端到端视觉智能。涉及闭环反馈的训练后步骤允许在SIL环境中加强学习。如果我们用驾驶仿真器中的人类驾驶员代替PDM,DAVE - 2SKY可以学习启发式驾驶体验。
III.仿真环境
PreScan仿真器允许构建具有真实配置的虚拟验证环境,以使用虚拟车辆模型获取丰富的信息。使用Simulink和PreScan的插件收集训练数据集。在仿真中使用具有默认物理模型和动态配置的虚拟车辆(奥迪A6)。如图3所示,单个虚拟前置摄像头安装在虚拟车辆上。车辆的可控方向盘角度范围为-500&至+ 500&。方向盘角度的符号表示方向盘的方向为顺时针为负,逆时针为正,并且车辆的转向比[11]设定为20:1。如图4所示,行驶轨道长度为1492米,由两条车道( 4米宽)组成。车道被黄色实线隔开,道路两侧都有人行道(高2m )。在仿真自动巡航控制和车道保持机动的过程中,我们将车辆速度设定为5m / s ( 18 km / h )的恒定速度。
图3.安装在虚拟车辆上的前置摄像头。
A.数据收集和预处理
我们的目的是训练系统来评估横向控制能力;因此,只需要车辆的图像和方向盘角度数据。当车辆在轨道上逆时针行驶时(图4 ),数据以10hz的频率提取。车辆状态数据与帧号同步0.1s。用160&90像素帧捕获图像数据,然后裁剪到160&40像素,以消除不必要的上层像素信息,如天空、树木或远离道路的建筑物。方向盘角度数据是从内置的PDM算法获得的,该算法被用作车辆控制器模型,以获得精确的方向盘角度控制数据。因为PDM根据道路环境和车辆状态产生精确的实时值,我们应该扩展它以获得更广泛的学习范围。我们有意在PDM的方向盘角度输出中添加范围从&50到+ 50的随机干扰。随机干扰的目的是确定所提出的训练回路对驾驶过程中可能出现的随机干扰的鲁棒性。
我们使用NVIDIA DevBox进行训练,收集的图像和方向盘角度数据是帧同步的。如第Ⅱ节所述,NN分两个阶段进行训练。监督预训练方法用80,000次迭代的数据训练网络。通过实验找到迭代次数,以确定允许强化闭环反馈后训练同时正确训练和仿真的最少迭代次数。在预训练之后,DAVE-2SKY模型经历了训练后的迭代。在训练周期中,我们可以监控所有状态数据,也可以可视化训练和仿真环境,如图5所示。
图4.用于训练和试驾仿真的轨道概述。
图5.可视化仿真环境的截图。
IV.仿真结果
通过仿真,我们打算通过允许自动驾驶车辆在SIL环境中的不同情况下巡航来研究所提出的端到端控制器的性能和能力。测试期间,车辆以顺时针方向行驶,与训练方向相反。通过在训练和测试仿真过程中交替路线,我们可以轻松地为DAVE-2SKY网络提供不同的体验。
我们通过扰乱摄像机前方道路的视野范围来调查端到端控制器的操作极限:我们在完全可观察和部分可观察的情况下仿真了转向性能。需要各种驾驶条件,包括由扰乱完全观察弯道的障碍物引起的完全以及部分可观察的情况,以评估所提出的具有加强反馈回路的CNN模型如何能够在车道保持操纵期间执行横向控制。
完全可观察的情况如图6(b)所示实施,车辆独自在轨道上行驶。对于部分可观察的情况,如图6(c)和6(d)所示,在距自我自动驾驶车辆不同距离处添加前方车辆。参数d定义为车辆后轮中心之间的距离,如图6(a)所示。距离是确定前置摄像头可观测范围的关键因素,我们在测试过程中将距离从7米改变为12米。在仿真期间,测试车辆以5m / s的恒定速度巡航。
图6.输入摄像机的视图: ( a )距离d的定义;( b )完全可观察到(无前方车辆);( c )部分可观察到( d = 8m );( d )部分可观察( d = 10m )的情况。
我们认为,如果车辆偏离车道,车道保持机动会出现故障。如果发生故障,则仿真暂停。来自控制器和前置摄像头的所有数据与输入图像的帧数同步。地面实况由PDM的方向盘角度表示。跟踪误差是方向盘角度与第nth帧处的地面实况之间的差异。完整的仿真结束了大约3,001的帧数,因为车辆将返回到1,492米轨道的起始点,恒定巡航速度为5米/秒,并且在3,001帧内进行适当的车道保持操作。
A.完全可观察的情况
图7显示了完全可观察的案例的仿真结果。由DAVE-2SKY驾驶的车辆仅经过预训练36小时即可成功驾驶车辆,直到到达图4中标记的轨道的急弯位置。第1,500帧和第1,700帧之间轨道曲率的突然变化引起必要的转向控制角度的快速变化以维持车道。因此,在车辆进入急剧弯曲的路段之后不久,车辆偏离其车道。此外,DAVE - 2SKY控制器通过主监督预训练步骤和随后的强化后训练步骤成功地完成了全程轨道,并且与车道中心保持了可容忍的误差距离。
B.部分可观察的情况
在部分可观察的情况下,每次尝试通过DAVE-2SKY在预训练步骤中驾驶车辆在仿真中都没有成功,并且如果摄像机仅能部分地观察弯道,则无法操纵车辆进行车道保持操纵。
如果距离d大于临界值,由训练有素的DAVE - 2SKY控制器控制的车辆可以将车道保持在容许误差范围内。在本文的仿真环境中,d的临界值为9m。基于CNN的端到端控制器采用所提议的强化闭环训练步骤进行训练,在部分可观察到的情况下表现出了更好的性能。
图7.DAVE-2SKY充分观测情况下的仿真结果:(a)方向盘角度(上);(b) PDM的参考值(即仿真中的地面真实值)与推理输出值(下限)之间的误差。
当前方行驶的车辆离自我驾驶车辆太近时,弯道的大部分输入信息都会被前方车辆屏蔽。然而,如果在外部仿真中距离大于9m,车辆可以成功地在轨道上巡航,同时保持其车道在容许误差范围内。图8中呈现的仿真结果有点嘈杂,但尽管在仿真期间施加了额外的干扰,但车辆仍然成功地行驶。
图8.DAVE-2SKY部分可见情况下的仿真结果:(a)方向盘角度(上);(b) PDM的参考值(即仿真中的地面实况)与推理输出值(下限)之间的误差。
V.实验结果
由于多个仿真已经证明了车道保持任务的可接受性能,因此DAVE-2SKY使用DRIVE&PX2计算机集成到真实的自动驾驶车辆中,用于实验真实道路自动驾驶测试,如图9和图10所示。
通过应用第III节中描述的程序,收集并预处理真实道路的图像数据以用于实际车辆的训练。收集的数据集包含了延世大学国际图8中行驶2小时以上的图像。收集到的数据集包含Yonsei大学国际校区行驶2小时以上的图像(环境如图10所示)。在数据收集过程中,一名熟练的驾驶员驾驶车辆保持车道不偏离。
使用所提出的两种连续训练方法训练该车辆72小时。然后,训练好的模型被转移到安装在车辆上的PX - 2计算机上进行实验性真实道路测试。在测试过程中,我们还评估了一个基于先前文章《[ 12,13]》的自动停车算法的代客停车场景。实验验证了应用于DAVE - 2SKY控制器的上述技术可能能够对自动驾驶车辆进行纵向控制。实验视频显示在YouTube [14,15]上。由于长度限制,我们省略了本文中实验场景和相应数据的详细信息。
图9.实验自主真实道路驾驶测试的测试车辆实施
图10.自动驾驶的实验路线,以及道路测试下车辆的快照照片
对完全和部分可观察到的情况的仿真显示了用所提议的步骤训练的DAVE - 2SKY的独特能力。第IV节中描述的仿真结果表明,仅通过监督预训练自学的模型(其具有与传统端到端CNN模型相似的特性)无法对车道保持任务执行适当的横向控制。然而,尽管训练周期数相似,但训练后的加强闭环反馈实际上增强并改善了转向控制的性能。
部分可观察的案例显示了DAVE-2SKY的稳健性。由于除了深NN中的反向传播回路之外的闭环反馈系统,所提出的DAVE-2SKY即使在车道保持机动中的部分可观察情况下也执行鲁棒的转向控制。仿真结果表明,DAVE - 2SKY能够从轨道自巡航控制期间的少量干扰中恢复。结果支持了我们的断言,即受监督的预训练和随后的训练后步骤以及增强的闭环反馈使得端到端控制器能够在合理的误差范围内对车道保持任务进行完全横向控制。
我们提出了一种端到端转向控制器,该控制器具有基于CNN的自主车辆闭环反馈,与传统的基于CNN的方法相比,该控制器可提高控制性能。提议的NN,DAVE - 2SKY,能够通过监督的预训练和加强的闭环后训练,利用安装在车辆上的摄像机的图像来学习控制方向盘角度,用于自动驾驶车辆的横向控制。我们使用PreScan仿真器和Caffe深度学习框架在SIL仿真环境中进行多种环境下的训练。通过仿真和路况试验,研究了该系统的性能。我们使用DRIVE PX2计算机实现了一辆自动驾驶汽车对所提议的端到端控制器进行了实验验证。总之,这项工作表明,基于CNN的端到端控制器即使在部分可观察的情况下也能执行鲁棒的转向控制,这表明完全智能的自动驾驶车辆有可能由基于CNN的端到端转向控制器控制。
这项工作得到了韩国科学和信通技术部的支持,并得到了信息和通信技术促进研究所监督的信通技术一致性创新方案( IITP - 2017 - 2017 - 0 - 01015 )的支持。作者在SK电信ICT研发中心支持的SKT -Yonsei全球人才培养计划下,作为SKT - Yonsei合作自动驾驶研究中心研究项目的一部分进行了这项工作。
原文标题:基于CNN闭环反馈的自动驾驶车辆端到端转向控制器
文章出处:【微信号:IV_Technology,微信公众号:智车科技】欢迎添加关注!文章转载请注明出处。
发布评论请先
谷歌的无人驾驶比浏览器来的早。今年5月,一家名为慧摩商务咨询(上海)有限公司(以下简称:慧摩)的企业....
但是谁说这必须得马上发生,或者我们永远错过了自动驾驶汽车的机会?周一, 一篇题为《永远不会到达的自动....
嵌入式网络接口实现两种网络的互连。当以太网应用层有数据要发送到CAN节点时,首先将数据发送到网关,由....
TI的汽车车身电机产品组合可帮助您应对汽车设计方面的挑战。
这款防雷应用让机构能够将通过超过55个UC和电话平台采集的音频和准确的通话记录录入Salesforc....
假设系统的密码为99,录像机放像的操作码为4#。当操作人员拨通控制目标电话号码时开始振铃,当CPU连....
在图1所示架构中,每次DMA传输都要发起1次读与1次写操作。若在DMA传输期间有需要紧急处理的异常响....
存储介质的更新换代,带来了SSD市场的蓬勃发展,也带来了SSD存储控制器的快速发展,市场良莠不齐。....
现在,无人驾驶车辆也在做这些事情,只不过他们用的不是眼睛而是摄像头。但是他们也有雷达和激光雷达,它们....
我正在分析一个使用微控制器来测量数字形式的模拟信号rms的电路。有一个电路连接,我不知道它做了什么。
见图。这里MCU的V...
日前,通用汽车宣布计划将其子公司霍顿打造成自动驾驶技术以及电动汽车的中心,并为该公司投入2800万的....
我们(Veoneer)的核心产品是视觉系统,雷达系统,融合控制器,以及刹车控制器(和日信工业合作),....
无论控制回路是模拟的还是数字的,只要其正常工作,用户便不会了解其中的差别。如果应用优势不存在,则使用....
用于自动驾驶的驾驶辅助系统域控制器(DASy),是高带宽,高计算能力和存储空间的关键组件,可用于收集....
今年七月份,博世与戴姆勒宣布双方正在持续深化合作,推动加快城市道路的L4完全自动驾驶及L5无人驾驶汽....
自动驾驶汽车(AutomatedVehicle;Intelligent Vehicle;Autono....
电容补偿器是补偿你的无功的,用于提高功率因数,这样才能提高用电效率,因为供电局收费的都是有功功率,对....
上面的例子主要是基于早期的单核CPU设计的,并没有考虑到目前多核CPU的情况。因此,在后续的PCI ....
即将到来的自动驾驶系统浪潮,使得汽车的高速网络开发极具紧迫性。
8月17日,环球VR内容社区VeeR在北京召开了首届全球创作者大会。活动当天,国内外200余名优秀V....
为自动驾驶汽车提供了一种在路上传达意图方式的案例研究。
李德毅院士指出:自动驾驶车的量产举步维艰,最重要原因在于线控的制动,这是量产自动驾驶的“定时炸弹”。....
前段时间购买了ADF5355 评估板 (EV-ADF5355SD1Z)和SDP 控制器板。但是用软件配置后没有得到想要的结果。
近日,一汽轿车股份有限公司与博世汽车部件(苏州)有限公司在长春签署自动驾驶战略合作框架协议。
近日,日本初创公司Ascent Robotics表示其在今年已经筹集了1800万美金,旨在到2020....
各生产商和设备制造商不断寻求各种方法,来对整个机器和系统的安全性进行简化和标准化。借助罗克韦尔自动化....
工业4.0概念最早由德国在2013年提出,是未来十大项目之一,从提出至如今,受到全球关注,引发全球范....
实验要求,这个控制器能通过到时间了断电来控制空压机工作,也就是我设置了2.5s的空压机工作时间,到了2.5s就停止空压机工作。
汽车的发展,经过了100多年来的不断改进、创新,凝聚了人类的智慧和匠心。
而在企业合作方面,公司与高校、整车、科技企业均有合作。2018年6月,四维图新与清华大学汽车工程系签....
另一项功能是使用内部传感器,通过监测眼球运动、心率、身体姿势等来检测驾驶员和乘客的压力。AR挡风玻璃....
汽车在0-150km/s区间内,车辆在清晰识别道路标识的下可保持居中行驶,无需驾驶员的“任何操作”,....
自动驾驶一直都是科技和汽车领域关注和讨论的焦点。从智能网联系统的普及到传感器技术的升级,一切都在表明....
很多意见认为,混动技术、尤其是插混,技术难度比纯电更高,也更符合目前的发展状况,可以极大降低油耗,并....
如果说新势力造车至少需要200亿元的资金才能“入门”,那么研发自动驾驶又需要多少投入?目前业界尚无定....
多年来,投资者一直在猜测苹果是否会收购或与特斯拉合作,因为前者在自动驾驶汽车技术方面雄心勃勃,后者需....
以字节跳动为例,今日头条最早在新闻推荐中使用了AI算法,较为精准实现对的用户画像和内容分发,在圈住用....
在SSD控制中集成了Video的处理单元。对于高清的H.265的处理,以为目前主流的方案还是CPU为....
为什么要做功能安全?这是自动驾驶的几次事故,其中比较严重的一次是日美国Uber碰撞....
首先为大家介绍下Apollo的Roadmap。今年7月份,Apollo发布了3.0版本,并升级发布了....
SIE 今日宣布, DUALSHOCK 4 无线控制器 ( CUH-ZCT2G 系列 ) 将于 9 ....
.隔膜压力表它是用来测量有耐氧化申请的一种场合测压。也就是说,使用膜和压力来进行测量的介质,它是具有....
要逐字节写入EEPROM空间,请执行下列步骤:o 发送从机地址。o 接收应答消息。o 发送EEPRO....
华为已经开发出新一代低成本家用太阳能智能能源控制器,可以转换、管理和监控太阳能板生产的能量,供家庭使....
我们最初是在2016年的Steam Dev Days中首次了解到Knuckles原型。这款设备的一个....
裕兰科技自创立以来,一直定位于做一级供应商,锁定自动驾驶的细分领域。下面介绍一下裕兰科技从自动泊车到....
WaveSense,一家总部位于波士顿的初创公司,看到了这个机会。他们希望将麻省理工学院开发的技术用....
三相断路器是一种开关装置,这种开关装置主要是为了防止电流或者电压发生异常情况而硏发的。
WaveSense 公司在地下做起了“SLAM高精地图定位”,来保证自动驾驶车辆精确地保持在车道内,....
光学计算机层通过物理预处理图像数据进行操作,以多种方式对其进行过滤,否则电子计算机就必须用数学方法对....
第1步:确定负载和速度
考虑操作环境,比较各种型号的HIWIN直线驱动器的规格,并选择最合适的模型....
本文档的主要内容详细介绍的是三相正弦波吸油烟机系统解决方案详细资料免费下载
诸如德州仪器 (TI) PTH08T250W 的独立双相电源模块可提供高达 50A 的输出负载电流。但是,PTH08T250W 整合...
带着疑问我再次仔细检索配电设备的图纸,发现控制回路的保护电器根本就不是熔断器,而是微型断路器。再仔细....
PMP9402 是一种双 USB 汽车充电器。此设计利用 LM3150、TPS2561 双通道电源开关和 TPS2513 USB 专用充...
我买了cy4532 ez-pd我连接到使用微型USB连接器在底板上的我的电脑。当我尝试使用ez-pd配置实用的设备读取,我看到部分...
PMP9382 是一种利用汽车级 LM3478Q-Q1 控制器的低输入电压升压转换器。此设计在二极管压降高于最低输入电压 2.97...
该电路工业控制输出模块提供了一个完整的解决方案。此设计适用于需要双极输出电压范围的过程控制可编程控制器(PLCs)和分布式...
此参考设计是适用于服务器冷却应用的 12V 三相无刷直流风扇。它基于单个 IC 控制器 DRV10975,此控制器通过可最大...
使用TM4C129 的USB作为host时是不是只需要将USB设备的D+、D-信号线直接连接到控制器的PL6和PL7引脚,然后5V给设...
供应链服务
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证:粤B2-狼牙山海拔高程正式发布:1016.4米
信息来源:国家测绘地理信息局 发布日期: 浏览次数: 字号:[
  8月28日上午,河北省测绘法宣传日暨狼牙山地理信息标石数据发布仪式在保定易县狼牙山景区举行,正式公开发布狼牙山重要地理信息:狼牙山顶峰位于东经115度10分02秒,北纬39度08分22秒,海拔1016.4米。国家测绘地理信息局副局长李朋德出席发布仪式。河北省测绘局、保定市政府、保定市国土资源局、易县政府、易县国土资源局等有关领导,工作人员以及数百名游客参加活动。
  狼牙山是我国著名红色景区之一,其平面和高程坐标是重要地理信息数据,广受社会关注。为贯彻落实胡锦涛总书记春节前在河北革命老区的讲话精神,传播英雄壮举,弘扬革命传统,增强红色旅游景区——狼牙山在全国人民心目中的影响力,按照国家测绘地理信息局《关于继续组织开展著名山峰高程数据确定工作的通知》要求,省测绘局委托省第一测绘院采用国际最新测绘技术,对狼牙山顶峰进行了高精度测量。此次测量并获取的狼牙山顶峰重要地理信息数据,资料齐全,数据准确,程序合法,即日起在对外交流、新闻传播、教育教学等对社会公众有影响的活动中均须使用该权威数据。
  重要地理信息数据具有严肃的政治性、严密的科学性和严格的法定性。《中华人民共和国测绘法》、《中华人民共和国测绘成果管理条例》严格规定了重要地理信息审核与公布程序,除国务院、省人民政府或省人民政府授权的部门可以向社会公布外,其他任何单位和个人不得擅自公布重要地理信息数据。(王跃先 王军国 )}

我要回帖

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信