Mobile01 未來室的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列地圖、推薦、景點和餐廳等資訊懶人包

結合Matlab與ROS快速上手無人自走車

為了解決Mobile01 未來室的問題，作者林顯易,陳雙龍 這樣論述：

結合Matlab與ROS快速上手無人自走車 　　波士頓顧問公司(BCG)預測2025 年全球自動駕駛車市場銷售上探 420 億美元，而了解自駕車 AI 原理最好方式就是從無人自走車開始。本書以深入淺出方式帶領對自走車技術有興趣的社會人士或是高中職、大專程度學生了解無人自走車原理與實現方式，並透過本書實驗範例與程式可以在家動手實作無人自走車。 　　‧本書提出以 MATLAB®　圖形化的元件程式環境與 ROS 整合方式，相較完全以 ROS 的開發方式，本書方法大幅降低無人自走車程式門檻 　　‧本書使用 TurtleBot3自走車套件，硬體包括單板電腦、馬達驅動板、雷射測距感測器 　　‧

本書介紹常用自走車演算法包括快速隨機搜索樹演算法(Rapidly-exploring random tree, RRT)、單純追踪演算法 (Pure Pursuit)、向量直方圖演算法 (Vector Field Histogram, VFH)、佔據柵格地圖 (Occupancy grid map)、同步定位與地圖建構 (Simultaneous Localization and Mapping, SLAM)。 　　‧本書提供無人自走車初階與高階實驗範例與程式，讓讀者可以按部就班的在家操作並經歷實現自走車的成就感。 　　本書利用 MATLAB® 及 ROS2 的軟體整合，並使用 Turtl

eBot3 自走車套件來引領讀者輕鬆實現「路徑導航 (Navigation)」、「避障 (Obstacle Avoidance)」、「同步定位與地圖建構 (Simultaneous Localization and Mapping, SLAM)」。對於需要進行專題實驗的學生或是工作上有需要的社會人士，本書將是不可或缺的一本參考書籍。  

Mobile01 未來室進入發燒排行的影片

不同CS值的辦公室照明對辦公室工作者之影響

為了解決Mobile01 未來室的問題，作者許家瑜 這樣論述：

近年來，人們越來越重視晝夜節律的相關研究。Jeffrey Hall、Michael Rosbash與Michael Young三位遺傳學家因過去發現控制晝夜節律的分子機制，而獲得2017年的諾貝爾生理醫學獎。除了晝夜節律議題變得日益重要，也有許多研究指出，照明對現代人的生理、心理方面影響極為顯著。因此，兩者結合的「晝夜節律照明」，應用於辦公室工作者成為了重要的研究課題。在辦公室照明領域中，雖然已有標準來規範不同工作場域的照度，但辦公室照明對於人類健康的影響仍有深入討論的空間。本研究以模擬一般辦公室場域及工作模式作為實驗架構，並基於晝夜節律刺激值(CS值)進行辦公室光源重建，再搭配國際標準CI

E S 026 Toolbox的黑視素晝光效率比進行光源細部分析。再分別以腦電圖、心電圖、眼電圖與閃光融合閾值等生理訊號數據，以及搭配主觀視覺舒適度問卷之調查結果，探討32位辦公室工作者(16男16女，平均年齡28.00 ± 5.79歲)在進行三項辦公室任務時，其生理與心理之變化。本研究成功驗證了晝夜節律刺激值(CS值)計算對於辦公室照明設計的可行性，並於結果中深入分析高CS值搭配高黑視素晝光效率比之照明，發現CS ≥ 0.45與較高的黑視素晝光效率比之照明可有效地幫助辦公室工作者減少視覺疲勞。因此，本研究以此分析結果提出減少辦公室工作者的視覺疲勞之照明設計方法。

行動裝置上的AI：使用TensorFlow on iOS Android及樹莓派

為了解決Mobile01 未來室的問題，作者王眾磊,陳海波 這樣論述：

　　◎ 用電腦玩AI不稀奇，在行動裝置上執行才夠力 　　◎ 最新行動端的AI架構，包括NNAPI、CoreML 　　◎ 在Android、 iOS及樹莓派上開發視覺及語音AI應用程式 　　◎ 使用TensorFlow Serving+TPU訓練及最佳化模型 　　◎ TensorFlow Mobile執行影像分類、物體偵測、時尚、聲音識別 　　◎ TensorFlow Lite+GPU的使用，還有ML Kit   　　作為TensorFlow的開發者和使用者，作者完整地講解使用TensorFlow進行端到端開發的實例和開發技巧，同時分享如何使用開源工具進行軟體發展的工程實作和經驗。本書提供全

方位的視角説明為讀者開啟不同的思路，即使作為一本軟體發展和工程開發的書籍閱讀，也會使讀者受益匪淺。   　　全書大綱如下 　　►機器學習和TensorFlow 簡述 　　►建置開發環境 　　►以行動端為基礎的機器學習的開發方式和流程 　　►建置TensorFlow Mobile 　　►用TensorFlow Mobile 建置機器學習應用 　　► TensorFlow Lite 的架構 　　►用TensorFlow Lite 建置機器學習應用 　　►行動端的機器學習開發 　　►TensorFlow 的硬體加速 　　►機器學習應用架構 　　►以行動裝置為基礎的機器學習的未來 　　 　　適合讀者群

：機器學習初學者、對機器學習感興趣者，或大專院校相關科系學生。   本書特色   　　◎ TensorFlow開發者之一的傾力著作，最佳工程實作  　　◎ 全面、深入、實例多，一本掌握Google 深度學習框架 　　◎ TensorFlow行動端開發及端到端應用開發的實戰寶典

使用區間二型模糊系統改善基於訊號強度指標之室內定位

為了解決Mobile01 未來室的問題，作者林靖哲 這樣論述：

準確的無線室內定位在物聯網的多樣化應用中發揮著重要作用，而Wi-Fi 設備的普遍使用和 RSSI 值的容易取得，使得基於接收信號強度指標 (RSSI) 的室內定位技術是最早提出和研究的技術之一。然而，由於室內環境中多路徑效應導致 RSSI 值會產生巨大的波動，基於 RSSI 的室內定位方法有時無法產生穩定和令人滿意的定位精度。因此，本文提出使用區間2型模糊系統(IT2FS) 改善基於RSSI的室內定位技術，利用模糊系統可以包容數據的不確定性來進行非線性處理。本文中選擇了兩種基於RSSI的室內定位技術，一個是指紋法，另一個是直接對應法。指紋法是室內定位技術的常用方法，通常會配合K-近鄰演算法(

KNN) 或線性加權K-近鄰演算法(WKNN)，通過選定與未知位置的指紋最相近的多個參考點的位置進行線性加權來改善定位。而在本論文中使用 IT2FS 來決定 K-近鄰演算法的權重，一開始指紋法的離線階段時，粒子群演算法（PSO）通過最小化預先收集的參考點的定位誤差來訓練區間2型模糊系統。在線上預測階段時，由最佳化後的 IT2FS 產生的 K-近鄰演算法的權重，來預測未知點的位置；直接對應法是一種直接使用RSSI 來確定位置的方法，IT2FS會作為模型，利用RSSI值估計位置，在這個方法中我們也使用 PSO 來最佳化 IT2FS 的各種參數。最後，我們選擇了兩個不同的環境作為實驗場地，真實環境的

實驗結果證明了本文所提出方法的優越性。