@秦大帅 实际测下来的效果，我觉得不如ORBSLAM2，在KITTI排行榜上的算法，在实际中应用效果怎么样，是有待验证的。

label本身是分类任务的输出。对于一般的分类任务，分类模型得到的不是非0即1的二值，而是一个概率值。比如有10个类别，对于一个输入，模型得到的是10维的向量（如下图中的y），向量表示的含义是预测该输入分别为这10类样本的概率，最终所有这10维中值最大的那一维就是该输入对应的类别。

所以，设置label的方差时，也是从其概率值的角度考虑的。

这个并没有理论值，小物体也可以检测，只不过检测率比较低，一般来说就是物体越小，检测率越低。不同算法对小物体的适应性也不同，这个一般就是通过实验观察的，没有理论值。

融合模块的内存里面会长期维护一个障碍物列表，这个列表就是所谓的状态量。
对所有传感器进行时间戳对齐之后，任何一个传感器以自己的频率发送感知结果给融合模块，后融合模块根据这一传感器的观测都会去更新状态量。

可能有同学会问，这样的话，不同传感器更新出来的状态量就没法在同一个时刻了，这时可以将状态量进行预测得到这些传感器同一时刻的状态量。

不可以吆，刚更新了一篇置顶的计算平台的建议，你看一下。

对的，课程已经结课了。

第几章节的内容呢？

这个问题，在具体哪个章节呢，我帮你问一下老师。尽快给您回复。

有的，今天做一个数据分析案例，补充讲解视频哈。

第1章节没有作业，第2章节开始就有作业需要提交了。

您好，感谢您的意见反馈。课程部分内容重新录制了。

最好能直接贴个课件的截图

对的，试听课

您好，课程没有课件哈

那天有同学在群里反馈后，重新更新了视频。烦请您再看一下。

已经更新完了

第一部分应该比较容易，但第二部分端到端的内容，还是需要较强的功底。