scene_pair_table — DRIVE `carla` op

• Datenarten: table → table

• Aufruf: import fullseye as fs; fs.ledger.scene_pair_table(scene, *, lead_asset: 'str' = 'sedan', asset_root=None) -> 'dict' (die Implementierung direkt: import carlabridge; carlabridge.scene_pair_table(scene, *, lead_asset: 'str' = 'sedan', asset_root=None) -> 'dict'; aus dem Register: opsdrive.get("scene_pair_table"))

• GPU: nein (nur CPU-Referenzimplementierung)

Verwendung

Vertonen und ordnen Sie eine Szenenaufnahme sowohl mit CARLAs Bild als auch mit Ihrem eigenen Weltbild an. Rückgabewert = {"truth", "carla": {...lead_from_third}, "fullseye": {...}, "carla_error", "fullseye_error", "width", "height", "view"} (error = Depth_median − wahrer Wert, wahrer Wert ist lead_truth_ Depth).

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_carla_bridge — py -3.11 examples/poc_carla_bridge.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same

Gleiche Kategorie (`carla`)

carla_labels · carla_label_map · carla_label_unmap · carla_depth_decode · carla_depth_encode · carla_intrinsics · intrinsics_to_fullseye · intrinsics_to_carla

*Provenance: carlabridge.py — DRIVE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

scene_pair_table — DRIVE carla op