scene_pair_table — DRIVE `carla` op

• Data kinds: table → table

• Call: import fullseye as fs; fs.ledger.scene_pair_table(scene, *, lead_asset: 'str' = 'sedan', asset_root=None) -> 'dict' (implementation को सीधे call करना हो तो import carlabridge; carlabridge.scene_pair_table(scene, *, lead_asset: 'str' = 'sedan', asset_root=None) -> 'dict', registry से लेना हो तो opsdrive.get("scene_pair_table"))

• GPU: नहीं (केवल CPU reference implementation)

उपयोग

कार्ला की छवि और अपनी खुद की दुनिया की छवि दोनों के साथ एक दृश्य रिकॉर्डिंग को स्कोर और पंक्तिबद्ध करें। वापसी मूल्य = {"सत्य", "कार्ला": {...lead_from_depth}, "fullseye": {...}, "carla_error", "fullseye_error", "चौड़ाई", "ऊंचाई", "देखें"} (त्रुटि = गहराई_मध्य − सही मूल्य, सही मूल्य है lead_truth_depth)।

संदर्भ (sample data, साहित्य)

• Sample data catalog (DL URL / license) — 2-D के लिए skimage.data (BSD/public) + synthetic, 3-D के लिए real data sources (Stanford/PDS आदि) के DL URL।

• Operators का स्रोत और संदर्भ — इस op family के मूल research/methods के स्रोत।

• Algorithm का मानक स्रोत (लेखक, वर्ष) और उपयोग ऊपर की family usage guide में दिए गए हैं।

चलाए जा सकने वाले उदाहरण (verified samples जो सच में यह op call करते हैं)

• poc_carla_bridge — py -3.11 examples/poc_carla_bridge.py

वे अगले ops जिनसे type जुड़ता है (`table` को input के रूप में लेते हैं)

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

इसी category के (`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. यह per-op note tools/opdocs.py md से अपने-आप generate होता है (हाथ से edit न करें)।*

scene_pair_table — DRIVE carla op