Draw Call 本身的含义很简单，就是CPU调用图像编程接口，如OpenGL 中的glDrawElements 命令或者DirectX 中的DrawlndexedPrimitive命令，以命令GPU 进行渲染的操作。

蓝牙技术在耳机、手机、手表及汽车领域的普及为人们带来了许多便利，却也引发了一些人们对于蓝牙的误解。目前，蓝牙可为多种重要的解决方案提供支持，其中包括家庭自动化、室内导航以及商业和工业创新等。

一般而言，比较成功的神经网络需要大量的参数，许许多多的神经网路的参数都是数以百万计，而使得这些参数可以正确工作则需要大量的数据进行训练，而实际情况中数据并没有我们想象中的那么多。

均值滤波，是图像处理中最常用的手段，从频率域观点来看均值滤波是一种低通滤波器，高频信号将会去掉，因此可以帮助消除图像尖锐噪声，实现图像平滑，模糊等功能。理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。

在训练数据不够多，或者模型过于复杂时，常常会导致模型对训练数据集过度拟合。

如果没有流水线化，那么CPU需要等到GPU完成上一个渲染任务才能再次发送渲染命令。但这种方法显然会造成效率低下。我们需要让CPU和GPU可以并行工作。而解决方法就是使用一个命令缓冲区（Command Buffer）。

笔者希望通过多年的图形开发经验，结合对OpenGL的理解，对OpenGL整体的知识做一个梳理，剔除掉特别复杂又较少使用的部分。遗留下来常见和易于理解的部分，同时也尽量在介绍的时候兼顾易懂性和严谨性。希望对即将或正在学习OpenGL的开发者，提供一定的帮助。

在Unity 2019.1及更高版本中，我们将提供Unity新一代的输入系统预览版，该系统简单易用，并具有多平台一致性和灵活性的特点。

自动驾驶车，其实就是机器人的一种。所以在英文中经常被叫做Robotic Car。当然Autonomous Car、Self Driving Car或Driverless Car会更常用一些。更具体地讲，自动驾驶车是一个轮式机器人。自动驾驶可以说是一个涉及了多个学科的综合领域，本文带你探寻自动驾驶的5大主要技术，看看这个轮式机器人的大脑、眼睛等都是如何工作的。

作为机器学习从业者，你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程，大多数和使用 python 库进行深度学习有关。

与机器可以实现的功能相比，在许多方面，人类驾驶员所拥有的感知能力仍然遥遥领先，而且在许多关键领域我们仍然无法提供能够实现SAE 4级自动化所需性能和功能的传感器。在本文，我们涉及了一些特别具有挑战性或目前完全无法解决的情境来加以说明。

随着不断的研究和完善，计算机视觉从一个不现实的想法或期望变成了现实。但是，计算机视觉究竟是关于什么的呢？

CPU：中央处理器，它集成了运算，缓冲，控制等单元,包括绘图功能。CPU将对象处理为多维图形，纹理(Bitmaps、Drawables等都是一起打包到统一的纹理)。GPU：一个类似于CPU的专门用来处理Graphics的处理器，作用用来帮助加快格栅化操作，当然，也有相应的缓存数据(例如缓存已经光栅化过的bitmap等)机制。

蓝牙定位基于RSSII（Received Signal Strength Indication，信号场强指示）值，通过三角定位原理进行定位。

名为软件定义边界 (SDP) 的远程访问新范式采用零信任方法，以基于身份的细粒度访问代替广泛的网络接入，提供重要 IT 资源访问。

近几十年来，图形处理器（GPU）已从最初作为大型电玩的视频显示适配器演进为一个强大的计算中心，并且正在推动人工智能和机器学习的发展，包括从石油和天然气勘探到自然语言处理等众多领域的计算工作。如今，GPU正在自动驾驶和先进驾驶辅助系统（ADAS）技术的发展中扮演着越来越重要的作用。

在开发游戏的过程中，使用功能丰富的Unity阴影贴图解决方案会显得有些浪费。因为我们不希望为所有内容渲染动态阴影，而只打算对场景的较小物体渲染动态阴影。我们想更好控制对阴影的过滤，通过添加模糊效果，使阴影更加柔和。

惯性测量单元（Inertial Measurement Unit, IMU）可以直接测量载体相对于惯性空间的三轴加速度和三轴角速度（6-DoF）。在自动驾驶所涉及的传感器中，IMU因其不受外部环境影响而显得特别。

机器学习、大数据相关岗位根据业务的不同，岗位职责大概分为：平台搭建类、算法研究类。

除了 CPU(中央处理器)以外，SoC(System On a Chip：片上系统)另一个重要的组成部分是图像处理单元(Graphical Processing Unit)，就是俗称的 GPU。大家或许都知道玩 3D 游戏少不了它，但具体发挥什么作用也许说不清楚，这回我们就来揭开 GPU 的神秘面纱。