《表2 仿真实验对比：基于时空特征融合的端到端无人车控制》
提示：宽带有限、当前游客访问压缩模式
最后，将本文方法和文献[12]中基于2D CNN-DDPG方法以及3D CNN-DDPG作对比（表2）。
| 图表编号 | XD004743100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.28 |
| 作者 | 刘东杰、赵津、席阿行 |
| 绘制单位 | 贵州大学机械工程学院、贵州大学机械工程学院、贵州大学机械工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 分类准确度对比：面向短文本情感分类的端到端对抗变分贝叶斯方法》2020.09.10
- 《表1 数据集统计信息：面向短文本情感分类的端到端对抗变分贝叶斯方法》2020.09.10
- 《表3 不同t i o的端到端最差时延》2021.01.10
- 《表2 不同TGCL的端到端最差时延》2021.01.10
- 《表3 路试结果对比：基于端到端学习的视觉车道线保持方法研究》2020.11.30
- 《表2 仿真实验结果：基于端到端学习的视觉车道线保持方法研究》2020.11.30
- 《表1 仿真实验设定参数：基于改进型人工势场的无人车局部避障》2020.12.01
- 《表1 模拟实验参数：基于软件定义网络的触觉互联网端到端系统》2020.12.05
- 《表2 网络深度对比结果：基于深度视觉注意神经网络的端到端自动驾驶模型》2020.07.10
- 《表2 各模型的表现结果：基于ResNet-BLSTM的端到端语音识别》2020.09.15
- 《表5 功能资源的端到端互补特征》2020.03.31
- 《表4 柔性规则的端到端互补特征》2020.03.31
- 《表2 标注的数据示例：基于MM-STConv的端到端自动驾驶行为决策模型》2020.03.01
- 《表4 模型训练参数：基于MM-STConv的端到端自动驾驶行为决策模型》2020.03.01
- 《表2 RMSE结果对比：辅助车道线检测的端到端自动驾驶》2020.04.15
- 《表2 端到端时间仿真结果（100×50)》2020.03.01
- 《表1 端到端时间仿真结果（100×20)》2020.03.01
- 《表2 实验参数配置：基于神经网络的端到端的事件指代消解研究》2019.08.01
- 《表3 路试结果对比：基于时空特征融合的端到端无人车控制》2019.10.28
- 《表1 DDPG参数设置：基于时空特征融合的端到端无人车控制》2019.10.28