在本文中，引入了一种新颖的解决方案，用于由深度学习组件构建的视觉同时定位和映射（VSLAM）。所提出的体系结构是一个高度模块化的框架，在该框架中，每个组件在基于视觉的深度学习解决方案的领域中提供了最新的最新技术。该论文表明，通过这些单个构建基块的协同整合，可以创建一个功能高效，有效的全直神经（ATDN）VSLAM系统。引入了嵌入距离损耗函数并使用ATDN体系结构进行了训练。最终的系统在Kitti数据集的子集上设法实现了4.4％的翻译和0.0176 ver/m的旋转误差。所提出的体系结构可用于有效，低延迟的自主驾驶（AD）协助数据库创建以及自动驾驶汽车（AV）控制的基础。

我们研究了随机向量$ {\ boldsymbol x} $ in $ \ mathbb r ^ d $的密度估计问题，概率密度$ f（\ boldsymbol x）$。对于Vertex Set $ \ {1，\ dots，d \} $上定义的生成树$ t $，树密度$ f_ {t} $是一款双变量条件密度的产品。最佳的生成树$ t ^ * $是生成树$ t $，其中klullback-leibler $ f $和$ f_ {t} $的次数是最小的。来自I.I.D.我们识别最佳树$ t ^ * $，并计算有效地构建树密度估计$ f_n $，使得没有任何规律性条件的密度$ f $，其中一个$ \ lim_ {n \ to \ indty} \int | f_n（\ boldsymbol x）-f_ {t ^ *}（\ boldsymbol x）| d \ boldsymbol x = 0 $ as对于LipsChitz连续$ F $与有界支持，$ \ mathbb e \ {\ int | f_n（\ boldsymbol x）-f_ {t ^ *}（\ boldsymbol x）| d \ boldsymbol x \} = o（n ^ {-1/4}）$。

成对比较矩阵越来越多地用于某些对丢失的设置中。但是，对于类似的不完整数据集，不存在一些不一致的指标，并且没有合理的测量具有相关的阈值。本文推出了Saaty提出的可接受不一致的拇指的着名拇指规则，以不完整的成对比较矩阵。扩展基于选择缺失元素，使得不完整矩阵的最大特征值最小化。因此，不能采用随机索引的良好成熟的值：发现随机矩阵的不一致是矩阵大小的函数和缺失元素的数量，在后一变量的情况下具有几乎线性的依赖性。我们的结果可以直接内置于决策软件中，并由从业者使用作为接受或拒绝不完整的成对比较矩阵的统计标准。