Self-Localization System for Robots Using Random Dot Floor Patterns
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Self-Localization System for Robots Using Random Dot Floor Patterns Yutaro Fukase, Hiroshi Kanamori, Shinich Kimura Pages 304-312 (2013 Proceedings of the 30th ISARC, Montréal, Canada, ISBN 978-1-62993-294-1, ISSN 2413-5844) Abstract: Various types of service robots have recently been developed for guarding facilities, caring for the elderly, carrying objects, and cleaning buildings. As barrier-free facilities improve and their use expands, these robots have more space within which to move inside buildings. Yet robots that move autonomously rely on position-detection systems. Though improving rapidly, these systems are far from perfect in determining positions in certain situations, especially when robots navigate large areas or cross various locations. Our group is working to solve this problem by developing a position-detection system using random-dot patterns on a floor. First, we construct a floor with a random-dot pattern and register the positions of all of the dots into a database. As the robot moves across the floor, a camera on the robot captures an image of the floor beneath it and crops the dot pattern in the image. The cropped dot pattern is matched to the dot patterns in the database to determine the position of the robot and the direction in which the robot is facing or moving. In this paper we propose a self-localization system and matching algorithms derived from a space technology and present the results of several experiments. Keywords: Self-localization system, Matching algorithm, Space technology DOI: https://doi.org/10.22260/ISARC2013/0033 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle