Learned trafficability for UGVs: inferring geometry from imagery
Notice bibliographique
Résumé
Unmanned ground vehicles (UGV) operating in outdoor environments must traverse unstructured terrain. This terrain is diverse in nature and contains natural obstacles such as rocks, brushes, berms, and low lying wet areas. Outdoor terrain is not static as it varies on a seasonal basis due to the life cycle associated with natural vegetation. Additionally, outdoor terrain may change appearance due to variations in lighting conditions that result from the Sun's relative position and from weather conditions such as clouds, fog or rain. This environmental diversity has long caused researchers considerable grief, as developing a classical terrain classification algorithm has proven to be a very difficult if not an impossible task. Researchers have skirted this problem by relying upon ranging sensors and constructing 2 ½D or, more recently, 3D world representations. Although geometrical representations have been used extensively, the low data rates associated with laser rangefinders, the unreliability of stereo vision, and the interaction between geometry and orientation estimation errors have limited the lookahead distance, thereby reducing the maximum attainable vehicle speeds. Learning from experience, in a more human like manner, promises to reduce or alleviate many of the issues posed by unstructured outdoor terrain. Defence R&D Canada (DRDC) "Learned Trafficability" program researches learning from experience. The paper presents DRDC's progress in extending a 2 ½D world representation using vision and learning from experience.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».