A teaching tool for the state‐of‐the‐art probabilistic methods used in localization of mobile robots
Notice bibliographique
Résumé
Abstract Probabilistic methods provide a powerful paradigm for modeling of robot motion and its environment; a precursor for autonomous navigation of mobile robots. As a graduate‐level engineering course, probabilistic robotics encompasses the techniques used in robot localization and mapping in unstructured environments. This article presents a simulation and animation software program developed mainly as a teaching tool that can help the students visualize different robot localization solutions through both parametric filters (viz., the Extended Kalman Filter, Unscented Kalman Filter) and nonparametric filters (viz., the histogram filter, Rao‐Blackwell particle filter). The program is also a powerful tool for performance analysis and tuning of such filters commonly used for robot localization, mapping, and autonomous navigation. The simulation features dead reckoning (e.g., INS), range‐only sensing (e.g., rangefinder), bearing‐only sensing (e.g., digital camera), or a combination of them. The program includes a simple graphical user interface that allows for changing both filtering and sensing parameters, and monitoring the effects of those changes on the animation of a unicycle in a 2D environment. The program animates the unicycle motion and shows the kinematic results in several graphs simultaneously to evaluate the performance of different methods in finding the robot pose. The program is available as an open‐source Matlab script to facilitate future modifications and improvements of the code by the students interested in robotics, mechatronics, and control engineering. This article presents the features of the program and briefly discusses the algorithms implemented in the software. © 2010 Wiley Periodicals, Inc. Comput Appl Eng Educ 20: 721–727, 2012
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,076 | 0,023 |
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 source (Gemma direct ou Codex distillé), 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 ».