Three‐dimensional SLAM for mapping planetary work site environments
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
Abstract In this paper, we present a robust framework suitable for conducting three‐dimensional simultaneous localization and mapping (3D SLAM) in a planetary work site environment. Operation in a planetary environment imposes sensing restrictions, as well as challenges due to the rugged terrain. Utilizing a laser rangefinder mounted on a rover platform, we have demonstrated an approach that is able to create globally consistent maps of natural, unstructured 3D terrain. The framework presented in this paper utilizes a sparse‐feature‐based approach and conducts data association using a combination of feature constellations and dense data. Because of feature scarcity, odometry measurements are also incorporated to provide additional information in feature‐poor regions. To maintain global consistency, these measurements are resolved using a batch alignment algorithm, which is reinforced with heterogeneous outlier rejection to improve its robustness to outliers in either measurement type (i.e., laser or odometry). Finally, a map is created from the alignment estimates and the dense data. Extensive validation of the framework is provided using data gathered at two different planetary analogue facilities, which consist of 50 and 102 3D scans, respectively. At these sites, root‐mean‐squared mapping errors of 4.3 and 8.9 cm were achieved. Relative metrics are utilized for localization accuracy and map quality, which facilitate detailed analysis of the performance, including failure modes and possible future improvements. © 2012 Wiley Periodicals, Inc.
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