Notice bibliographique
Résumé
The structure and camera pose obtained using multiple view geometry based techniques cannot readily be used for robot localization and mapping. This is due to the fact that the structure and pose obtained relate to the actual environment and motion only up to a transform. In this paper, a method to localize the robot using monocular vision is presented. The assumptions are that the initial pose of the robot is known and that five or more landmarks (true, world points) can be identified. If two or more dissimilar views of at least five non coplanar feature points are initially available, subsequent robot locations with respect to the landmarks in view can be established. The exploration of the environment can then take place incorporating new feature points as the robot moves and successive images are acquired. The feature points which are no longer present in the field of view have to be handled along with the occluded ones. In the presented method, the recovered structure and the knowledge about the intrinsic parameters of the camera are used to obtain the metric structure. Depending on the number of images considered at a time, the structure recovery can be done using the epipolar constraints or using the factorization method. The coordinates of the known landmarks are used to calculate the true 3D world coordinates of the feature points. Current location of the robot is established with respect to these landmarks. The world coordinates of the subsequently observed feature points are obtained using the full camera calibration available following the robot localization. The proposed method avoids cumbersome stereo rig calibration. It naturally uses the new feature information available as the robot moves, for incremental localizations. The performance of the algorithm is verified with simulation and real results.
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 | 0,000 |
| 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 | 0,001 |
| 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 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 ».