Multiple Sensor Fusion in Mobile Robot Localization
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
The fusion of multi-sensory information plays a key role in driving a mobile robot over a fixed lane, object recognition, obstacle avoidance, self localization and path planning. To learn the environment using multi-sensory information, we need both an accurate sensor model and a reasonable sensor fusion methodology. In this paper a novel technique is explained combining data's from ultrasonic sensor, encoder and gyroscope. Encoder is often utilized for the position estimation by accumulating the number of times the wheel rotates. Since the B21r robot relies only on encoder data information for localization, the motivation behind this technique is to reduce the wheel-drift that occurs in encoder due to slippage error and bumps on the path that causes the robot to move in a elliptical path when intended to move in a circular path. The B21r mobile robot has forty eight ultrasonic sensors, twenty four at the base and twenty four at the body of the robot. The ultrasonic sensors are used to develop an obstacle avoidance algorithm based on virtual force field (VFF) technique. The algorithm is then combined with a rule based algorithm for the inertial sensors namely encoder and gyroscope, which switches the control back and forth between the encoder and the gyroscope depending on the slippage error caused in the encoder. The simulation results show the path of the robot with the conventional encoder data alone and then with the algorithm implemented. The results and future expansion of the study and the merits of the algorithm are discussed.
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