Application of Segmented 2-D Probabilistic Occupancy Maps for Robot Sensing and Navigation
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 concept of probabilistic occupancy maps was introduced by the end of the 1980s. Over the years, research has focused on the definition of the representation, the data fusion, and the generation of such occupancy models. However, few considerations have been given to processing occupancy maps as textured images to extract meaningful information that is required for robot navigation. This paper investigates the application of modern segmentation techniques over 2-D probabilistic occupancy maps that are encoded as textured images. Enhancements are proposed to a uniformity estimation technique based on local binary pattern and contrast (LBP/C) to achieve the robust segmentation of occupancy maps that typically result from range sensors with limited resolution. The enhanced LBP/C segmentation technique handles occupancy uncertainty and subdivides the space in regions that are characterized by three deterministic occupancy states, which are defined as free, unknown, and occupied. The approach is also extended to increase the number of classification levels, which provides the necessary flexibility to automatically select the regions that are characterized by a given range of occupancy states. The use of these extensions, along with the accuracy of the segmented 2-D occupancy maps, is first experimentally demonstrated on ground-based probabilistic grids for application in mobile robot navigation with collision avoidance. The potential of the proposed approach is also evaluated on aerial and satellite images for which it provides stable results and can find applications for unmanned aerial vehicle navigation.
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