Simultaneous Scene Reconstruction and Auto-Calibration Using Constrained Iterative Closest Point for 3D Depth Sensor Array
Notice bibliographique
Résumé
Being able to monitor a large area is essential for intelligent warehouse automation. Complete depth map of a plant floor allows Automated Guided Vehicles (AGV) to navigate the environment and safely interact with nearby people and equipment, eliminating the need for installation of guide tracks and range sensors on individual robots. A single camera does not have sufficient field of view irresolution to monitor a large scene, and a camera mounted on a moving platform introduces delays and blind spots that could put people at risk in busy areas. Multi-camera arrays are needed in order to reconstruct the scene from simultaneous captures. Existing iterative closest point (ICP) based algorithms fail to produce meaningful results due to ICP attempting to minimize Euclidean distance between non-matching pairs. This paper describes a method for accurate and computationally efficient simultaneous scene reconstruction and auto-calibration using depth maps captured with multiple downward looking overhead cameras. The proposed method extends upon standard ICP algorithm by incorporating constraints imposed by the camera setup. The common field of view constraint imposed on the ICP algorithm matches a subset of points that are simultaneously in two camera's field of view. The planar constraint restricts the search space for closest points between 2point clouds to be on a projected planar surface. To simulate a typical warehouse environment, depth maps captured from two overhead Microsoft Kinect cameras were used to evaluate the effectiveness of the proposed algorithm. The results indicate the proposed algorithm successfully reconstructed the scene and produced auto-calibrated extrinsic camera matrix, where as standard ICP algorithm did not generate meaningful 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 | 0,000 |
| 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 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 ».