Approche multi modèles à sauts markoviens et fusion multi capteurs pour la localisation d'un robot mobile
Notice bibliographique
Résumé
Les techniques de fusion et de filtrage utilisees actuellement pour la localisation d’un robot mobile, presentent deux inconvenients majeurs. Le premier est lie au fait qu’aucune information fiable a priori sur l’entree et la covariance du bruit de mesure n’est generalement disponible. Le second est lie au fait que le processus de localisation est souvent modelise a l’aide d’un modele unique, ce qui introduit des erreurs de modelisation qui degradent la qualite du filtrage. Le travail presente dans cette these constitue deux contributions. La premiere, consiste a prendre en compte l’existence de plusieurs regimes dans le processus de localisation. Ce dernier est modelise sous la forme d’un processus hybride a sauts Markoviens, a la fois du point de vue du processus d’etat et de celui d’observation. La deuxieme contribution consiste d’une part, a effectuer une estimation adaptative en ligne de parametres statistiques tels les variances des bruits d’etat et d’observation et d’autre part, a assurer une gestion optimale des moyens d’observation. La fusion de donnees est realisee par des filtres de Kalman adaptatifs lineaires pour les processus lineaires et etendus pour les processus non lineaires. Cette approche a ete validee en simulation sur un robot equipe d’un odometre, de deux telemetres places perpendiculairement et d’un compas. Pour montrer son efficacite, une analyse comparative de ses performances par rapport a des approches existantes est presentee. Ainsi, les gains en precision apportes par cette approche comparativement aux filtres classiques sont de 2 en translation et de 2 en orientation.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».