A kinect-based SLAM in an unknown environment using geometric features
Notice bibliographique
Résumé
This paper proposes a geometric feature-based method to solve the Simultaneous Localization and Mapping (SLAM) problem in an unknown structured environment using a short range and low Field of View (FoV) measurement unit such as Kinect sensor. A RANdom SAmple Consensus (RANSAC) based algorithm is used for feature detection, and a grid-based point cloud segmentation method has been introduced to improve the multiple feature point-detection in a 2D depth frame. A fast SLAM algorithm is used to estimate the robot posterior and the map of the environment. This approach builds the individual maps for each particle using geometric features that are extracted from a 2D slice of a 3D depth image. Each map contains individual Extended Kalman Filters (EKFs) for each and every feature-point. This method reduces the uncertainty of the robot pose in the prediction step and it improves the pose accuracy when more geometric feature-points are available. The proposed feature-based approach gives better localization and compact map representation in structured environments when distinct features are available. The importance weighting and the comparison of features with the on-line map are performed according to the maximum likelihood criterion. In order to reduce the particle depletion, the map is updated only when a new Odometry measurement and new range measurements are available. The experiments are carried out using the recorded data with a non-holomonic mobile robot equipped with a Kinect sensor in a small scale indoor structured environment. For comparison, the grid based SLAM result is also presented for the same data set.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».