A kinect-based SLAM in an unknown environment using geometric features
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
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.
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