Developing and deploying a tethered robot to map extremely steep terrain
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
Abstract Mobile robots outfitted with a supportive tether are ideal for gaining access to extreme environments for mapping when human or remote observation is not possible. This paper is a field report covering both the development and field testing of our Tethered Robotic eXplorer (TReX) to map a steep, tree‐covered rock outcrop in a gravel mine. TReX is a mobile robot designed for the purpose of mapping extremely steep and cluttered environments for geologic and infrastructure inspection. In comparison to other systems, our design improves tethered mobility by enabling rotational freedom on steep slopes using a center‐pivoting tether management payload. To map the terrain, we leverage the rotation of an actuated tether spool with an attached two‐dimensional (2D) lidar, which rotates to both manage tether and produce 3D scans. Given that mapping requires vehicle motion, we also evaluate two existing, real‐time approaches to estimate the trajectory of the robot and rectify motion distortion from individual scans before alignment into the map: (a) a continuous‐time, lidar‐only approach that handles asynchronous measurements using a physically motivated, constant‐velocity motion prior, and (b) a method that computes visual odometry from streaming stereo images to use as a motion estimate during scan collection. Once rectified, individual scans are matched to the global map by an efficient variant of the Iterative Closest Point (ICP) algorithm. Our results include a comparison of estimated maps and trajectories to ground truth (measured by a remote survey station), an example of mapping in highly cluttered terrain, and lessons learned from the design and deployment of TReX.
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