Intelligent Path Recognition against Image Noises for Vision Guidance of Automated Guided Vehicles in a Complex Workspace
Notice bibliographique
Résumé
Applying computer vision to mobile robot navigation has been studied more than two decades. The most challenging problems for a vision-based AGV running in a complex workspace involve the non-uniform illumination, sight-line occlusion or stripe damage, which inevitably result in incomplete or deformed path images as well as many fake artifacts. Neither the fixed threshold methods nor the iterative optimal threshold methods can obtain a suitable threshold for the path images acquired on all conditions. It is still an open question to estimate the model parameters of guide paths accurately by distinguishing the actual path pixels from the under- or over- segmentation error points. Hence, an intelligent path recognition approach based on KPCA–BPNN and IPSO–BTGWP is proposed here, in order to resist the interferences from the complex workspace. Firstly, curvilinear paths were recognized from their straight counterparts by means of a path classifier based on KPCA–BPNN. Secondly, an approximation method based on BTGWP was developed for replacing the curve with a series of piecewise lines (a polyline path). Thirdly, a robust path estimation method based on IPSO was proposed to figure out the path parameters from a set of path pixels surrounded by noise points. Experimental results showed that our approach can effectively improve the accuracy and reliability of a low-cost vision-guidance system for AGVs in a complex workspace.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 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 ».