Receding-Horizon Vision Guidance with Smooth Trajectory Blending in the Field of View of Mobile Robots
Notice bibliographique
Résumé
Applying computer vision to mobile robot navigation has been studied for over two decades. One of the most challenging problems for a vision-based mobile robot involves accurately and stably tracking a guide path in the robot limited field of view under high-speed manoeuvres. Pure pursuit controllers are a prevalent class of path tracking algorithms for mobile robots, while their performance is rather limited to relatively low speeds. In order to cope with the demands of high-speed manoeuvres, a multi-loop receding-horizon control framework, including path tracking, robot control, and drive control, is proposed in this paper. This is done within the vision guidance of differential-driving wheeled mobile robots (DWMRs). Lamé curves are used to synthesize a trajectory with G 2 -continuity in the field of view of the mobile robot for path tracking, from its current posture towards the guide path. The platform twist—point velocity and angular velocity—is calculated according to the curvature of the Lamé-curve trajectory, then transformed into actuated joint rates by means of the inverse-kinematics model; finally, the motor torques needed by the driving wheels are obtained based on the inverse-dynamics model. The whole multi-loop control process, initiated from Lamé-curve blending to computational torque control, is conducted iteratively by means of receding-horizon guidance to robustly drive the mobile robot manoeuvring close to the guide path. The results of numerical simulation show the effectiveness of our approach.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».