Real‐time moving object detection and removal from 3D pointcloud data for humanoid navigation in dense GPS‐denied environments
Notice bibliographique
Résumé
Abstract Robot perception in dynamic confined unstructured environments is a challenging task due to unanticipated changes that take place in the surroundings. Although 3D perception sensors are able to capture terrain topology with high precision, the interim variations between collected sensor data that are caused due to the motion of moving entities with respect to the robot lead to noisy mappings of the environment. In this article, a real‐time 3D perception filter is presented that is capable of detecting and eliminating moving point clusters from the input pointcloud data collected in an indoor environment. Using LiDAR and IMU sensors the proposed mechanism can help in precise 3D pointcloud map generation in dynamic and unstructured GPS‐denied environments. In this article, a novel approach has been proposed based on the concepts of data clustering, relative motion, pointcloud change detection and confidence tracking. The novelty of this approach lies in its ability to detect within cluster movements and the proposal of a generic tracking method for handling inconsistent motion of objects typically found in indoor environments. For the detection of moving objects, the proposed mechanism does not require any prior knowledge about the target entity. For pointcloud preprocessing, a ground plane removal approach has been proposed based on voxel grid covariance along the axis normal to the ground. The approach was experimented on a humanoid robot in indoor office environments using Velodyne VLP‐16 LiDAR and Intel T265 IMU. The results show that the proposed approach is efficient in detecting indoor moving objects in real time.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».