Machine Learning for Multi-Robot Semantic Simultaneous Localization and Mapping
Notice bibliographique
Résumé
lieux en fonction de leur constellation avec peu de d'échanges de données.Ces derniers sont utilisés dans un mécanisme de reconnaissance de lieu décentralisé qui s'adapte efficacement à une taille d'équipe grandissante.La méthode proposée rivalise avec l'état de l'art en termes de performances et d'échanges de données, tout en étant plus transparente et interprétable.La deuxième contribution présentée dans ce mémoire est une méthode d'estimation de position et d'orientation relative basée sur des images qui peut être appliquée à de nombreux objets, y compris des robots pour la détection directe de fermetures de boucles inter-robots.La solution est composée d'un "front-end" reposant sur l'apprentissage profond pour détecter et suivre l'entité dont la position et orientation doivent être estimées, et d'un "back-end" classique de filtrage pour obtenir les estimations finales.Cette approche est testée à bord d'un drone estimant la position et l'orientation relative d'un autre drone, et surpasse l'état de l'art en termes de performances et de vitesse.Les deux solutions présentées sont complémentaires, et facilement adaptables à de nouveaux scénarios de déploiements de robots.vi
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».