Cooperative Localization in Mobile Robots Using Event-Triggered Mechanism: Theory and Experiments
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
This article addresses a new cooperative localization problem for a team of mobile robots subject to limited communication resources. First, we develop a decentralized event-triggered cooperative localization (DECL) algorithm for multirobot system such that each robot localizes itself with minimum communication exchange between robots. Then, using an event-triggered mechanism we propose an optimization framework to achieve a balance between estimation performance and communication rate. Simulation results show the main benefits of the event-triggered mechanism. Also, experimental results using four e-puck2 mobile robots demonstrate the effectiveness of the proposed method. Note to Practitioners—Multiple mobile robots are able to implement certain tasks that are beyond the capabilities of individual robots. In multirobot system, the accurate localization of each robot in the team is essential for a successful operation. Existing cooperative localization approaches neglect some realistic limitations of mobile robots, such as battery capacity and communication bandwidth. Especially, this issue is important when the number of sensors, actuators, and robots in the team increases. This article was motivated by these realistic limitations of mobile robots and it suggests a new approach for cooperative localization based on event-triggered mechanism. Motived by the aforementioned discussion, our objective is to design and implement the event-triggered cooperative localization for a group of e-puck2 robots. Our theoretical analysis and experimental results show that we achieve a tradeoff between localization accuracy and communication resources.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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