Energy-Efficient Ground Traversability Mapping Based on UAV-UGV Collaborative System
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
With the development of science and technology, robots have been widely used in smart cities. The traversability mapping of environment perception is the prerequisite for robots to perform tasks. To save the energy consumption of traversability mapping for unmanned ground vehicle (UGV), we fusion a wide range of aerial images and a small amount of ground images to provide vision for UGV. Current map fusion methods are usually constrained by homogeneous model of robotic systems and lack of diverse sensors. As a result, they cannot work well in heterogeneous collaborative robotic systems that consist of aerial and ground robots. In this paper, we use heterogeneous robot systems, including UGV and unmanned aerial vehicles (UAV) to build an occupancy grid map that can be used for navigation. To fuse sensor data of different types, we propose a Collaborative Map Fusion algorithm based on Multi-task Gaussian Process Classification (MTGPC) using heterogeneous robotic systems. Besides, probabilistic model is exploited in traversability mapping, so the active perception can be used to build the map efficiently. Our system is tested in real scenes and can achieve an accuracy of more than 70%. The map fusion using active perception is better than map fusion using random strategy in terms of speed and accuracy. To our knowledge, this is the first work that can build the occupancy grid map using sparse data points sampled from aerial images and ground lidar map.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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