MétaCan
Menu
Retour à la cohorte
Enregistrement W4287882769 · doi:10.1109/isie51582.2022.9831475

Rao-Blackwellized Variational Bayesian Smoother for Mobile Robot Localization

2022· article· en· W4287882769 sur OpenAlexaff
Shuo Zhang, Jinjun Shan

Notice bibliographique

Revue2022 IEEE 31st International Symposium on Industrial Electronics (ISIE) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotics and Sensor-Based Localization
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésCovarianceNoise (video)EstimatorMobile robotLandmarkArtificial intelligenceBayesian probabilityComputer scienceComputer visionCovariance matrixPosterior probabilityEstimation of covariance matricesNoise measurementAlgorithmMathematicsRobotStatisticsNoise reduction

Résumé

récupéré en direct d'OpenAlex

This paper proposes a Rao-Blackwellized variational Bayesian smoother for mobile robot localization with unknown measurement noise covariance. The measurement noise covari-ance is considered as a random matrix to be estimated where inverse Wishart distribution is used to describe the uncertainty of the measurement noise covariance. Variational Bayesian approxi-mation is applied to calculate the distribution of the measurement noise covariance. Based on landmark measurements obtained by the mobile robot, the robot pose, landmark locations, and measurement noise covariance are estimated by the proposed method in which the estimated robot pose and landmark locations are obtained by a Rao- Blackwellized estimator. The numerical simulation is provided to show the effectiveness and advantage of the proposed method.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,979
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,231
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE 31st International Symposium on Industrial Electronics (ISIE)Même sujetRobotics and Sensor-Based LocalizationTravaux en français237 207