Augmented Visual Localization Using a Monocular Camera for Autonomous Mobile Robots
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
A visual localization method utilizing a fisheye monocular camera is proposed to enhance navigation accuracy of autonomous mobile robots in indoor environments for warehouse or service robotics applications. Existing visual infrastructure-aided localization algorithms take advantage of uniquely colored or lit robots that limit their application to ideal lighting conditions, occlusion-free scenarios or multi-modal fusion with stereo vision, LiDAR, and inertial sensors which inevitably increases their complexity. Using fisheye monocular vision imposes challenges such as depth estimation, frame warping, and low accuracy of the state estimation for far objects. The proposed augmented localization framework includes an uncertainty-aware state observer employing a motion model with a learning-based input estimator and point cloud clusters over a region of interest, to estimate the position of a robot while maintaining effective computational efficiency. Observability of the developed state estimator and asymptotic stability of the estimation error dynamics are also studied. Various tests including occlusion, low visibility for far objects, and noisy depth estimation (from the clustered region of interest), have been conducted in indoor settings to validate the method. The tests confirm robust performance of the augmented visual localization framework in presence of intermittent measurements due to environmental conditions or low reliability of vision-based depth estimation. Furthermore, a significant increase in accuracy and consistency of visual localization is shown without using additional stereo, inertial, or LiDAR measurements.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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