A Visual Landforms Classification Methodology for Mobile Robot Navigation by Intelligent Double Spike Neural Network Acceleration
Notice bibliographique
Résumé
The autonomous navigation of Unmanned Ground Vehicles (UGVs) necessitates the precise identification of the surrounding outdoor environment, emphasizing the significance of terrain classification.This study introduces an Intelligent Double Spike Neural Network (IDSNN) that utilizes supervised learning with vision data for the classification of diverse terrains.Specifically, six terrain types are classified: hydrop, gravel, grass, sand, asphalt, and mud.The extraction of texture features, pivotal for the model's input, is conducted using the Local Binary Pattern (LBP) method.The IDSNN model, characterized by its utilization of a multi-spike learning mechanism with temporal coding, demonstrates superior performance in both accuracy and power efficiency.Comparative analyses reveal that the multi-spike learning approach of IDSNN significantly outperforms the single-spike learning employed in the Semi-Recurrent Spike Neural Network (SRSNN).Evaluation metrics, including accuracy, precision, recall, and F1-score, are employed to quantify this advancement.Notably, IDSNN exhibits a 3% improvement in overall accuracy over SRSNN, achieving an impressive accuracy rate of 90.706%.The findings of this study underscore the potential of IDSNN in enhancing the safety and efficiency of Mobile Robot Navigation (MRN) through reliable terrain classification.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».