Research on high-precision localization method for transport robots in industrial environments based on Improved AMCL and QR code assistance
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
The application of handling robots in industrial environments has always been a research hotspot. This paper proposes a positioning scheme for handling robots based on improved adaptive Monte Carlo (AMCL) fusion of multiple sensors and QR code assistance, which can achieve high-precision positioning under low-cost conditions in industrial environments, in response to the positioning accuracy and cost issues of handling robots. Firstly, this article uses the Cartographer algorithm to fuse data from multiple sensors and improve map accuracy. Secondly, this article proposes an improved AMCL algorithm that integrates multiple sensors for localization, enhancing global localization accuracy. Then, in order to further improve the local positioning accuracy, the two-dimensional code assisted positioning system is activated to correct errors when approaching the work point, thereby achieving high-precision positioning near the work point. Meanwhile, utilizing the YOLO Fastest algorithm based on DNN inference framework to improve the efficiency of camera recognition of QR codes. Finally, the transport robot was tested in an industrial environment. The results show that the positioning error of the scheme in the x direction of the workstation point is ± 0.068 m, the positioning error in the y direction is ± 0.069 m, and the heading angle error is ± 0.107 rad. Experimental results have shown that this study helps promote the use of low-cost control methods to achieve high-precision positioning of handling robots in industrial environments.
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 | 0,003 | 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