A Fuzzy Set-Theoretic Approach to Occupancy Grid Mapping
Notice bibliographique
Résumé
This paper introduces a fuzzy set-theoretic approach to environment modeling as an alternative to conventional Occupancy Grid Mapping (OGM). The proposed method generalizes the crisp definitions of map cells and sensor measurements by employing fuzzy sets. Consequently, it utilizes fuzzy inference with interpretable rules instead of binary Bayesian inference to determine occupancy states from sensory data. As a result, the fuzzy mapping technique addresses uncertainty while eliminating assumptions about data distribution or cell occupancy probabilities. A notable advantage of the proposed Fuzzy Occupancy Grid Mapping (FOGM) is its ability to evaluate the overall occupancy states of sub-regions of the environment in a single query, unlike traditional methods that require point-by-point assessments. While this advantage introduces increased computational complexity, the mapping process is designed to ensure real-time operation. Another prominent feature of the FOGM is that it creates continuous maps with smooth occupancy variations as compared to the discrete binary maps the traditional OGM generates. The performance of the proposed technique is validated through experiments involving a mobile robot localized via a motion capture system. The robot collects range data in real-time using a LiDAR sensor to be used for mapping. Results demonstrate that the fuzzy mapping approach effectively and accurately represents the environment while maintaining computational efficiency. Its capability in parallel execution on multiple processing cores further enhances real-time performance.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».