Multi-dimensional Mapping of Confined Areas using a Hexapod Robot with Integrated Sensor Data and SLAM
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
Mobile robots are increasingly used to explore and inspect confined environments, often in situations that are hazardous or inaccessible to humans, highlighting the need for advanced mapping and sensing capabilities.This paper presents a novel approach for constructing a multi-dimensional map by integrating sensor data from a hexapod robot with Simultaneous Localization and Mapping (SLAM).The robot, equipped with a DHT22 sensor and powered by a Raspberry Pi 4 Model B, was deployed in a mechanical room at the University of Alberta to collect humidity and temperature data while simultaneously mapping the environment.The Cartographer SLAM algorithm was used for mapping, and the sensor data was fused with the generated map by the Inertial Measurement Unit (IMU) using a bilinear interpolation algorithm.This pilot experiment serves as a demonstration of the proposed robot system, which results in a multidimensional map that combines 2D geographical map with sensory maps such as humidity and temperature.The map provides a visualization of the spatial distribution of environmental variables within the confined area.This approach has potential applications in various scenarios, including quick mapping of hazardous areas and routine inspections of areas with limited access.Future work will focus on incorporating 3D SLAM and exploring the use of machine learning techniques for automated anomaly detection within the multi-dimensional map, while addressing the current limitations related to real-time processing and visualization.
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 | 0,000 | 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 découle