Place recognition and factor graph localization for mobile robots using Google indoor street view
Notice bibliographique
Résumé
This thesis develops an indoor localization system for mobile robots using Google indoor street view. The proposed localization system consists of two main modules. The first is a place recognition system based on Google’s indoor street view. Its purpose is to determine the position of the robot in terms of the node on the street view map that is closest to the robot’s actual location. It is achieved by comparing an image captured by the robot’s camera against the indoor street view images. In order to achieve the best accuracy possible, the input image is compared to every street view image. The system employs two verification stages. The first stage is based on the visual similarity among the images. The best five images that qualified through this stage become candidate images for the second verification stage. In this stage, the geometric consistency between the images is assessed. The image that passes this test with the highest similarity score is considered a match with the input image. The proposed place recognition system is tested on different data sets and the performance is assessed using standard evaluation metrics. The second part is the main module of the proposed localization system. It is a graph-based estimation module that incorporates the odometry data, visual feedback, and motion data that eventually is solved via optimization techniques. The result is the estimates of the robot’s locations at specified intervals along its journey. It uses odometry data to interpret connections among successive poses. Also, it uses visual information from the robot’s camera to establish constraints between the robot’s poses and the map. It is achieved through constraints derived using two images, one from the robot’s camera and one from the node in the map that matches best with the image from the robot’s camera. The localization system is designed to minimize the drift caused by the odometer. The system is simulated and then tested for a data set captured at the Memorial University of Newfoundland engineering building basement. The performance of the system is evaluated using standard error metrics.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».