AI-Driven Visual Navigation for Smart Lab Tour Guide Robot
Notice bibliographique
Résumé
A self-contained guidance system is required in robotics and automation laboratories for autonomous navigation purposes.In laboratory conditions where conditions are constantly changing, regular fixed-path solutions will not work.In this paper, a comprehensive framework for a tour guide robot is developed.An AI-driven visual navigation system is used to guide the robot.Simultaneous localization and mapping (SLAM) is implemented instead of the traditional line following approach.Deep learning-based obstacle detection is optimized for robot path planning.ORB-SLAM2 (monocular version) is considered for real-time localization and mapping.A specific data set is taken from the laboratory for fine-tuning of YOLOv5s for dynamic obstacle detection.The algorithm is extended for real-time path planning to avoid obstacles in the robot's path.Raspberry Pi 4 and Arduino Uno are used for the development of the embedded system so that it compares both for practical deployment feasibility.In this research, a 40% reduction in tour completion time and a 95% obstacle avoidance success rate are achieved.This investigation has achieved an average path deviation accuracy of 1.1 cm.A sensor fusion architecture is used to combine visual SLAM feature with deep learning detection for robust navigation.This research considers and impacts the architecture contrasts on hardware.Extensive performance characteristics are studied under different environmental conditions.This proposed AI-driven robot navigation in lab operations has set a new benchmark for intelligent robotics in academia and the public sector.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».