针对大地图的高效机器人定位的区域预测
通过将拓扑导航分为机器无关和机器特定组件,利用视觉地点识别对子目标选择进行优化,运用贝叶斯滤波提高导航性能,本研究提出了一种新模型,室内导航任务成功率提高了 76%,室外导航任务成功率提高了 23%。
Sep, 2023
本文綜合評估和比較了三種先進的 ConvNets 在導航機器人的特定挑戰中的實用性,並優化了現有 (局部敏感哈希) 和新的 (語義搜索空間劃分) 優化技術,實現了基於 ConvNets 實時地點識別性能的提升,證實了語義地點分類的網絡也在 (特定) 地點識別方面表現更好。
Jan, 2015
这篇论文在研究机器人领域中呈现了地点识别(PR)的关键技术作用,特别是在同时定位与建图(SLAM)2.0 的框架下。通过综述 PR 的最新技术进展和挑战,强调了 PR 在机器人领域广泛应用的重要性,并提供了一个面向新开发和基准测试的开源包,以及一个讨论 PR 未来发展方向的结论。
May, 2024
PRISM-TopoMap 是一种基于可学习的多模态地点识别和扫描匹配流水线的拓扑映射方法,通过维护一张本地对齐位置的图表来实现机器人的定位和循环闭环,广泛的实验评估证实了其在地图和导航效率上的优势,并在真实机器人上表现良好。
Apr, 2024
本文研究图像目标导航问题,提出了一种基于拓扑表示法、语义特征和监督学习算法的解决方案,在视觉和物理仿真实验中部署该算法,与现有方法相比,在长时间任务中呈现出 50%以上的相对提高。
May, 2020
通过提出快速而稳定的地面分割、鲁棒的带地面分割的异常值鲁棒注册、层次化多场景 SLAM 以及基于实例感知的静态地图构建,实现了一个长期稳定的机器人建图系统。
May, 2024
提出了一种地点识别模型 (PRAM),通过识别和注册两个组件,基于自我监督的地标定义策略和基于转换器的深度神经网络,使得 PRAM 能够像人类一样有效地执行视觉定位。
Apr, 2024
本文旨在探究利用先前的地图信息对动态场景中的目标进行检测,进而提出了一种基于二进制分类神经网络的算法,该算法能够验证查询图像的检测,并通过参考地图图片得出高精度检测的集合,且证明该方法在不同数据集和环境下能够提升车辆检测性能。
Jun, 2023
提出了一种名为 LCPR 的新型神经网络,该网络融合 LiDAR 点云和多视角 RGB 图像,生成环境的具有区分性和偏航旋转不变性的表示,从而提高了地点识别性能并保持了对视角变化的强鲁棒性。
Nov, 2023