吴华;秦世音 一种基于全方位视觉增量外观学习的机器人SLAM方法。 (英语) Zbl 1214.68407号 国际期刊系统。科学。 42,第3期,407-427(2011). 小结:随着全向图像中地标外观的急剧变化,使用全向相机进行定位和绘制变得更加困难。使用传统技术,很难将地标的特征与模板匹配。我们提出了一种新的机器人同时定位与映射(SLAM)算法,该算法使用全向摄像机,使用增量地标外观学习来提供后验概率分布,以在粒子滤波框架下估计机器人的姿态。我们工作的主要贡献是通过增量概率主成分分析表示机器人姿态的后验估计,它可以自然地并入机器人SLAM的粒子滤波算法中。此外,本文的创新方法允许采用机器人SLAM的全向摄像机观察到的严重扭曲的地标外观。实验结果表明,在使用五个地标的室内环境中,定位误差小于1cm,并且地标外观的位置可以以较快的速度在全向图像中偏离地面真实值的5像素范围内进行估计。 引用于1文件 MSC公司: 68T40型 机器人人工智能 68T05型 人工智能中的学习和自适应系统 68T45型 机器视觉和场景理解 关键词:地标外观学习;概率主成分分析;增量SVD;全方位视觉;SLAM公司 软件:PCA-SIFT公司;快速SLAM PDF格式BibTeX公司 XML格式引用 \textit{H.Wu}和\textit{S.-Y.Qin},国际期刊系统。科学。42,第3号,407--427(2011;Zbl 1214.68407) 全文: 内政部 参考文献: [1] 内政部:10.1109/MRA.2006.1678144·doi:10.1109/MRA.2006.1678144 [2] 内政部:10.1109/MRA.2006.1678144·doi:10.1109/MRA.2006.1678144 [3] 品牌M,“具有缺失值的不确定数据的增量奇异值分解”(2002年)·Zbl 1034.68580号 [4] 内政部:10.1109/TRO.2008.2003276·doi:10.1109/TRO.2008.2003276 [5] DOI:10.1016/S0262-8856(00)00108-6·doi:10.1016/S0262-8856(00)00108-6 [6] DOI:10.10109/TPAMI.2007年7月49日·doi:10.1109/TPAMI.2007.1049 [7] 内政部:10.1109/MRA.2006.1638022·doi:10.1109/MRA.2006.1638022 [8] 内政部:10.1007/s10846-007-9182-5·doi:10.1007/s10846-007-9182-5 [9] 内政部:10.1007/s11263-006-0025-9·doi:10.1007/s11263-006-0025-9 [10] 内政部:10.1007/s10846-007-9179-0·doi:10.1007/s10846-007-9179-0 [11] 内政部:10.1109/34.41390·doi:10.1109/34.41390 [12] 数字对象标识码:10.1023/B:VISI.0000029664.99615.94·doi:10.1023/B:VISI.0000029664.99615.94 [13] 内政部:10.1109/TPAMI.2005.188·doi:10.1109/TPAMI.2005.188 [14] 内政部:10.1109/34.598227·doi:10.1109/34.598227 [15] 内政部:10.1177/027836402761412467·doi:10.1177/027836402761412467 [16] 内政部:10.1111/1467-9868.00196·Zbl 0924.62068号 ·doi:10.1111/1467-9868.00196 [17] Thrun S,AI杂志21,第93页–(2000) [18] 内政部:10.1145/504729.504754·doi:10.1145/504729.504754 [19] DOI:10.1162/jocn.1991.3.1.71·doi:10.1162/jocn.1991.3.1.71 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。