【摘 要】
：
针对单个机器人在大场景下建图与定位效果不佳,以及地图合成不实时的问题,本文提出一种兴趣区域地图提取与ROS的多机器人SLAM地图融合方法.该方法由单个机器人构建局部地图,对地图进行兴趣区域提取后,再上传到给中央处理机器,由中央处理机器利用霍夫变换地图融合算法,进行地图融合处理.验证结果表明,本系统实现了多机器人协作实时建图与融合,降低了计算的繁杂度,提高了建图效率与准确性.
【机 构】
：
上海工程技术大学机械与汽车工程学院,上海201620
论文部分内容阅读
针对单个机器人在大场景下建图与定位效果不佳,以及地图合成不实时的问题,本文提出一种兴趣区域地图提取与ROS的多机器人SLAM地图融合方法.该方法由单个机器人构建局部地图,对地图进行兴趣区域提取后,再上传到给中央处理机器,由中央处理机器利用霍夫变换地图融合算法,进行地图融合处理.验证结果表明,本系统实现了多机器人协作实时建图与融合,降低了计算的繁杂度,提高了建图效率与准确性.
其他文献
人工智能技术的不断发展使其在司法方面的应用逐渐增多,并引起广泛关注.具体来说,人工智能已经在合同审查、智慧法院等应用场景中崭露头角,相比传统人工,人工智能的高效率表现展示了其在司法领域的巨大应用潜力.但在其他应用场景,如智能司法裁判,虽然国内外有一定尝试,并取得了一些成果,但仍面临着数据样本量不足、算法与待解决实际问题匹配度不够的问题,以及算法过程不够透明等方面的质疑.文中围绕现有法律人工智能的相关工作,探索了人工智能可能带来的司法流程上的巨大变革,并对人工智能目前在智能裁判中遇到的数据和算法方面的问题是
随着科学技术的飞速发展,计算机技术被用于诸多领域,在人们的日常生活和工作中也愈加依赖计算机,在为人们带来便利的同时,网络安全问题也层出不穷,受到社会的广泛关注,需要针对当前计算机网络中存在的问题制定有效措施.从计算机网络安全含义入手,提出计算机网络安全问题的解决措施,希望对相关研究带来帮助.
物联网的技术日渐成熟,逐步引入实验室安全管理工作中,可切实保障实验设备安全,在实验中心组织架构的基础上,从硬件支撑平台和软件系统结构两方面研究了基于物联网的实验室设备管理模式,为实验室设备管理提供科学的参考模型,可增强实验设备及实验人员安全管控有效性.主要以“物联网技术”为切入点,探讨了该技术在实验室安全管理中的具体应用,希望能为高校实验室管理带来借鉴意义,切实改善实验室管理效果.
多元时序数据上的无监督模式漂移检测是机器学习领域的一个研究热点.然而,对模式及其漂移现象的定义十分灵活,使得该任务的难度较高.受“三分而治”思想启发,文中提出了一种基于FUP-STAP增量挖掘的、针对带通配符区间的状态转移模式的三支漂移检测算法(Three-Way Drift Detection Method for State Transition pAttern with Periodic Wildcard Gaps,3 WDD-STAP),它由状态转移模式(STAP)的增量算法改进而来.在不使用额外
针对目前机械结构优化中建立预测模型代价较高的问题,提出了一种基于数据学习的结构静力学性能预测方法.以悬臂梁为研究对象,建立有限元仿真模型以获取位移场数据,构建边界条件-位移场代理模型,预测结果表明位移场分布趋势与实际一致,载荷为1000 N和1600 N时最大位移相对误差分别为-0.02％和-0.47％.文中讨论了均布力大小和集中力作用位置对位移场预测结果的影响,结果表明,随着载荷幅值增加,预测误差有所增加.相比均布力,集中力载荷下的预测误差更大,且加载位置靠近边缘处的误差更大.反演问题分别将位移场作为输
属性约简目前是粗糙集领域的热点研究问题.文中研究了如何在保持误分类代价不增加的基础上减少冗余属性.首先定义了变精度模糊粗糙集中的最小误分类程度,然后引入了决策过程,提出了一种基于最小误分类程度的变精度模糊粗糙集模型,最后在这个模型的基础上将误分代价作为不变量,提出了一种启发式属性约简算法.将所提算法与其他算法进行比较,实验结果表明,所提算法得到的属性约简结果具有保留的属性数相对较少、误分类代价更低的优点.
随着互联网金融行业的迅速发展,面对海量数据,传统信用风险评估面临着挑战.信用评估中样本类别不均衡,且特征冗余度高,成为影响目前评估分类精度的关键因素.为了解决以上问题,提出了一种基于灰狼优化算法同步处理样本欠采样与特征选择的方法.该方法将分类器的性能作为灰狼优化算法的启发式信息,然后进行智能搜索,以得到最优样本与特征集的组合,并在原始灰狼算法中引入禁忌表策略,避免算法陷入局部最优.实验表明,该方法相较于其他方法有较大改进,在不同数据集上的表现均证明了该方法能够有效解决样本不均衡问题,降低特征空间维度,同时
在智慧图书馆技术提升、智能化过程中,整架一直是图书馆服务优化中重要且繁重的工作.为了提高乱架整理的效率,进一步优化服务质量,本文利用深度学习在计算机视觉上的应用,结合物联网和云技术,设计开发了整架辅助系统,包括前端图像采集系统和部署在云端的深度学习平台.系统利用巡检人员携带的全景相机采集图像,发送到云端;云端后台处理程序结合书架定位,对图像按搁板进行图像分割,识别书脊后分割为独立的书脊图像;再在该图像中进行索书号和文字识别,以获得图书的信息;最后用该信息来判断乱架图书的位置.试验证明,该系统识别准确,能辅
在多标记学习与分类中,现有邻域粗糙集特征选择算法若将样本的分类间隔作为邻域半径,则会出现分类间隔过大导致分类无意义、样本距离过大容易造成异类样本和同类样本失效,以及无法处理弱标记数据等情况.为解决这些问题,提出一种基于多标记邻域粗糙集和多标记Relief的弱标记特征选择方法.首先,引入异类样本数和同类样本数来改进分类间隔,在此基础上定义邻域半径,构造新的邻域近似精度与多标记邻域粗糙集模型,并有效度量边界域引起的集合不确定性.其次,利用迭代更新权重公式填补大部分缺失标记信息,将邻域近似精度与互信息相结合,以
本文针对基于深度学习的超分辨率重建网络SRGAN中存在的训练不稳定,重建图像信息缺失等问题进行了分析研究,做出相应的改进,提出了一种改良的生成器残差块结构,提高了重建效率,增强了重建图像的质量;引入Wasserstein距离代替JS散度来描述数据分布之间的差异,解决了生成对抗网络训练不稳定的问题,有效避免了梯度消失现象;在内容损失函数方面,选用更适合超分辨率重建任务的L1损失函数取代MSE函数,均化了对误差的惩罚,使细节更加丰富.在Set5、Set14与BSD100数据集上,经过与原网络的对比实验结果证明