МЕТОДИКА МОДЕЛИРОВАНИЯ 3D ДИНАМИЧЕСКОЙ СРЕДЫ НА ОСНОВЕ ТЕОРЕМЫ БАЙЕСА
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Аннотация
Демонстрируется новый вероятностный подход в изучении пространственных представлений динамической окружающей среды с помощью 3D-лазерных измерений. Показано, что предлагаемый метод может применяться в режиме реального времени даже при наличии большого количества динамических объектов, в отличие от большинства ранее разработанных методик, которые затратны в вычислительном плане при рассмотрении данного вопроса. Существуют способы для изучения активности переднего плана изображения. Однако они, как правило, не учитывают неопределенности, полученные в процессе зондирования. Сделан вывод, что проблема обнаружения динамических объектов может быть решена онлайн при помощи последовательной структуры Байеса. Все параметры, участвующие в процессе обнаружения, подчиняются вероятностной интерпретации. При использовании в реальных условиях, результаты, получаемые предложенным методом, могут применяться для решения различных задач, таких как навигация робота, создание карт, определение локализаций.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Biber, P. Dynamic maps for long-term operation of mobile service robots / P. Biber, T. Duckett // In: Proc. of Robotics: Science and Systems, RSS (2005).
Burgard, W. Mobile robot map learning from range data in dynamic environments / W. Burgard, C. Stachniss, D. Hahnel // STAR, vol. 35 (2007).
Schulz, D. Probabilistic state estimation of dynamic objects with a moving mobile robot / D. Schulz, W. Burgard // Robotics and Autonomous Systems 34(2–3), 107–115 (2001).
Coastal navigation: Mobile robot navigation with uncertainty in dynamic environments / N. Roy [et al.] // In: IEEE International Conference on Robotics and Automation, pp. 35–40. Citeseer (1999).
Jensen, B. Motion detection and path planning in dynamic environments / B. Jensen, R. Philippsen, R. Siegwart // In: Workshop Proceedings Reasoning with Uncertainty in Robotics, International Joint Conference on Artificial Intelligence, IJCAI (2003).
Classifying dynamic objects: An unsupervised learning approach / M. Luber [et al.] // In: Robotics: Science and Systems IV, p. 270 (2009).
Lee, D. A Bayesian framework for Gaussian mixture background modeling / D. Lee, J. Hull, B. Erol // In: Proc. of The IEEE International Conference on Image Processing, vol. 3, pp. 973–976 (2003).
Stauffer, C. Learning patterns of activity using real-time tracking / C. Stauffer, W. Grimson // IEEE Transactions on Pattern Analysis and Machine Intelligence 22(8), 747–757 (2000).
Sheikh, Y. Bayesian object detection in dynamic scenes / Y. Sheikh, M. Shah // In: Proc. of The IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 1, p. 74 (2005).
Hou, S. Robust estimation of Gaussian mixtures from noisy input data / S. Hou, A. Galata // In: Proc. of The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1–8 (2008).
Surmann, H. An autonomous mobile robot with a 3D laser range finder for 3D exploration and digitalization of indoor environments / H. Surmann, A. Nuchter, J. Hertzberg // Journal of Robotics and Autonomous Systems (JRAS) 45(3–4) (2003).
A non-rigid approach to scan alignment and change detection using range sensor data / R. Kaestner [et al.] // In: Field and Service Robotics. STAR, 25th edn., pp. 179–194. Springer (2006).
Bishop, C. [et al.] // Pattern Recognition and Machine Learning, pp. 94–97. Springer, New York (2006).
Lerner, U. Hybrid Bayesian Networks for Reasoning about Complex Systems / U. Lerner // PhD thesis, Stanford University (2002).