Autonome Mobile Systeme 2007 : 20. Fachgespräch by Karsten Berns, Tobias Luksch

By Karsten Berns, Tobias Luksch

Ausgewählte Beiträge zu aktuellen Themen: Das 20. Fachgespräch Autonome cellular Systeme (AMS 2007) ist ein discussion board für Wissenschaftler/innen aus Forschung und Industrie, die auf dem Gebiet der autonomen mobilen Systeme arbeiten. Es bietet Raum für Gedankenaustausch und Diskussion und fördert bzw. initiiert Kooperationen auf diesem Forschungsgebiet. Das diesjährige Fachgespräch beschäftigt sich hauptsächlich mit dem Bereich der kognitiven vehicle und Laufmaschinen.

Show description

Read or Download Autonome Mobile Systeme 2007 : 20. Fachgespräch Kaiserslautern, 18./19. Oktober 2007 PDF

Best german_3 books

Zwischenprüfungstraining Bankfachklasse : programmierte Aufgaben mit Lösungen

Die Aufgaben dieses Buches sind handlungsorientiert und den Themen des geltenden Stoffkatalogs entnommen. In die eleven. Auflage wurden alle wichtigen neuen Gesetze und Verordnungen eingearbeitet. Die Aufgaben zur Sozialversicherung berücksichtigen die aktuelllen Beitragsbemessungsgrenzen. Außerdem haben die Autoren die Neuregelungen zum Nachlasskonto sowie zur Wertberichtigung auf Sachanlagen eingearbeitet.

Extra resources for Autonome Mobile Systeme 2007 : 20. Fachgespräch Kaiserslautern, 18./19. Oktober 2007

Example text

E)-(h) Real-world exploration in an outdoor scenario. One can see the walls of three buildings, the pitched roof of a green house, and several street lamps and trees. 28 D. Joho et al. patches and its bounding box roughly covers an area of about 70m × 75m. 1m. 5 Conclusion In this paper, we presented an approach to autonomous exploration for mobile robots that is able to acquire a three-dimensional model of the environment, which is compactly represented by a multi-level surface map. We addressed problems which are not encountered in traditional 2D representations such as negative obstacles, roughness, and slopes of non-flat environments.

The experimental work of this new approach is discussed in Section 5. 2 Feature Extraction Using PCA The main steps to extract features using PCA are summarized by the following steps: 1. Each image I of size N × N is transformed to an 1 × N · N vector Γi . Here, we assume squared images for simplicity. L 2. The average image Ψ is evaluated as Ψ = L1 i=1 Γi , where L is the number of images in the training set. 3. The difference between each image I and Ψ is computed as Φi = Γi − Ψ . L 4. A covariance matrix is estimated as C = L1 i=1 Φi ΦTi .

We use artificial illumination in these experiments. Each group consists of 45 different images. We did training with one group and testing with the other three groups. Thus, we considered four different training and testing combinations. The results of the localization are shown in Figure 2(a), where the number of eigenvalues K is assigned to 5, 7 and 9. The best results are obtained when using the second wavelet resolution, where the localization rate is 95%, 98% and 100% for K = 5, 7 and 9, respectively, while the localization rate of using PCA alone is 52%, 64% and 74%, respectively.

Download PDF sample

Rated 4.01 of 5 – based on 24 votes