کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6539300 1421097 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Bounded memory probabilistic mapping of out-of-structure objects in fruit crops environments
ترجمه فارسی عنوان
نقشه برداری احتمالی از اشیاء خارج از ساختار در محیط های میوه محدود شده است
کلمات کلیدی
نقشه برداری احتمالی، کشاورزی دقیق، شی دینامیک، زیر نمونه برداری مجدد، برآوردگرهای هسته،
ترجمه چکیده
آگاهی و حافظه فضایی عوامل کلیدی برای یک ربات است که در محیط نیمه ساختار یافته و پویا به عنوان کسانی که در کشاورزی و به ویژه در محصولات میوه ای که درختان به طور مرتب توزیع می شوند، تکامل یافته است. این مقاله یک روش احتمالاتی برای نقشه برداری از اشیاء خارج از ساختار (علف های هرز، کارگران، ماشین آلات، شاخه های افتاده و غیره) با استفاده از یک برآورد تراکم هسته پیشنهاد می کند. این روش دارای مزایای نظری و عملی نسبت به برآوردگر نقشه مشهور اشغال شبکه مانند بهینه سازی منابع ذخیره سازی، به روز رسانی آنلاین، وضوح بالا و سازگاری مستقیم با محیط های پویا است. یک مثال کاربردی، یک طرح کنترل است که از طریق آن یک ربات قادر به انجام ناوبری محتاطانه در مناطقی با احتمال زیاد پیدا کردن موانع است. شبیه سازی ها و آزمایش ها نشان می دهد که پسوند بزرگ را می توان با داده های کمی و رزولوشن فضایی بالا نقشه برداری کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
Spatial awareness and memory are key factors for a robot to evolve in semi-structured and dynamic environments as those found in agriculture, and particularly in fruit crops where the trees are regularly distributed. This paper proposes a probabilistic method for mapping out-of-structure objects (weeds, workers, machines, fallen branches, etc.) using a Kernel density estimator. The methodology has theoretical and practical advantages over the well-known occupancy grid map estimator such as optimization of storage resources, online update, high resolution, and straightforward adaptability to dynamic environments. An example application would be a control scheme through which a robot is able to perform cautious navigation in areas with high probability of finding obstacles. Simulations and experiments show that large extensions can be online mapped with few data and high spatial resolution.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers and Electronics in Agriculture - Volume 151, August 2018, Pages 11-20
نویسندگان
, , , ,