针对的问题 全暗洞穴环境的无人机自主飞行 人工探险危险，因为存在洞穴结构不坚固 使用机器人建图可以降低危险，且需要实时回传信息，但现有的方法基本未考虑高分辨率感知建模的同时，降低高带宽，以在低带宽场景正常工作 采用的方法 传感器和硬件设备： 深度相机用于建图 朝下的相机用于状态估计 朝前和朝下的灯光照明 this work compactly represents sensor observations as Gaussian mixture models and...
[Paper Reading] Autonomous Cave Surveying With an Aerial Robot (TRO2022)
P, NP, and NP-hard Completeness
What is P Class of Problem？ A problem has a polynominal algorithm means that it can be solved in polynominal...
CSLAM and Mutual Localization
引言 状态估计是机器人系统执行高级功能（路径规划、稠密地图构建）的基础，状态包括位置和姿态。单机的状态估计已经被较好地解决了，而多机则比单机更为复杂，需要自身和相互定位。 CSLAM 全称为 collaborative SLAM，用于估计机器人间的 相对位姿 和 全局一致的轨迹，可用于自然灾害多机器人搜救、未知环境多机探索、多机器人工业巡检、农业植保等。本篇将介绍 CSLAM 的整体框架，侧重于 CSLAM 的初始化问题，以及机器人间的相互定位。 先前的集群状态估计一般使用 GPS、UWB、RTK-GPS和动捕系统等外部设备，且包括中心节点集中处理数据。众多的外部设备影响实际应用的部署效率，系统对中心节点失效敏感。 去中心化的集群架构（不局限于状态估计）愈发受欢迎，因为其有以下优点： 无需保证所有机器人都与中心节点有稳定的通信连接，在通信受限的环境中有更强的适应性 每个机器人都可以独立于团队的其余部分行动，从而使整个系统更能容忍 单点故障 (failures...
Total views. cowboys. Hits