Zobrazeno 1 - 10
of 19
pro vyhledávání: '"Luft, Lukas"'
Publikováno v:
IEEE Robotics and Automation Letters (Volume: 3, Issue: 2, April 2018)
Most robot mapping techniques for lidar sensors tessellate the environment into pixels or voxels and assume uniformity of the environment within them. Although intuitive, this representation entails disadvantages: The resulting grid maps exhibit alia
Externí odkaz:
http://arxiv.org/abs/1910.11147
Publikováno v:
IEEE/RSJ International Conference on Intelligent Robots and Systems, Madrid, 2018, pp. 4766-4773
Man-made environments such as households, offices, or factory floors are typically composed of linear structures. Accordingly, polylines are a natural way to accurately represent their geometry. In this paper, we propose a novel probabilistic method
Externí odkaz:
http://arxiv.org/abs/1910.10711
Publikováno v:
European Conference on Mobile Robots, Prague, Czech Republic, 2019, pp. 1-7
Due to their ubiquity and long-term stability, pole-like objects are well suited to serve as landmarks for vehicle localization in urban environments. In this work, we present a complete mapping and long-term localization system based on pole landmar
Externí odkaz:
http://arxiv.org/abs/1910.10550
Publikováno v:
IEEE/RSJ International Conference on Intelligent Robots and Systems, Vancouver, BC, 2017, pp. 6678-6684
A popular class of lidar-based grid mapping algorithms computes for each map cell the probability that it reflects an incident laser beam. These algorithms typically determine the map as the set of reflection probabilities that maximizes the likeliho
Externí odkaz:
http://arxiv.org/abs/1910.10493
Publikováno v:
IEEE Robotics and Automation Letters (Volume: 2, Issue: 3, July 2017)
Two core competencies of a mobile robot are to build a map of the environment and to estimate its own pose on the basis of this map and incoming sensor readings. To account for the uncertainties in this process, one typically employs probabilistic st
Externí odkaz:
http://arxiv.org/abs/1910.10469
Publikováno v:
New J. Phys. 16, 043001 (2014)
The fields of quantum non-locality in physics, and causal discovery in machine learning, both face the problem of deciding whether observed data is compatible with a presumed causal relationship between the variables (for example a local hidden varia
Externí odkaz:
http://arxiv.org/abs/1310.0284
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.