This paper describes a probabilisti

This paper describes a probabilistic approach to the problem of recognizing places based on their appearance. The system we present is not limited to localization, but can determine that a new observation comes from a previously unseen place, and so augment its map. Effectively this is a SLAM system in the space of appearance. Our probabilistic approach allows us to explicitly account for perceptual aliasing in the environment—identical but indistinctive observations receive a low probability of having come from the same place. We achieve this by learning a generative model of place appearance. By partitioning the learning problem into two parts, new place models can be learned online from only a single observation of a place. The algorithm complexity is linear in the number of places in the map, and is particularly suitable for online loop closure detection in mobile robotics.

Kết quả (Việt) 1:

Bài báo này mô tả một cách tiếp cận xác suất cho vấn đề công nhận địa điểm dựa trên xuất hiện của họ. Hệ thống chúng tôi trình bày là không giới hạn địa phương hoá, nhưng có thể xác định rằng một quan sát mới đến từ một nơi trước đây unseen, và vì vậy tăng cường bản đồ của nó. Có hiệu quả, đây là một hệ thống SLAM trong không gian xuất hiện. Cách tiếp cận xác suất của chúng tôi cho phép chúng tôi một cách rõ ràng tài khoản cho các răng cưa perceptual trong môi trường-quan sát giống hệt nhau nhưng indistinctive nhận được một xác suất thấp có đến từ cùng một vị trí. Chúng tôi đạt điều này bằng cách học một mô hình thể sinh nơi xuất hiện. Bởi phân vùng vấn đề học tập thành hai phần, nơi các mô hình mới có thể được học trực tuyến từ chỉ là một quan sát duy nhất một nơi. Sự phức tạp thuật toán là tuyến tính trong số các địa điểm trên bản đồ, và là đặc biệt thích hợp cho trực tuyến vòng lặp đóng cửa phát hiện robot điện thoại di động.

Kết quả (Việt) 2:

Bài viết này mô tả một phương pháp xác suất để các vấn đề công nhận các khu vực dựa trên sự xuất hiện của họ. Hệ thống chúng tôi trình bày không giới hạn địa hóa, nhưng có thể xác định rằng một quan sát mới đến từ một nơi trước đây chưa từng, và do đó làm tăng thêm bản đồ của nó. Hiệu quả này là một hệ thống SLAM trong không gian xuất hiện. Cách tiếp cận xác suất của chúng tôi cho phép chúng tôi để giải một cách rõ ràng cho aliasing tri giác trong môi trường giống nhau nhưng quan sát rỏ nhận được một xác suất thấp có đến từ cùng một nơi. Chúng tôi đạt được điều này bằng cách học một mô hình sinh sản của nơi xuất hiện. Bằng cách phân vùng các vấn đề học tập thành hai phần, mô hình nơi mới có thể được học trực tuyến từ chỉ một quan sát đơn của một nơi. Sự phức tạp thuật toán là tuyến tính trong số các địa điểm trên bản đồ, và đặc biệt thích hợp cho việc phát hiện vòng lặp đóng cửa trực tuyến về robot di động.