As aforementioned, the differences

As aforementioned, the differences between the actual and estimated position of a robot are accumulated that leads to increasing errors of the odometry-based localization. To overcome such drawbacks, extra information from visual system can be used to refine the position of the wheelchair after estimated by odometry. In this work, a depth camera is investigated. A set of depth and RGB images are captured by a depth camera and matched to some labeled locations that are annotated with labels. To create the training data, the wheelchair is moved around the building while the depth camera mounted on the wheelchair continuously records the depth and RGB data. After that, a set of RGB and depth images are labeled with different areas of the building to create training data. To be suitable with the huge image features, a randomized forest is applied to learn the training data to match the images with the labeled areas. Since the coordinates of each area are known in advance, the coordinate xt of the wheelchair at the time index t is updated by equation,

Kết quả (Việt) 1:

Như đã nói ở trên, sự khác biệt giữa thực tế và ước tính vị trí của một robot được tích lũy mà dẫn đến gia tăng các sai sót của địa phương dựa trên odometry. Để khắc phục nhược điểm như vậy, thông tin từ hệ thống thị giác có thể được sử dụng để tinh chỉnh vị trí của xe lăn sau khi ước tính bởi odometry. Trong tác phẩm này, một máy ảnh độ sâu được điều tra. Một tập hợp của chiều sâu và hình ảnh RGB là bị bắt bởi một máy ảnh độ sâu và phù hợp với một số vị trí có nhãn được chú thích với các nhãn. Để tạo dữ liệu đào tạo, xe lăn di chuyển xung quanh tòa nhà trong khi máy ảnh độ sâu lắp đặt trên xe lăn liên tục ghi lại chiều sâu và dữ liệu RGB. Sau đó, một tập hợp các RGB và độ sâu hình ảnh được gắn với các khu vực khác nhau của tòa nhà để tạo dữ liệu đào tạo. Để phù hợp với các tính năng hình ảnh rất lớn, một khu rừng ngẫu nhiên được áp dụng để tìm hiểu dữ liệu đào tạo để phù hợp với những hình ảnh với các khu vực có nhãn. Kể từ khi các tọa độ của từng khu vực được biết trước, xt tọa độ của xe lăn tại thời gian index t được Cập Nhật bởi phương trình,

Kết quả (Việt) 2:

Như đã nói ở trên, sự khác biệt giữa các vị trí thực tế và ước tính của một robot được tích lũy dẫn đến gia tăng các lỗi của các địa phương hoá odometry dựa trên. Để khắc phục những hạn chế như vậy, thông tin thêm từ hệ thống thị giác có thể được sử dụng để tinh chỉnh vị trí của xe lăn sau khi ước tính của odometry. Trong tác phẩm này, một máy ảnh độ sâu được điều tra. Một tập hợp các độ sâu và RGB hình ảnh được chụp bằng máy ảnh sâu và phù hợp với một số địa điểm dán nhãn được chú thích với nhãn. Để tạo ra các dữ liệu huấn luyện, xe lăn được di chuyển xung quanh tòa nhà trong khi máy ảnh sâu gắn trên xe lăn liên tục ghi lại độ sâu và dữ liệu RGB. Sau đó, một bộ RGB và chiều sâu hình ảnh được dán nhãn với các khu vực khác nhau của tòa nhà để tạo ra dữ liệu huấn luyện. Để phù hợp với các tính năng hình ảnh lớn, một khu rừng ngẫu nhiên được áp dụng để tìm hiểu những dữ liệu đào tạo để phù hợp với hình ảnh với các khu vực dán nhãn. Kể từ khi các tọa độ của từng khu vực được biết trước, xt của xe lăn tại các chỉ số thời gian t phối hợp được cập nhật bởi phương trình,