scholarly journals L1–L2-norm comparison in global localization of mobile robots

2011 ◽  
Vol 59 (9) ◽  
pp. 597-610 ◽  
Author(s):  
L. Moreno ◽  
D. Blanco ◽  
M.L. Muñoz ◽  
S. Garrido
Keyword(s):  
Mobile Robots ◽  
Global Localization ◽  
L2 Norm ◽  
Norm Comparison

Vision-based global localization for mobile robots with hybrid maps of objects and spatial layouts

2009 ◽  
Vol 179 (24) ◽  
pp. 4174-4198 ◽  
Author(s):  
Soonyong Park ◽  
Soohwan Kim ◽  
Mignon Park ◽  
Sung-Kee Park
Keyword(s):  
Mobile Robots ◽  
Global Localization ◽  
Spatial Layouts

scholarly journals Self-adaptive Monte Carlo localization for mobile robots using range finders

Robotica ◽  
2011 ◽  
Vol 30 (2) ◽  
pp. 229-244 ◽  
Author(s):  
Lei Zhang ◽  
René Zapata ◽  
Pascal Lépinay
Keyword(s):  
Monte Carlo ◽  
Mobile Robots ◽  
Position Tracking ◽  
Localization Algorithm ◽  
Global Localization ◽  
Adaptive Monte Carlo ◽  
Local Sample ◽  
Monte Carlo Localization ◽  
Sample Set ◽  
Self Adaptive

SUMMARYIn order to achieve the autonomy of mobile robots, effective localization is a necessary prerequisite. In this paper, we propose an improved Monte Carlo localization algorithm using self-adaptive samples (abbreviated as SAMCL). By employing a pre-caching technique to reduce the online computational burden, SAMCL is more efficient than the regular MCL. Further, we define the concept of similar energy region (SER), which is a set of poses (grid cells) having similar energy with the robot in the robot space. By distributing global samples in SER instead of distributing randomly in the map, SAMCL obtains a better performance in localization. Position tracking, global localization and the kidnapped robot problem are the three sub-problems of the localization problem. Most localization approaches focus on solving one of these sub-problems. However, SAMCL solves all the three sub-problems together, thanks to self-adaptive samples that can automatically separate themselves into a global sample set and a local sample set according to needs. The validity and the efficiency of the SAMCL algorithm are demonstrated by both simulations and experiments carried out with different intentions. Extensive experimental results and comparisons are also given in this paper.

scholarly journals Модель та алгоритми гранулярної фільтрації у задачі глобальної локалізації мобільного робота

2020 ◽  
Vol 45 (3) ◽  
pp. 41-46
Author(s):  
R. Pantyeyev ◽  
P. Bidyuk
Keyword(s):  
Mobile Robots ◽  
Global Localization

Методи оцінювання параметрів і станів динамічних систем – актуальна задача, результати розв’язання якої знаходять своє застосування у різних галузях діяльності, включаючи дослідження процесів у технічних системах, космологічних та фізичних дослідженнях, медичних діагностичних системах, економіці, фінансах, біотехнологіях, екології та інших. Незважаючи на значні наукові і практичні досягнення у цьому напрямі, дослідники багатьох країн світу продовжують пошуки нових методів оцінювання параметрів і станів досліджуваних об’єктів та удосконалення існуючих. Прикладом таких методів є цифрова та оптимальна фільтрація, які знайшли широке застосування у технічних  системах ще у середині минулого століття, зокрема, у обробці фінансово-економічних даних, фізичних експериментах та інших інформаційних технологіях самого різного призначення. Розглядається модель та алгоритми гранулярної фільтрації на практичному прикладі – варіанті задачі глобальної локалізації мобільного робота (global localization for mobile robots) або задачі про викраденого робота (hijacked robot problem). В загальному варіанті вона полягає у визначенні положення робота за даними з сенсора. Ця задача була в цілому розв’язана рядом імовірнісних методів в кінці 90-х-початку 2000-х років. Задача є важливою і знаходить застосування у мобільній робототехніці та промисловості. Схожими за суттю є задачі позиціонування підводних човнів, літальних апаратів, автомобілів тощо. Також розглядається задача позиціонування робота. Нехай у темному лабіринті увімкнувся робот. Він має карту лабіринту та компас. У лабіринті в деяких точках встановлені позначені на карті станції, які можуть приймати і відбивати сигнал. Робот не знає, в якому місці лабіринту він знаходиться, але він може в кожний момент часу відправляти сигнал і з деякою похибкою дізнаватись відстань до найближчої до нього станції. Робот починає блукати лабіринтом, роблячи кожний крок у новому випадково обраному напрямку, але його компас також дає деяку несистематичну похибку. На кожному кроці робот визначає відстань до найближчої станції. Мета – з’ясувати координати робота у лабіринті в системі відліку, введеній на карті.

Sign in / Sign up

Export Citation Format

Share Document