可在www.sciencedirect.com在线获取理论计算机科学电子笔记281（2011）175-191www.elsevier.com/locate/entcs一种基于单目视觉的我是M。Kelson R.Sa ntana T. R odrigoM. A ires. S. V纪元S1Department of Informatics e Statistics-DIEFederalUniversityofPiau'én-UFPITeresina-PI，巴西阿德拉多河D. Medeiros2北里奥格兰德联邦大学计算机工程与自动化系巴西纳塔尔-RN摘要本文提出了一种方法，使用平面信息（单应矩阵），建立一个视觉二维占用网格地图从单目视觉。 最初，分割步骤是必要的，以分类的部分，图像在底部或非底部。 从这个分类可以确定图像的哪些部分是自由的，图像的哪些部分是障碍。 实际结果验证了该建议。保留字：视觉占据网格图，单目视觉，图像分割。1介绍利用机器人进行地图自动构建的研究由来已久。映射方法的早期代表是[15，16]，他提出了一种使用占领网格进行环境建模的重要算法。通过这种形式的表示，环境的连续空间被离散化，使得环境从这样的时刻起在多维（2D或3D）网格或矩阵的配置下表示每个矩阵Elfes1电子邮件：andremacedo@ufpi.edu.br2电子邮件地址：adelardo@dca.ufrn.br1571-0661 © 2011 Elsevier B. V.在CC BY-NC-ND许可下开放访问。doi：10.1016/j.entcs.2011.11.033176上午Santana等人理论计算机科学电子笔记281（2011）175图1示出了如何利用从声纳波束获得的数据来表示占用网格中的环境的一部分。在那里，黑色单元代表声纳检测到的物体，白色单元代表自由区域或未被物体占据的区域，最后，灰色单元代表尚未映射的区域强调了基于占用网格的概率空间模型被呈现为可以直接用于导航任务的地图，例如具有障碍物偏差的路径规划和位置估计。图1.一、声纳波束在2D占用网格上的表示精灵[16]面临的一个问题是声纳返回的测量结果存在不确定性虽然采用了过滤不需要的信息的方法，但来自声束的信息仅提供了关于环境占用区域的间接数据（例如，声纳仅提供了机器人与障碍物之间的距离，但它不告知此类障碍物的位置）。由于声纳波束仅告知工作环境体积是空的还是被占用的，Elfes [16]使用概率分布函数对波束进行建模。这些函数描述了圆锥（光束的数学模型）内的许多点代表没有障碍物的区域的信任由真实空间体积上的概率分布函数返回的信息被投影到矩阵上，其中单元格描述了环境的预定义区域[35]。这些概率与同一实空间区域的其他声束概率相结合因此，映射被概括为一个矩阵，其单元存储[-1，1]之间的值，对应于区域为空（负值）或被占用（正值）的概率。具有空值的单元格表示缺乏关于未调查区域的知识职业.这种概率技术受欢迎的原因因此，概率算法被认为是处理不确定性和噪声问题的一个很好的选择，产生了更令人满意的映射结果上午Santana等人理论计算机科学电子笔记281（2011）175177x为oh2概率公式表示具有占用网格的映射的默认统计公式由等式（1）中所示的数学表达式（1）[16、35]。该算法假设了机器人的位姿知识（位置和方向）。(1)P（M|Z0：t）在该等式中，M表示所获取的地图，并且Z0：t是感觉测量值。直到那一刻才确定。重要的是要明确，该算法假设笛卡尔坐标和机器人的方向是已知的在其上发现机器人的环境连续空间被离散化在单元上，这些单元一起近似地表示映射的环境。在2D网格的情况下，该离散化可以对应于传感器平面上的3D环境纵向切割这取决于特性和/或所使用的传感器模型。考虑到环境在单元上的离散化，可以定义一个具有有限单元集mx，y的映射，其中每个单元集都有一个聚合值，该聚合值对应于它被占用的概率。单元格可以具有0到1的区间之间的值。值0表示单元格是空的，1表示单元格被占用。从一个地图是一个有限的细胞集，映射问题可以分解为一组问题，估计每个细胞的价值。方程（2）表示单元mx，y估计的实例，并且被转换为当给出直到t时刻的感觉测量z0：t时单元mx，y被占用(2)P（m x，y|z0：t）由于概率接近0或1的数值不稳定性的原因，通常计算P（m x，y）的对数几率（对数概率|z0：t）而不是P（m x，y|z0：t）。log-odds的定义为：（三）tx，y=logP（m x，y|z0：t）1 − P（m x，y|z0：t）小区占用概率的值可以通过等式（1）来恢复（四）、1（4）P（m x，y|z0：t）= 1 − elt通过应用于P（mx，y）的贝叶斯规则，可以在任何t时刻递归地估计概率值|z1：t）（等式5）。（五）P（mx为oh|z0:t）= P（zt|z0：t− 1，mx，y）P（mx，y |z0：t− 1）P（zt|z0：t− 1）P（zt|z0：t−1，mx，y）represennts的概率莫德尔的的面积传感器，P（m x，y|z0：t−1）是t−1时刻t上的mx，y单元占用率，P（zt|z0：t−1）是传感器测量的实际值。假设这种映射是在统计环境下进行的，因此，传感器当前测量值与过去测量值无关L178上午Santana等人理论计算机科学电子笔记281（2011）175测量，给定一个m地图，在任何时刻，这意味着在方程。（6）和（7）。（6）P（zt|z0：t−1，m）=P（zt|米）的（7）P（zt|z0：t−1）=P（zt）由于地图被分解成单元，因此该假设可以扩展，如在等式（1）中所示。（八）、（8）P（zt|z0：t−1，mx，y）=P（zt|mx，y）根据假设，Eq。（5）可以简化为Eq。（九）、（九）P（mx为oh|z0:t）=P（zt|mx，y）P（mx，y|z0：t−1）P（zt）总概率规则适用于等式。（9）在Eq.（十）、在此基础上，计算了以P（z t）为基数，m ×，y被占用的概率|m x，y）传感器概率模型和小区的先验可用占用值P（mx，y|z0：t− 1）。P（zt|mx，y）P（mx，y|z0：t−1）（十）P（m x，y|z1：t）= 0P（z|M）P（m|（z）3相关作品mx，yt x，yx为oh0：t−1在Oriolo等人的一项较早的工作中。[29]，作者表明可以使用集合论（模糊逻辑）来制定和解决处理其不确定性的感知和规划问题通过这种技术构建的地图被定义为作为一个模糊集，其中每个点都与一个实数相关联，它可能是障碍物的一部分。 所呈现的主要优点是 使用多种类型的模糊算子来模拟不确定性和聚合来自多个来源的信息的可能性。Konolige [24]提出了一种方法，该方法讨论了Elfes [15]提出的映射方法的数学细化，称为MURIEL（多重表示独立证据日志），旨在处理声纳的内在问题，具有多重反射和读取冗余。Borenstein和Koren [6]创建了一种基于直方图的方法，其主要目标是减少基于占用网格的表示所固有的计算成本另一种变体可以在Yellow等人的工作中得到验证。[37]。 这最后一项工作方法的数据存储和表示问题的大型地图，并做到这一点，提出了一种表示形式的占用网格的基础上小波：小波占用网格。关于环境表示，重要的是要考虑到，除了研究用于映射的数据之外，还可以关联例如土壤变形、湿度和温度等辅助信息。这种加入辅助信息的概念很难结合到传统的SLAM中。Estrada等人。[17]阐述了一种称为DenseSLAM的方法来允许这种合并。因为机器人在环境中移动，所以辅助数据被存储在适当的数据结构中，诸如占用网格，并且辅助数据被存储在适当的数据结构中。上午Santana等人理论计算机科学电子笔记281（2011）175179由每个单元网络表示的区域由一组地图的局部标记确定。其结果是通过网格不断保持信息空间局部性的能力。其他调查股是有关混合地图糖果。这种表示集中在机器人的最高级别的任务，例如，路径规划提供补贴的可能性 Ahn et al. [1]构建具有特征的地图内部环境的3D点和线。 然而，Wurm等人[36]代表了 网格和特征图，其中映射的特征是探索循环的中心。Blanco等人。[3]提出了一个大型SLAM实验的度量和拓扑表示。Andrade和Sanfeliu [2]使用随时间减少的力公式，展示了使用占用网格进行动态环境映射的解决方案。在每次重新观察标记时，与标记相关的力被加强，并且使用卡尔曼滤波器来过滤低力标记。Canas和Matellan [11]使用网格对动态环境的各种映射技术进行了比较。仍然关于动态环境网格，Mitsou和Tzafestas [28]提出了一种能够映射对象位置可能随时间变化的环境的作者将对象分为：静态、低动态对象（例如椅子和门）和高动态对象（例如人）。该算法正确识别环境中对象[37]提出使用GPU来融合信息并构建网格地图，腾出处理器，以便它可以用于机器人的其他任务。在图像处理链上，Merhy等人的工作。[27]提出了基于概率分割的占用网格细化策略作者认为，与网格地图中的每个单元格相关的概率可以被编码为图像中的纹理级别Sabo [30]使用单个相机来构建占用网格。通过颜色梯度差异技术在图像中识别显著点，并在网格上标记与里程表相关的不确定区域。Braillon等人[8]检测融合立体视觉信息和光学光流的障碍物以表示占用网格，并且在后面的工作中Braillon等人[7]提出了一种由于高计算成本而不在每一步计算它的策略。Blanco和Gonzalez [4]提出了一种基于过程中存储的图像的占用网格构建地图的匹配技术。本工作Choi和Oh [12]建议使用摄像机作为视觉声纳，使用摄像机作为单一感官源制作目的是仅根据视觉信息建立一个网格地图，而不是一个特征地图，视觉声纳被建模为图像上的一组虚拟波束，并且使用Mahalanobis颜色对角线找到极限点（最终点）的检测。作者评论说，这种方法180上午Santana等人理论计算机科学电子笔记281（2011）175技术来消除它。其他作品建议通过占用网格[18，25]的体积地图的建设。 首先，使用多个相机的3D网格用于制作在户外环境中对人的跟踪。第二种方法是利用立体视觉，利用地形高度变化信息，建立栅格地图。该信息是有用的，因为考虑到映射的环境是有缺陷的，需要从映射中在最近的工作中，Hata和Wolf [20]提出使用通过3D点云构建的2D网格，旨在识别特定地形中的可导航区域通过该网格根据所呈现的作品，在文献中证实，其中许多涉及映射的作品使用相机作为主要传感器。以下将更具体地介绍与视觉映射至少二十年来，地图绘制是机器人和人工智能领域非常活跃的一个研究领域，除了在这一领域取得的重大进展外，仍然存在巨大的挑战。其中一个与现有解决方案的成本有关，另一个与找到的地图的质量有关。基于此，使用相机作为主要传感器的解决方案非常有趣。虽然它们具有许多优点，但基于光学传感器的解决方案存在问题，例如：镜头失真，限制视野和低分辨率。关于这些困难的更详细的说明，以及它们的解决方案可以在Taylor等人的文章中找到。[34].Horswill [21]评论说，室内环境有两个特性应该探索：a）平面地形：内部环境很少有不规则的地板，通常由一个或多个通过二维地图集连接的非常明确的平面构成; b）纹理：内部环境通常具有统一的纹理，通常由瓷砖或地毯覆盖。纹理信息可用于将区域分类为被占用或未被占用。基于纹理的视觉映射作品的例子来自Howard和Kitchen [22]以及Dollner和Hinrichs [14]。在文献中也可以找到使用几何特征来构建可视地图的方法。在Smith等人[33]中，水平线和垂直线被提取为标记。 垂直的是用来提取 门和水平的来估计屋顶和地板。Jeong和Lee [23]评论说，线的使用很有趣，因为与点相比，它们对噪声不那么敏感。 这是因为它们是由一组点组成的，也就是说，一个点上的噪声通常不会实质上影响线的位置和方向。这些线还提供了有关环境几何形状的信息，除此之外，它们很容易从不同的位置观察到一些视觉制图工作使用图像分割来检测自由区域。马丁[26]发现，室内环境中的地板呈现出均匀的颜色，边缘是环境墙壁的最佳指示器Taylor等[34]使用图像分割将自由空间合并到全局中上午Santana等人理论计算机科学电子笔记281（2011）175181地图这是通过两个步骤完成的：首先，使用边缘提取器（Canny）来识别边界，然后使用分割的图像信息填充地图中的自由除了这些视觉信息外，声纳还用于对从图像中提取的数据Sim和Dudek [32]分析了自动构建环境视觉地图的问题，特别注意选择平衡精度和效率的探索策略。介绍了直线、同心圆、八字、随机、三角形和星形路径勘探的优缺点。Ah和Chung [1]提出了一种由绝对映射和相对映射构成的混合映射。绝对地图由世界坐标定义。该映射被描述为由定位在室内环境中的墙壁或家具平面中的特征的视觉突出形成的垂直平面。相对映射在每个平面的坐标中定义。它包含与每个平面单独关联的信息。4拟议系统通过单目视觉系统获得的占用网格的2D概率建模的在这种情况下，这三个要求的获得是可能的，通过SLAM视觉从桑塔纳和Medeiros的工作[31]。SLAM系统[31]使用在探索开始时计算的单应矩阵，直接从图像映射到地板上现有线条的世界一个分割算法被用来分类的世界在“绿色”和“非绿色”。从这个分类中，可以使用单应性矩阵将图像的“边界”部分映射为自由单元，也可以使用它将“非边界”部分边界映射为世界障碍。图2示出了该占用网格建筑提案在这项工作中提出的占用网格的建设所需的步骤是：在单元格上离散化图像，将图像单元格分类为“门”（自由细胞）或“非细胞”（非自由细胞），将非自由细胞重新分类为障碍或闭塞，使用单应性矩阵将障碍细胞映射到世界，并且最终，利用机器人姿态的不确定性扩展障碍单元。4.1离散化和分类在这种方法中，图像处理是一个基本的步骤。对于图像离散化单元（图像中固定大小的正方形部分），并对这些单元的颜色分量进行分析以进行分类使用了将机器人正下方的区域视为自由区域的想法，因此该区域可以用作分类的默认区域。默认值映射到图像中预定义的区域，Mean Shift算法182上午Santana等人理论计算机科学电子笔记281（2011）175均值漂移算法作用面积t = 0t = 1 .. N单应矩阵（A）：在实验（视觉SLAM：机器人位姿及位姿不确定性图像分割a a a111213a a a212223a a a313233一满贯分段图像图二、可视占位网格建筑方案。为了计算来自该区域的颜色分量的平均值和变化，使用了“颜色分量”。图第三节说明评注。密度函数对于Comaniciu和Meer [13]，Mean Shift可以定义为非参数梯度密度估计器，通常用作通过颜色和灰度图三. Mean Shift算法作用区域。+可视化2D职业网格图上午Santana等人理论计算机科学电子笔记281（2011）175183Janela 5x5Janela15x15Janela20x20使用Mean Shift计算默认区域的颜色变量（R、G和B的平均值和方差）后将摄像机捕获的图像离散成单元格，并将默认区域的颜色分量与每个单元格的颜色分量进行比较为了从图像中找到理想的细胞离散化大小，例如，找到窗口的大小，以像素为 5 × 5像素窗口平均处理时间为600 ms，10 × 10像素窗口平均处理时间为300ms，15 × 15像素窗口平均处理时间为220 ms，20 × 20像素窗口平均处理时间为170 ms。基于最后一个值，这是使用的windows默认大小。图4示出了使用所描述的测量中的每一个的时间处理图。在上面，除了注意到所呈现的值之外，还可以注意到系统具有稳定的处理时间。90080070060050040030020010000 50 100 150 200 250图四、分割系统的处理时间图为了验证分类算法图5示出了包含具有更经典形状的对象的图像，并且图6示出了包含具有更复杂形状的对象的图像。黑色的区域被归类为绿色，白色的区域被归类为非绿色。4.2图像到世界映射和重新分类这种方法的一个固有问题是相机倾斜效应，它使图像图图7（a）显示了均匀分布在640 × 480像素图像中的点，图7（b）显示了均匀分布在640× 480像素图像中的点。图7（b）使用同形矩阵呈现这些点到世界的映射。计算单应矩阵，使得相机的视场为1 m。观察这幅图，可以注意到图像中的一个单元（四个点集）可以映射到世界上的多个网格单元Janela 5x5Janela 10x10JanelaTempo（ms）184上午Santana等人理论计算机科学电子笔记281（2011）175图五、分类：（a）原始图像，（b）使用所提出的算法分类的图像图第六章分类：（a）原始图像，（b）使用所提出的算法分类的图像图第七章摄像机倾斜反映在一组点上。图8（a）示出了图像中的网格，其中正方形具有20个像素的边，并且图8（b）示出了可以在多于一个单元中完成10 cm离散化网格中的单元这种方法的另一个问题是图像中的障碍物被投影映射到世界。因此，图像中被认为不是自由的每个单元不能被映射到2D网格中，因为只有关于障碍物和地板之间的边界区域的信息。为了解决这个问题，实现了用于将非自由单元重新分类为障碍或闭塞的该算法首先以（0，0）点的方式计算一个模为网格离散尺寸一半的向量如果末端在上午Santana等人理论计算机科学电子笔记281（2011）175185P（r|d x，y）=<$2 πσexp −2图八、图像到世界映射中的相机倾斜效应如果该单元不是自由单元，则该单元被认为是闭塞的并且将不会被有效地映射到网格中;否则，该单元被认为是障碍物并且被映射到网格中4.3占用概率与扩展为了将机器人位姿的不确定性嵌入到网格构建过程中X y虽然这些措施并不能忠实地代表机器人世界，因为正确的表示将是不确定性椭圆，这些措施用于近似表示它扩展为：如果σx大于网格离散化的一半，则将该值合并到t时刻中每个占用单元的x分量;如果σ y大于网格离散化的一半，则将下一步是计算每个单元格的占用概率。 因此，所使用的相机被建模为距离传感器，这使我们能够使用Elfes提出的经典概率公式他评论说，传感器因此，可实现到达传感器建模。通过高斯函数给出（等式11）：1比1。（r−dx，y）2π πRσ2R其中，r是传感器测量的距离，dx，y是传感器所在的单元与被分析的mx，y单元之间的欧几里得距离，σr是表示传感器测量的距离的不准确性的方差。传感器的方差行为由方程给出。（十二）、a = 0时常数的值（通过实验）。0002且b= 3。(12)σ2（r）=a ·eb·r5实验结果实验是使用机器人完成的（见图9），机器人的轮子由直流电动机驱动，具有摩擦作用。每个电机具有光学编码器，（十一）186上午Santana等人理论计算机科学电子笔记281（2011）175基于微处理器的专用板，控制本地速度。除此之外，机器人还连接了一个彩色网络摄像头，可以捕获640× 480的图像，系统处理由嵌入式PC完成见图9。 机器人系统。图10示出了用全功能系统完成的一组实验。从图像中构建了一个发生网格。值得强调的是，所提出的结果认为机器人是静止的，具有最小的不确定性。测试了障碍物彼此靠近和稍微远离的情况（图10（a）和（b））。较大障碍物的情况不干扰较小障碍物的瞄准，并且还测试了相反的情况（图10（c）和（d））。这最后的结果显示和优势相比，传统的职业网格建设与一维激光或声纳，因为与这些传感器的障碍不会同时映射，因为这些传感器另一个实验，这一次与机器人移动，也做了验证这一建议。机器人在典型的内部环境中导航，其中障碍物与机器人不在同一导航平面中。图11示出了环境和命令机器人的路径。在该实验1期间，在平均360ms的时间内处理了238幅图像，包括机器人定位系统的必要图12显示了基于这一经验建立的占用网格。结果是令人满意的，因为它是可能的，以确定在这个图像中的一些真实的特点，从映射的环境，如房间之间的大厅，这个大厅第三次实验是在北里奥格兰德联邦大学理论和实验物理系- DFTE进行的这座建筑可以在在线地图系统谷歌地球上看到，坐标为550J 029图13示出了从该建筑物内部的四个视图。DFTE-UFRN被选为第三个实验，因为它有一个正方形的自由区域，允许测试我们的闭环方案。图14示出上午Santana等人理论计算机科学电子笔记281（2011）175187见图10。 视觉占用网格图：体验1。这个地方这个实验假设纹理不同于导航默认纹理的区域不是可导航区域，因此将其映射为障碍物。在这个实验中，机器人在这个建筑物内执行了一个几乎矩形的闭合电路在它的移动过程中，处理了1962张图像，并在其上建立了占领网格，如图所示15个。6结论和展望提出了一种仅使用单目视觉的概率占用网格构建方法。所实现的分割算法用于将作品分类为也可以从图像“非边界”部分映射边界188上午Santana等人理论计算机科学电子笔记281（2011）1757.0 m7.0 m图十一岁室内环境的描述见图12。 视觉占用网格图：体验2。与世为了验证这个建议，我们用一个真实的机器人做了三个实验：第一个实验考虑机器人是静止的，环境中有几种障碍物;第二个实验在典型的室内环境中进行;第三个实验在闭环环境中进行。结果是令人满意的，该系统被证明是稳定的，并在机器人应用程序的可接受的计算时间内工作。实验表明，这种方法具有很好的潜力，利用服务机器人，作为一个例子。未来的工作旨在：更深入地研究传感器0.200.20上午Santana等人理论计算机科学电子笔记281（2011）1751890. 九点九图十三. DF-UFRN：四个视图。图14个。描述室外环境。引用图15. 视觉占用网格图：体验3。[1] 安，S.，K.李，W。Chung和S. Sang-Rok Oh（2007），[2] Andrade-Cetto，J.和A.Sanfeliu（2002），室内动态的并发地图构建和定位9.0米0.250.2500。. 9.9米13.5米190上午Santana等人理论计算机科学电子笔记281（2011）175环境，模式识别和人工智能国际期刊，第16卷，第3期，pp. 三六一至三七四[3] Blanco，J.，J. Antonio，F. Madrigal和J. Gonzalez（2007），“大规模定位和映射的新方法：混合度量-拓扑SLAM”，IEEE机器人与自动化国际会议（ICRA），第10页。2061-2067年。[4] Blanco，J.和J. Gonzalez（2007），[5] Borenstein，J.和Y. Koren（1991），[6] Borenstein，J.和Y. Koren（1997），[7] Braillon，C.，C. Pradalier，K. Usher，J. Crowley和C. Laugier（2008），[8] Braillon，C.，K.亚瑟角Pradalier，J. Crowley和C. Laugier（2006），1240-1245。[9] Buhmann ， J. ， W. Burgard ， A. Cremers ， D. 福 克 斯 ， T 。 Hofmann ， F. Schneider ， J. Strikos 和 S.Thrun（1995），[10] Burgard，W.，A. Cremers，D.福克斯湾作者：J. Schulz，W. Steiner和S. Thrun（1997），[11] Canas，J.和V. Matellan（2006），[12] 崔，Y。和S.Oh（2006），[13] 科马尼丘湾Meer（1999），[14] Dollner，J. and K.林志光（2000），[15] Elfes，A.（1987），基于声纳的真实世界地图和导航，机器人与自动化杂志，第249 -265页。[16] Elfes ， A. （ 1989 ） ， Occupational Grids ： A Probably Framework for Robot Perception andNavigation，Tese de doutorado，Electrical and Computer Engineering，Carnegie Mellon University.[17] 埃斯特拉达角，J. Neira和J. D. Tards（2005），[18] Fleuret，F.，J. 伯克拉兹河Ligne和P.Fua（2008），267-282.[19] 福永湾和L. Hostetler（1975），Info. 理论，卷。21，pp.32比40[20] Hata，A.和D. Wolf（2010），[21] 霍斯威尔岛（1993），[22] Howard，A.and L. Kitchen（1997），1251-1255年[23] Jeong，W.和K. Lee（2006），[24] 科诺利杰湾（1997），“改进的地图构建占用网格”，自治机器人第4卷，第351 - 367页。[25] Marks，T.，A.霍华德，M。巴杰拉查里亚湾科特雷尔和L. Matthies（2008），3717-3724上午Santana等人理论计算机科学电子笔记281（2011）175191[26] 马丁，M。C.（2002），256-265。[27] Merhy，B.，P.Payeur和E. Petriu（2008），“用于机器人感测和导航的分段2-D概率占用图的应用”，IEEE仪器和测量事务，第57卷，No. 12，pp. 2827-2837[28] Mitsou，N.和C. Tzafestas（2007），[29] Oriolo，G.，G. Ulivi和M. Vendittelli（1997），号143，pp.179-197.[30] 萨博河（2002），613-618[31] Santana，A.和A.Medeiros（2011），9、N.第3页。231-239[32] 西姆河和G. Dudek（2008），[33] 史密斯，P。I. Reid和A. Davison（2006），实时单目SLAM与直线，英国机器视觉会议（BMVC）。[34] 泰勒，T.，W. Boles和S. Geva（2007），[35] Thrun，S.，W. 伯加德和福克斯。D. （2005），Probably Robotics，MIT Press.[36] Wurm，K.，C. Stachniss，G. Grisetti和W. Burg（2007），[37] Yellow，M.，O. Aycard和C. Laugier（2006），“使用多个激光测距仪的基于GPU的占用网格的高效构建”，IEEE/RSJ智能机器人和系统国际会议（IROS）。[38] Yellow， M.， O. Aycard和C. Laugier（2006 ） ，Wavelet Occupational Grids： a Method for CompactMap Building ， P. Corke Fields and S. Sukkarieh （ Eds. ） ： Field and Services Robotics ， 219-230 ，Springer-Verlag Berlin Heidelberg
我的内容管理
展开
