Resumen

Este trabajo presenta un nuevo algoritmo RANSAC mejorado basado en la probabilidad y la teoría de la evidencia DS para tratar la estimación robusta de la pose en la construcción de mapas 3D robóticos. En este algoritmo RANSAC propuesto, se estima un modelo de parámetros utilizando un conjunto de pruebas de muestreo aleatorio. Basándose en este modelo estimado, todos los puntos se prueban para evaluar la idoneidad del modelo de parámetros actual y sus probabilidades se actualizan utilizando una fórmula de probabilidad total durante las iteraciones. El tamaño máximo del conjunto de inertes que contiene el punto de prueba se tiene en cuenta para obtener una evaluación más fiable de los puntos de prueba utilizando la teoría de la evidencia DS. Además, se utilizan las teorías del olvido para filtrar los inliers inestables y mejorar la estabilidad del algoritmo propuesto. Para impulsar un alto rendimiento, se adopta una estrategia de muestreo de mapeo inverso basada en las probabilidades actualizadas de los puntos. Tanto las simulaciones como los resultados experimentales reales demuestran la viabilidad y eficacia del algoritmo propuesto.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:teoría de la evidencia ds, algoritmo ransac, estrategia de muestreo de mapeo inverso, conjunto de pruebas de muestreo aleatorio, construcción de mapas 3d del robot, modelo de parámetros actual, resultados experimentales reales, estimación robusta de la pose, fórmula de probabilidad total, algoritmo
• Keywords:ds evidence theory, ransac algorithm, inverse mapping sampling strategy, random sampling test set, robot 3d map building, current parameter model, real experimental results, robust pose estimation, total probability formula, algorithm