人工智能AI实战100讲（一）-机器人语义建图（下）

接上篇机器人语义建图（上）

喜欢作者的小伙伴可一键三连哟！

四、应用

如何将语义地图用于实践呢？本节打算回顾迄今为止报告过的应用领域。正如前文所概述的那样，语义建图的主要目的是为机器人提供人类可以理解的描述。然而，为了在移动机器人任务中包含人类(的交互)，应该将远程信息高效地呈现给人类。本节分析的各种工作都希望从不同角度涵盖这一方面。此外，在同一节中，我们还分析了在涉及人类和机器人的几个集成框架中是如何应用语义建图的。与语义地图相结合的知识表示模式，可以实现高效的任务规划、路径规划和导航。

4.1 环路中的人

Fig.15. 混合现实3D显示的视图：(a)视距缩小，以支持自我为中心的任务如导航和目标识别；(b)视距放大，以支持以外部为中心的任务，如地点识别和全局规划[26]

当人类操作员进入语义地图环路时，要么是为了通过指示物体或地点来增强地图构建过程，要么是为了得到机器人的帮助来找到地点或物体。在第一种情况下，Nieto-Granda等人[56]提出了一种将空间自动识别和分类为不同语义区域的技术，从而生成环境的语义地图。在这项技术中，语义标签和空间区域之间的关系是基于人类增强建图[89]的，它(指人类增强建图)提供了与用户对周围环境的看法相关的区域分割，也提供了对这些区域之间过渡/转换的检测。指定区域的

人工智能AI实战100讲（一）-机器人语义建图（下）相关推荐

人工智能AI实战100讲（一）-机器人语义建图（上）
内容摘要: 本文因为篇幅较长,分为上下两篇博文,下篇博文参见机器人语义建图(下) 当代移动机器人技术的发展已经推动了一系列相关技术的进步.其中就包括语义建图,它能提供对空间的抽象和人机交流的手段.最近 ...
人工智能AI实战100讲（六）-利用CNN来检测伪造图像
随着像Facebook和Instagram这样的社交网络服务的出现,在过去十年中产生的图像数据量有一个巨大增加.使用图像(和视频)等处理软件GNU Gimp,Adobe Photoshop创建修改过的 ...
人工智能AI实战100讲（五）-基于强化学习的自动化剪枝模型
1介绍文中涉及代码请参见: 人工智能AI-图像处理cv-基于强化学习的自动化裁剪目前的强化学习工作很多集中在利用外部环境的反馈训练agent,忽略了模型本身就是一种能够获得反馈的环境.本项目的核心 ...
人工智能AI实战100讲（二十）-先拍照后对焦，基于深度估计的景深编辑与背景虚化
1 景深与背景虚化基础 1.1 什么是景深与虚化动植物摄影,人像摄影中常使用浅景深来虚化背景,突出目标主体,可以大幅提升作品的艺术美感. 当被摄物体位于镜头前方(焦点的前.后)一定长度的空间内时,其 ...
人工智能AI实战100讲（十）-一文读懂推荐系统负采样
推荐系统负采样作为推荐模型训练的重要一环,对模型的训练效果有着重要影响,也是推荐系统领域的一个重要研究分支.本文将从研究背景到现有的经典工作对推荐系统负采样进行一个概括性的介绍.为了降低本文的阅读门槛 ...
人工智能AI实战100讲（七）-原理+代码实战 | 双目视觉中的极线校正
为什么要做极线校正? 三维重建是通过双目立体匹配实现的如图1,通过匹配空间中点在两个图像中的投影点,再根据三角关系得到P的Z值. 我们双目相机拍摄的时候实际情况下如下图a,两个图像做匹配时如我们图中蓝 ...
人工智能AI实战100讲（八）-原理+代码详解 | 稠密重建之SGM/tSGM算法
立体匹配算法介绍全局立体匹配算法全局立体匹配算法主要是采用了全局的优化理论方法估计视差,建立全局能量函数,通过最小化全局能量函数得到最优视差值: 通过二维相邻像素视差之间的约束(如平滑性约束)而得 ...
人工智能AI实战100讲（四）-基于深度学习的图像增强综述
前言这篇博客主要介绍之前看过的一些图像增强的论文,针对普通的图像,比如手机拍摄的那种,比低光照图像增强任务更简单. 图像增强的定义非常广泛,一般来说,图像增强是有目的地强调图像的整体或局部特性,例如 ...
人工智能AI实战100讲（三）-激光雷达原理和分类
三角测距原理三角测距原理如上图: 这样就可得到物体到激光发射器的距离 d 了,激光雷达将这样的发射器和接收器组装在一起,经过机械旋转360°即可得到一周障碍物的距离. TOF测距原理而TOF(Ti ...

人工智能AI实战100讲（一）-机器人语义建图（下）

人工智能AI实战100讲（一）-机器人语义建图（下）相关推荐

最新文章

热门文章