机构名称：
¥ 1.0
1 adamscse2050@gmail.com，2 anandakumar.psgtech@gmail.com应发给Rodney Adam：adamscse2050@gmail.com文章IF infus of Robotics Spectrum（https://anapub.co.co.co.co.ke/journals/journals/jrs/jrs/jrs/jrs/jrs/jrss.html）： https://doi.org/10.53759/9852/jrs202402008收到02年2月2日；从2024年3月28日修订； 2024年5月25日接受。2024年6月2日在线可用。©2024作者。由Anapub出版物出版。这是CC BY-NC-ND许可证下的开放访问文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）摘要 - 机器人感知系统通常包括可以从研究数据集中提取有价值的功能或信息的方法。这些方法通常涉及深度学习方法的应用，例如卷积神经网络（CNN），用于处理图像以及3D数据的合并。图像分类的概念通过使用包括卷积网络的网络来很好地描述。但是，某些网络拓扑表现出很大的范围，需要大量的时间和内存资源。另一方面，神经网络Flownet3D和PointFlownet具有准确预测场景流的能力。具体来说，这些网络能够估计动态环境中点云（PC）的三维运动。在机器人应用中使用PC时，至关重要的是要准确识别属于对象的点的鲁棒性。另外，作者提出了一种加权融合技术，将靠近物体的邻近性作为重要因素。本文研究了自动驾驶汽车内机器人感知系统的使用以及与从不同传感器获得的信息分析和处理有关的固有困难。研究人员提出了一种晚期的融合方法，该方法将许多分类器的结果整合在一起，以提高分类的准确性。的发现表明，本研究中描述的融合方法与单态分类和经典融合策略相比表现出色。关键字 - 对象分类，智能机器人感知系统，机器人感知环境，晚期融合策略，深度学习，卷积神经网络。
在机器人感知环境中优化对象分类，以探索晚期融合策略
主要关键词
相关文件推荐
