XiaoMi-AI文件搜索系统
World File Search SystemSLAM
SLAM -TKA -UCL DISCOVER-伦敦大学学院
摘要 - 本文提供了一种新型的同时局部和映射（SLAM）技术，称为SLAM-TKA，用于协助总膝关节置换术（TKA）（TKA），这是一种高效的骨科手术，代替了具有关节炎或功能障碍的关节表面，并用膝盖伪造。我们提出的SLAM算法使用术前胫骨CT扫描，操作2D X射线图像和Trocar Pin 3D网格模型的信息，以同时定位X射线设备并绘制两个套管针。然后，估计的引脚用于在实际切割之前评估骨切除面的准确性，这在精确植入膝盖假体中起着至关重要的作用。为了确保提出的SLAM算法的高准确性和鲁棒性，提出了三个能量项，并共同使用在术中X射线图像及其相应的2D和3D空间中相应的X射线X射线图像及其相应的预手术3D网格模型上对齐胫骨，薄灰和销钉的边缘观测。为了实时实现所提出的基于迭代的SLAM算法，以使评估处理在TKA的工作流程不会太多中断，使用签名的距离距离方法，Edge对应关系的数据关联匹配和耗尽的点与网格距离计算是预先计算的。模拟用于评估所提出算法的准确性和鲁棒性，并使用五名患者的体内数据集进行实验表明，实践中具有很高的准确性和效率。代码和数据集在https://github.com/zsustc/slam-tka上发布。
研究论文：使用 SLAM 实现半自主移动机器人辅助系统远程操作的脑机接口
所提出的辅助混合脑机接口 (BCI) 半自主移动机械臂展示了一种设计，该设计 (1) 通过使用传感器观察环境变化并部署替代解决方案而具有适应性，(2) 通过非侵入式脑电图帽接收来自用户脑波信号的命令而具有多功能性。所提出的机器人由三个集成子系统、混合 BCI 控制器、全向移动基座和机械臂组成，其命令映射到与一组特定身体或心理任务相关的用户脑波上。传感器和摄像头系统的实施使移动基座和手臂都具有半自主性。移动基座的 SLAM 算法具有避障能力和路径规划能力，可帮助机器人安全操纵。机械臂计算并部署必要的关节运动，以拾取或放下用户通过摄像头馈送上的脑波控制光标选择的所需物体。使用 Gazebo 对子系统进行了验证、测试和实施。BCI 控制器和子系统之间的通信是独立测试的。使用与每个特定任务相关的预录脑电波数据循环来确保执行移动基座命令；使用相同的预录文件来移动机器人手臂光标并启动拾取或放下动作。进行最终系统测试，其中 BCI 控制器输入移动光标并选择目标点。辅助机器人手臂的成功虚拟演示表明恢复残疾用户的运动能力和自主能力是可行的。
使用LIDAR和单眼摄像头数据用于移动机器人的Orbslam扩展，用于猛击无探测器
摘要：移动自主机器人需要准确的地图来实时导航和做出明智的决定。猛击（同时定位和映射）技术允许机器人在移动时构建地图。但是，在复杂或动态的环境中，SLAM可能具有挑战性。本研究提出了一个名为Scramble的移动自主机器人，该机器人根据两个传感器的数据融合使用SLAM：Rplidar A1M8 LIDAR和RGB摄像机。如何使用数据融合来提高映射，轨迹计划和移动自动机器人障碍物检测的准确性？在本文中，我们表明，视觉和深度数据的融合显着提高了映射，轨迹计划和移动自主机器人的障碍物检测的准确性。这项研究通过引入基于数据融合的SLAM方法来帮助自主机器人导航的发展。移动自主机器人用于各种应用程序，包括包装交付，清洁和检查。开发更健壮，更准确的SLAM算法对于在具有挑战性的环境中使用这些机器人至关重要。
使用自动指导的车辆机器人
摘要 - 自主机器人在工业世界中生长和使用，并且变得很重要，该机器人广泛用于各个工业领域。自主机器人使用导航系统识别环境，导航在自主机器人中具有重要作用。除了应用良好的导航外，还需要在周围环境中获得准确的地图，以便机器人可以根据环境移动。在这项研究中，将使用Hector SLAM算法方法对映射结果进行准确分析，以通过模拟和实时（机器人）映射周围环境。在这项研究中，它具有几个重要组件，即机器人操作系统（机器人操作系统），即诸如Hector扫描匹配的数据滤波器，可构建所获得的数据，以及极大地影响生成地图质量的传感器类型。本研究测试Hector扫描匹配算法是否可以准确映射环境。这项研究的结果可以得出结论，从模拟和机器人（真实）生成的地图具有相当好的精度。这是基于与模拟和机器人（真实）映射的结果匹配的第一个方案，该结果的精度为SSIM：77.26％，MSE错误：3.96％，像素匹配：55.46％的机器人（真实）映射结果。同时，从用于与获得SSIM准确性的机器人相比的第二种情况下获得的仿真结果：87.29％，MSE错误：1.65％和像素匹配：81.11％。Kata Kunci：机器人操作系统，Hector-SLAM，Hector扫描匹配，均方根误差，像素匹配，结构相似性图像度量，峰值信噪比，LIDAR。摘要 - 自主机器人在工业界越来越多地发展和使用，在各个工业领域都发挥了重要作用并广泛使用。自主机器人使用导航系统浏览其环境，导航在自主机器人中至关重要。为了实施有效的导航，它需要准确的周围环境地图，以便机器人可以根据周围环境移动。这项研究分析了使用Hector SLAM算法方法通过模拟和实时（机器人）绘制周围环境的映射的准确性。这项研究包括几个重要组件，即机器人操作系统（机器人操作系统），数据过滤器（例如用于构建获得的数据的Hector扫描匹配）等数据过滤器，传感器类型显着影响所得地图的质量。研究检查了Hector扫描匹配算法是否可以准确映射环境。这项研究的结果可以得出结论，由模拟和真实机器人产生的地图具有相对良好的精度。这是基于仿真和真实机器人映射的匹配结果，在方案1中结果得出了SSIM的精度：77.26％，MSE错误：3.96％，像素匹配：55.46％的真实机器人映射结果。同时，从用于与机器人进行比较的方案2中获得的仿真结果，SSIM的准确性：87.29％，MSE错误：1.65％和像素匹配：获得了81.11％。关键字：机器人操作系统，Hector-slam，Hector扫描匹配，均方根误，像素匹配，结构相似性图像指标，峰值信噪比，LIDAR
ru-slam：稳健的深度学习视觉同时定位和映射（SLAM）系统，用于弱质地的水下环境
摘要：准确且健壮的同时定位和映射（SLAM）系统对于自动水下车辆（AUV）至关重要，可以在未知环境中执行任务。然而，直接将基于深度学习的SLAM方法应用于水下环境会带来挑战，这是由于纹理较弱，图像退化以及无法准确注释关键点的挑战。在本文中，提出了强大的深入学习视觉大满贯系统。首先，一个名为UWNET的功能生成器旨在解决弱纹理和图像降解问题，并提取更准确的关键点功能及其描述符。此外，基于改进的水下成像物理模型以自我监督的方式训练网络的知识蒸馏概念。最后，将UWNET集成到ORB-SLAM3中以替换传统的特征提取器。提取的本地和全局特征分别用于特征跟踪和闭环检测模块。公共数据集和自收集的池数据集的实验结果验证了所提出的系统在复杂方案中保持高精度和鲁棒性。
SLaM 图像库——来自伦敦的真实世界多样化群体，将脑部 MRI 与电子心理健康和痴呆症记录联系起来，利用人工智能开发临床决策支持工具
2 英国伦敦国王学院 IoPPN 神经影像科学中心 3 英国伦敦南伦敦和莫兹利 NHS 基金会信托 4 英国伦敦国王学院生物医学工程与成像科学学院 5 英国伦敦国王学院 IoPPN 心理医学系 6 英国伦敦国王学院 IoPPN 精神病研究系 7 英国伦敦大学学院计算机科学系医学图像计算中心 8 英国伦敦大学学院皇后广场神经病学研究所痴呆症研究中心 9 英国伦敦玛丽女王大学沃尔夫森人口健康研究所预防神经病学部 10 英国剑桥大学临床神经科学系 11 德国慕尼黑 GE 医疗集团 12 英国伦敦国王学院 IoPPN 生物统计学与健康信息学系 13 IoPPN，伦敦国王学院，伦敦，英国 14 年龄相关研究中心，斯塔万格大学医院，斯塔万格，挪威 * 通讯作者
使用 ORB-SLAM 实现 Raspberry Pi 移动机器人的网页远程控制
近年来，随着机器人应用领域的不断拓展，智能机器人在越来越多的领域为人类服务。对于一些环境复杂、条件恶劣或者具有一定危险性的工作场所，通常需要通过远程控制来操作机器人完成相应的任务。此外，机器人的自主性也十分重要。在机器人自主性的研究中，自主导航是主要的研究方向之一，而SLAM一直是自主导航领域的重要研究课题[1]。视觉SLAM就是借助摄像头，为机器人针对未知环境构建地图。与激光SLAM相比，视觉传感器或摄像头具有视觉信息丰富、硬件成本低廉等优势，是近来SLAM的研究热点[2]。同时，SLAM
AAAI 25海报时间表
在数量渲染中传感表面斑块，以推断签名距离功能Sijia Jiang，Tong Wu，Jing Hua，Zhizhong Han 2月27日，星期四，2月27日，星期四，12:30 pm-2：30pm 2578 CV_3D_COMPUTER_COMPUTER_COMPUTER_VISION_VISION_VISION QUERY QUERY QUERY QUERY SLAM SLAM SLAM SLAM SIJIA JIANG，ZIJIA JIANG，JING HUA，ZHIZHIZHIZHIZHIZHIZHIZHIZHISPRATY，星期四，星期四，星期四，星期四，星期四，星期四， 2737 cv_3d_computer_vision
功能增强的移动映射系统上的LiDAR-SLAM
猛击和进程是使用视觉准确定位车辆的主要方法。SLAM基准[6]使3D大满贯用于自动驾驶。与基于图像的SLAM [11]相比，基于激光雷达的SLAM具有更高的准确性，对照明条件的敏感性降低以及直接获取3D数据的能力。基于激光雷达的SLAM是机器人技术的重要研究主题。第一个值得注意的框架Google制图师[7]是针对2D大满贯开发的。随后，2D LiDAR SLAM已在室内映射中广泛使用，其中包括Navvis M3手推车[2]之类的示例。从2D到3D大满贯，使用两种主要策略来匹配连续的LiDAR点云：基于迭代的最接近点（ICP）的方法[5，14，16]和基于特征的方法[13，17]。深