haku: @supervisor Halme, Aarne / yhteensä: 354
viite: 9 / 354
Tekijä: | Swords, David |
Työn nimi: | Artificial neural network approach to mobile robot localization |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2012 |
Sivut: | xi + 99 + liitt. (+6) Kieli: eng |
Koulu/Laitos/Osasto: | Automaatio- ja systeemitekniikan laitos |
Oppiaine: | Automaatiotekniikka (AS-84) |
Valvoja: | Halme, Aarne ; Gustafsson, Thomas |
Ohjaaja: | Taipalus, Tapio |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 7454 | Arkisto |
Avainsanat: | artificial neural network mobile robot localization path-finding |
Tiivistelmä (eng): | In the robotics community, localization is considered a solved problem; however, the topic is still open to investigation. Mobile robot localization has been focused on developing low-cost approaches and there has been great success using probabilistic methods. Parallel to this, and to a much lesser extent, artificial neural networks (ANNs) have been applied to the problem area with varying success. A system is proposed in this thesis where the typical probabilistic approach is replaced with one based purely on ANNs. This type of localization attempts to harness the simplicity, scalability and adaptability that ANNs are known for. The ANN approach allows for the encapsulation of a number of steps and elements well known in a probabilistic approach, resulting in the elimination of an internal explicit map, providing pose estimate on network output and network update at runtime. First, a coordinate-based approach to localization is explored: 1D and 2D trained maps with pose estimates. Second, the coordinate-based approach is eliminated in an effort to replicate a more biologically inspired localization. Finally, a path-finding algorithm applying the new localization approach is presented. |
ED: | 2012-11-30 |
INSSI tietueen numero: 45651
+ lisää koriin
INSSI