Ce document porte sur la navigation \u00e0 long terme dans des environnements dont l’apparence change au fil du temps – soudainement ou progressivement. Nous d\u00e9crivons, mettre en \u0153uvre et valider une approche qui nous permet d’apprendre progressivement un mod\u00e8le dont la complexit\u00e9 varie naturellement en fonction de la variation de l’apparence de la sc\u00e8ne. Il nous permet de tirer parti de l’\u00e9tat de l’art dans l’estimation de pose pour construire sur plusieurs pistes, un mod\u00e8le mondial d’une richesse suffisante pour permettre la localisation simple, malgr\u00e9 une grande variation des conditions. Comme notre robot parcourt \u00e0 plusieurs reprises son espace de travail, il accumule des exp\u00e9riences visuelles distinctes de concert, repr\u00e9sentent implicitement la variation de la sc\u00e8ne – chaque exp\u00e9rience capture un mode visuel. En cas d’utilisation dans une zone d\u00e9j\u00e0 visit\u00e9e, nous essayons toujours de localiser dans ces exp\u00e9riences pr\u00e9c\u00e9dentes lors de l’ex\u00e9cution simultan\u00e9e d’un syst\u00e8me d’estimation de pose \u00e0 base de vision ind\u00e9pendante. Le d\u00e9faut de se localiser dans un nombre suffisant d’exp\u00e9riences ant\u00e9rieures indique un mod\u00e8le insuffisant de l’espace de travail et dynamise la pose de la s\u00e9quence d’images en direct comme une nouvelle exp\u00e9rience distincte. De cette fa\u00e7on, au fil du temps, nous pouvons saisir l’aspect typique variant dans le temps d’un environnement et le nombre d’exp\u00e9riences n\u00e9cessaires tend \u00e0 une constante. Bien que nous nous concentrons sur la vision comme capteur primaire tout au long, les id\u00e9es que nous pr\u00e9sentons ici sont \u00e9galement applicables \u00e0 d’autres modalit\u00e9s de d\u00e9tection. Nous d\u00e9montrons notre travail d’approche sur un v\u00e9hicule routier exploitation sur une p\u00e9riode de trois mois \u00e0 diff\u00e9rents moments de la journ\u00e9e, dans diff\u00e9rentes conditions m\u00e9t\u00e9orologiques et les conditions d’\u00e9clairage. Dans l’ensemble, nous traitons plus de 136 000 images captur\u00e9es \u00e0 partir de 37 km de conduite. Traduit a\u0300 l'aide de Google Translate<\/p>\n","protected":false},"excerpt":{"rendered":"
Ce document porte sur la navigation \u00e0 long terme dans des environnements dont l’apparence change au fil du temps – soudainement ou progressivement. Nous d\u00e9crivons, mettre en \u0153uvre et valider une approche qui nous permet d’apprendre progressivement un mod\u00e8le dont la complexit\u00e9 varie naturellement en fonction de la variation de l’apparence de la sc\u00e8ne. Il nous permet de tirer parti de l’\u00e9tat de l’art dans l’estimation de pose pour construire sur plusieurs pistes, un mod\u00e8le mondial d’une richesse suffisante pour permettre la localisation simple, malgr\u00e9 une grande variation des conditions. Comme notre robot parcourt \u00e0 plusieurs reprises son espace de travail, il accumule des exp\u00e9riences visuelles distinctes de concert, repr\u00e9sentent implicitement la variation de la sc\u00e8ne – chaque exp\u00e9rience capture un mode visuel. En cas d’utilisation dans une zone d\u00e9j\u00e0 visit\u00e9e, nous essayons toujours de localiser dans ces exp\u00e9riences pr\u00e9c\u00e9dentes lors de l’ex\u00e9cution simultan\u00e9e d’un syst\u00e8me d’estimation de pose \u00e0 base de vision ind\u00e9pendante. Le d\u00e9faut de se localiser dans un nombre suffisant d’exp\u00e9riences ant\u00e9rieures indique un mod\u00e8le insuffisant de l’espace de travail et dynamise la pose de la s\u00e9quence d’images en direct comme une nouvelle exp\u00e9rience distincte. De cette fa\u00e7on, au fil du temps, nous pouvons saisir l’aspect typique variant dans le temps d’un environnement et le nombre d’exp\u00e9riences n\u00e9cessaires tend \u00e0 une constante. Bien que nous nous concentrons sur la vision comme capteur primaire tout au long, les id\u00e9es que nous pr\u00e9sentons ici sont \u00e9galement applicables \u00e0 d’autres modalit\u00e9s de d\u00e9tection. Nous d\u00e9montrons notre travail d’approche sur un v\u00e9hicule routier exploitation sur une p\u00e9riode de trois mois \u00e0 diff\u00e9rents moments de la journ\u00e9e, dans diff\u00e9rentes conditions m\u00e9t\u00e9orologiques et les conditions d’\u00e9clairage. Dans l’ensemble, nous traitons plus de 136 000 images captur\u00e9es \u00e0 partir de 37 km de conduite. [googletranslate_fr]<\/p>\n","protected":false},"template":"","reference-tag":[],"reference-type":[436],"class_list":["post-127007","reference","type-reference","status-publish","hentry","reference-type-white-paper"],"acf":{"citation":"Churchill, W. and Newman, P. (2012). Practice makes perfect? Managing and leveraging visual experiences for lifelong navigation. Piscataway, NJ: Institute of Electrical and Electronics Engineers (IEEE). Retrieved from https:\/\/ieeexplore.ieee.org\/document\/6224596.","authors":"Churchill, W. and Newman, P.","org":"Institute of Electrical and Electronics Engineers (IEEE)","year":"2012","title_fr":null,"editors_hidden":"","publication":"","publication_fr":null,"volume":"","issue":"","Series":"","SeriesNumber":"","page_range":"","publisher_city":"Piscataway","publisher_state":"NJ","publisher":"Institute of Electrical and Electronics Engineers (IEEE)","abstract_en":null,"abstract_fr":null,"keywords":"","paywall":"0","doi":"","isbn":"","url":"https:\/\/ieeexplore.ieee.org\/document\/6224596","url_fr":null,"url_amazon":"","TRACK":"0"},"yoast_head":"\n