• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >Autonomous Learning of New Environments with a Robotic Team Employing Hyper-Spectral Remote Sensing Comprehensive In-Situ Sensing and Machine Learning
【2h】

Autonomous Learning of New Environments with a Robotic Team Employing Hyper-Spectral Remote Sensing Comprehensive In-Situ Sensing and Machine Learning

机译：采用超光谱遥感的机器人团队的新环境自主学习全面的原位传感和机器学习

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper describes and demonstrates an autonomous robotic team that can rapidly learn the characteristics of environments that it has never seen before. The flexible paradigm is easily scalable to multi-robot, multi-sensor autonomous teams, and it is relevant to satellite calibration/validation and the creation of new remote sensing data products. A case study is described for the rapid characterisation of the aquatic environment, over a period of just a few minutes we acquired thousands of training data points. This training data allowed for our machine learning algorithms to rapidly learn by example and provide wide area maps of the composition of the environment. Along side these larger autonomous robots two smaller robots that can be deployed by a single individual were also deployed (a walking robot and a robotic hover-board), observing significant small scale spatial variability.
机译：本文介绍并展示了一个自主机器人团队，可以快速地学习它以前从未见过的环境的特征。灵活的范式很容易扩展到多机器人，多传感器自主团队，它与卫星校准/验证以及新的遥感数据产品的创建相关。案例研究描述了用于水生环境的快速表征，在短短几分钟的时间内，我们获得了数千个培训数据点。该培训数据允许我们的机器学习算法快速学习，并通过示例进行快速学习，并提供环境的组成的广域地图。沿着这些较大的自主机器人两个可以由单个个体部署的较小的机器人也部署（行走机器人和机器人悬停板），观察显着的小规模空间变异性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号