Автоматичні системи контролю мобільними роботам досягають більшої ефективності за рахунок використання робастних алгоритмів навігації на основі оптичних датчиків, які формують тривимірну карту навколо об’єкту керування. Робота таких алгоритмів, зазвичай, призначена для: детектування ключових об’єктів навколишнього середовища; пошуку попередньо визначених об’єктів для релокації власного положення робота. Для вирішення проблеми детектування об’єктів з хмар точок існує багато різних підходів, але більшість з них мають високу обчислювальну складність. В цій роботі досліджено різні варіації методу консенсусу випадкової вибірки (RANSAC) для детектування об’єктів заданих математичною моделлю аналітичного виду. Для порівняння методів використані статистичні характеристики аналізу даних. Результати демонструють найбільш енергоефективний метод виявлення площин, який обробляє 60 кадрів RGB-D камери за секунду.
- J. Ren, K. McIsaac, and R. Patel, “Modified newton’s method applied to potential field-based navigation for mobile robots,” IEEE Transactions on Robotics, vol. 22, no. 2, pp. 384–391, 2006. https://doi.org/10.1109/TRO.2006.870668
- Aldao, E.; González-de Santos, L.M.; González-Jorge, H. LiDAR Based Detect and Avoid System for UAV Navigation in UAM Corridors. Drones 2022, 6, 185. https://doi.org/10.3390/drones6080185
- Matous Vrba, Viktor Walter and Martin Saska. On Onboard LiDAR-based Flying Object Detection. 9 Mar 2023. https://arxiv.org/pdf/2303.05404.pdf
- Abhijeet Shenoi, Mihir Patel, JunYoung Gwak, Patrick Goebel, Amir Sadeghian, Hamid Rezatofighi, Roberto Mart´ın-Mart´ın, Silvio Savarese. JRMOT: A Multi-Modal Real-Time 3D Multi-Object Tracker and a New Large-Scale Dataset. 22 Jul 2020. https://doi.org/10.1109/IROS45743.2020.9341635
- Jinze Liu, Minzhe Li, Jiunn-Kai Huang, Jessy W. Grizzle. Realtime Safety Control for Bipedal Robots to Avoid Multiple Obstacles via CLF-CBF Constraints. 5 Jan 2023. https://arxiv.org/pdf/2301.01906.pdf
- Jiaqi Yang, Zhiqiang Huang, Siwen Quan, Qian Zhang, Yanning Zhang, Senior Member, IEEE and Zhiguo Cao. On Efficient and Robust Metrics for RANSAC Hypotheses and 3D Rigid Registration.10 Nov 2020. https://arxiv.org/pdf/2011.04862.pdf
- Sunglok Choi1, Taemin Kim2, Wonpil Yu1. Performance Evaluation of RANSAC Family. BMVC 2009 https://doi.org/10.5244/C.23.81
- Bin Tan, Nan Xue, Tianfu Wu, Gui-Song Xia. NOPE-SAC: Neural One-Plane RANSAC for Sparse-View Planar 3D Reconstruction. 30 Nov 2022. https://arxiv.org/pdf/2211.16799.pdf
- Fisher, M., Bolles, R.: Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography; Comm. of the ACM 24(6), 381-395, 1981. https://doi.org/10.1145/358669.358692
- Jiri Matas and Ondrej Chum. Randomized RANSAC with Td,d test. Image and Vision Computing, 22(10):837–842, September 2004. https://doi.org/10.1016/j.imavis.2004.02.009
- J. Matas; O. Chum. Randomized RANSAC with sequential probability ratio test. 05 December 2005 https://doi.org/10.1109/ICCV.2005.198
- Torr, P.; Zisserman, A. MLESAC: A New Robust Estimator with Application to Estimating Image Geometry. Comput. Vis. Image Underst. 2000, 78, 138–156, https://doi.org/10.1006/cviu.1999.0832
- Chum, O.; Matas, J. Matching with PROSAC—Progressive sample consensus. In Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), San Diego, CA, USA, 20–26 June 2005; Volume 1, pp. 220–226.
- Ehsan Shojaedinia, Mahshid Majda, Reza Safabakhsha. Novel Adaptive Genetic Algorithm Sample Consensus. 26 Nov 2017. https://arxiv.org/pdf/1711.09398.pdf
- Zhang, Qingming, Buhai Shi, and Haibo Xu. 2019. "Least Squares Consensus for Matching Local Features" Information 10, no. 9: 275. https://doi.org/10.3390/info10090275