Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Sparse Gaussian Process SLAM, Storage and Filtering for AUV Multibeam Bathymetry
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Robotik, perception och lärande, RPL.ORCID-id: 0000-0003-1189-6634
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Robotik, perception och lärande, RPL.
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Robotik, perception och lärande, RPL.ORCID-id: 0000-0002-7796-1438
2018 (Engelska)Ingår i: AUV 2018 - 2018 IEEE/OES Autonomous Underwater Vehicle Workshop, Proceedings, Institute of Electrical and Electronics Engineers Inc. , 2018Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

With dead-reckoning from velocity sensors, AUVs may construct short-term, local bathymetry maps of the sea floor using multibeam sensors. However, the position estimate from dead-reckoning will include some drift that grows with time. In this work, we focus on long-term onboard storage of these local bathymetry maps, and the alignment of maps with respect to each other. We propose using Sparse Gaussian Processes for this purpose, and show that the representation has several advantages, including an intuitive alignment optimization, data compression, and sensor noise filtering. We demonstrate these three key capabilities on two real-world datasets.

Ort, förlag, år, upplaga, sidor
Institute of Electrical and Electronics Engineers Inc. , 2018.
Nyckelord [en]
Autonomous vehicles, Bathymetry, Digital storage, Gaussian distribution, Gaussian noise (electronic), Navigation, Alignment optimization, Dead reckoning, Multi-beam sensors, Multibeam bathymetry, Position estimates, Real-world datasets, Sparse Gaussian process, Velocity sensor, Autonomous underwater vehicles
Nationell ämneskategori
Farkostteknik Datorseende och robotik (autonoma system)
Identifikatorer
URN: urn:nbn:se:kth:diva-262399DOI: 10.1109/AUV.2018.8729748ISI: 000492901600046Scopus ID: 2-s2.0-85068312637ISBN: 9781728102535 (tryckt)OAI: oai:DiVA.org:kth-262399DiVA, id: diva2:1365403
Konferens
2018 IEEE/OES Autonomous Underwater Vehicle Workshop, AUV 2018, 6-9 November 2018, Porto, Portugal
Anmärkning

QC 20191024

Tillgänglig från: 2019-10-24 Skapad: 2019-10-24 Senast uppdaterad: 2019-11-22Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopusConferenceProceedings

Personposter BETA

Bore, NilsTorroba, IgnacioFolkesson, John

Sök vidare i DiVA

Av författaren/redaktören
Bore, NilsTorroba, IgnacioFolkesson, John
Av organisationen
Robotik, perception och lärande, RPL
FarkostteknikDatorseende och robotik (autonoma system)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 49 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf