Key points are not available for this paper at this time.
Le GPS est devenu la norme de facto pour obtenir une estimation de position globale lors de la navigation autonome en extérieur. Cependant, le GPS peut se dégrader en raison d'occlusions ou d'interférences, au détriment des performances autonomes. De plus, les positions GPS doivent être alignées avec des données antérieures, un processus fastidieux et continu. Ce travail présente une solution à ces deux problèmes basée sur l'apprentissage de modèles d'observation génériques en présence du GPS pour être utilisés en son absence. Les modèles sont non paramétriques et, comparés aux approches traditionnelles, nécessitent peu d'hypothèses sur les données antérieures disponibles ou sur les capteurs embarqués d'un robot. En plus de permettre la localisation par rapport aux données antérieures dans des conditions où le GPS est absent, cette approche d'apprentissage peut être couplée à une procédure EM pour enregistrer automatiquement les positions GPS et les positions de données antérieures. Des résultats expérimentaux sont présentés à partir de données de plus de 15 km de navigation autonome à travers un terrain extérieur difficile.
Yun et al. (Jeudi,) ont étudié cette question.