在室内运行的自主机器人和GPS拒绝的环境可以使用LIDAR进行大满贯。但是，由于循环闭合检测和计算负载以执行扫描匹配的挑战，在几何衰减的环境中，LIDAR的表现不佳。现有的WiFi基础架构可以用低硬件和计算成本来进行本地化和映射。然而，使用WiFi进行准确的姿势估计是具有挑战性的，因为由于信号传播的不可预测性，可以在同一位置测量不同的信号值。因此，我们介绍了WiFi指纹序列的使用量估计（即循环闭合）。这种方法利用移动机器人移动时获得的位置指纹的空间连贯性。这具有更好的校正探针流漂移的能力。该方法还结合了激光扫描，从而提高了大型和几何衰减环境的计算效率，同时保持LIDAR SLAM的准确性。我们在室内环境中进行了实验，以说明该方法的有效性。基于根平方误差（RMSE）评估结果，并在测试环境中达到了88m的精度。
translated by 谷歌翻译
围绕着美国的空气是所有生命形式的主要呼吸来源。因此，毫无疑问地强调，均衡的空气质量对所有生物，环境稳定性甚至经济均衡的呼吸健康至关重要。尽管如此，由于汽车和行业进入大气中的污染排放的持续增长，在过去几十年中，在过去几十年中逐渐逐渐劣化。尽管许多人几乎没有承认问题的深度，但是通过促进技术驱动的倡议及时检测和预测，努力将肯定的缔约方（包括世界卫生组织）的持续努力始终如一地推动了一个定性更好的全球空气稳态的界限。区域和全球范围内的空气质量。然而，现有的空气质量监测框架缺乏实时响应能力和灵活的语义分布能力。在本文中，提出了一种新颖的事情互联网，其易于实现，语义分配和由机器学习模型赋予。该建议的系统配备了通过公共空气质量传感器网络获取的加工，可视化和存储主传感器数据的虹彩仪表板，以及仪表板与机器学习模型集成，以获得时间和地理空间空气质量预测。 ESP8266 Nodemcu通过消息排队遥测传输代理作为订户并入到虹红音仪表板中，通过开发的Web和移动应用将定量空气质量数据或警报电子邮件传达给最终用户。因此，拟议的系统可以通过未禁止的，数据驱动和语义框架赋予公众在空气质量方面的公众参与。
translated by 谷歌翻译