移动机器人SCITOS-G5沿墙导航
1、数据集描述
1.数据库标题：移动机器人SCITOS-G5的墙跟随导航任务
2.来源：
（a） 创作者：Ananda Freire、Marcus Veloso和Guilherme Barreto
远程信息学工程系 塞阿拉联邦大学 巴西塞阿拉福塔莱萨
（b） 数据库捐赠者：Ananda Freire(anandalf@gmail.com)
Guilherme Barreto公司(guilherme@deti.ufc.br)
（c） 收到日期：2010年8月
3.过去的用法：
（a） Ananda L.Freire、Guilherme a.Barreto、Marcus Veloso和Antonio T.Varela（2009），
机器人导航神经网络学习中的短期记忆机制 任务：案例研究”。第六届拉丁美洲机器人研讨会论文集（LARS’2009）， 智利瓦尔帕莱索，第1-6页，DOI:10.1109/LARS.2009.5418323
4.相关信息段落：
数据是在SCITOS G5顺时针沿着墙壁穿过房间时收集的方向，4轮。为了导航，机器人使用了24个超声波传感器，这些传感器围绕着它的“腰部”呈圆形排列。超声波传感器的编号从机器人的前部开始，并沿顺时针方向增加。
所提供的文件包括三个不同的数据集。第一个包含测量的原始值所有24个超声波传感器和相应的类别标签（见第7节）。传感器读数在每秒9个样本的速率。第二个包含四个名为“简化距离”的传感器读数和相应的类别标签（见第7节）。这些简化的距离被称为“前距离”、“左距离”、”右距离“和”后距离“。它们分别由位于前面、左边和右边的60度弧内的最小传感器读数组成，机器人的右后部分。第三个只包含前面和左边的简化距离以及相应的类标签（见第7节）。
值得一提的是，24个超声波读数和简化的距离是同时收集的时间步长，因此每个文件具有相同数量的行（每个采样时间步长一行）。
墙壁跟随任务和数据收集是为了检验这一看似简单的导航任务的假设实际上是一个非线性可分离的分类任务。因此，线性分类器，如感知器网络，不能学习任务并指挥机器人在房间里四处走动而不会发生碰撞。诸如MLP网络之类的非线性神经分类器，能够在没有碰撞的情况下学习任务并成功指挥机器人。
如果向神经分类器提供某种短期记忆机制，它们的性能通常会得到改善。例如，如果将过去的输入与当前传感器读数一起提供，则即使是感知器也能够学习任务并成功指挥机器人。如果使用递归神经网络，如Elman网络学习任务，得到的动态分类器能够使用比MLP网络更少的隐藏神经元来学习任务。
为了评估分类器的性能，构建了具有不同数量传感器读数的文件关于输入的数量。
5.实例数：5456
6.属性数量
sensor_readings_24.data：24个数字属性和类。
sensor_readings_4.data：4个数字属性和类。
sensor_readings_2.data：2个数字属性和类。
7.对于每个属性：
--文件sensor_readings_24.数据：
1.US1：机器人前部的超声波传感器（参考角度：180°）-（数字：真实）
2.US2：超声波读数（参考角度：-165°）-（数字：实数）
3.US3：超声波读数（参考角度：-150°）-（数字：真实）
4.US4：超声波读数（参考角度：-135°）-（数字：实数）
5.US5：超声波读数（参考角度：-120°）-（数字：实数）
6.US6：超声波读数（参考角度：-105°）-（数字：实数）
7.US7：超声波读数（参考角度：-90°）-（数字：真实）
8.US8：超声波读数（参考角度：-75°）-（数字：真实）
9.US9：超声波读数（参考角度：-60°）-（数字：真实）
10.US10：超声波读数（参考角度：-45°）-（数字：真实）
11.US11：超声波读数（参考角度：-30°）-（数字：真实）
12.US12：超声波读数（参考角度：-15°）-（数字：真实）
13.US13：位于机器人后部的超声波传感器的读数（参考角度：0°）-（数字：真实）
14.US14：超声波读数（参考角度：15°）-（数字：真实）
15.US15：超声波读数（参考角度：30°）-（数字：真实）
16.US16：超声波读数（参考角度：45°）-（数字：真实）
17.US17：超声波读数（参考角度：60°）-（数字：真实）
18.US18：超声波读数（参考角度
2、数据集获取
数据收集于网络，获取方式
关注公众号52phm，回复机器人沿墙导航即可获取数据下载链接。