Blinded by the Light: Exploiting the Deficiencies of a Laser Rangefinder for Rover Attitude Estimation
Notice bibliographique
Résumé
This paper presents a method to exploit inherent deficiencies in the sensing technology of a SICK laser rangefinder to detect sun positions from 3D lidar scans. Given the common use of SICK lidars on mobile robots, this method enables sun sensing for some existing configurations without requiring additional hardware or configuration costs. Adding sun sensing to mobile rovers has clear advantages; for example, sun vectors can be combined with an inclinometer to calculate rover orientation in an absolute reference frame and used to improve pose estimates. The proposed sun sensing technique was verified using a SICK LMS-511 lidar mounted on a Schunk panning unit through two separate experiments. In the first experiment, the outputs of both our algorithm and a Sinclair Interplanetary SS411 digital sun sensor were compared to solar ephemeris data over an entire day. While the SS-411 has higher accuracy, the experiment showed that our lidar-based method has acceptable accuracy and a larger field of view (FOV) that covers the entire sky. In the second experiment, our sun sensing algorithm was used with an inclinometer to calculate the absolute orientation of the rover periodically during a traverse. This information was used with wheel odometry to estimate rover poses over the entire traverse, yielding more accurate results than wheel odometry alone. When including lidar-based sun measurements, the average estimate error over the entire traverse was only 8.4 metres, an 88% improvement over wheel odometry (70.4 metres). The resulting final position estimate error was 22.8 metres, or 2.76% of total distance travelled.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».