Vehicle navigator using a mixture particle filter for inertial sensors/odometer/map data/GPS integration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The market for vehicular navigators boomed over the last few years. These navigators rely mainly on satellite based navigation systems such as the Global Positioning System (GPS) to assist drivers. Due to interruption or degradation in such systems in dense urban scenarios, they have to be augmented with other systems to achieve continuous and accurate vehicular navigation. GPS is integrated with low-cost micro-electro mechanical system (MEMS)-based inertial sensors. However, these sensors provide inadequate performance in degraded GPS environments because of their complex error characteristics that often lead to large position drift errors. This paper proposes a continuous and accurate solution integrating low-cost MEMS-based inertial sensors, the vehicle odometer, GPS, and map data from road networks. Despite the traditional inadequate performance of MEMS-based sensors in this problem, the performance is enhanced through: (i) a special combination of inertial sensors and odometer that has better performance for land vehicles than traditional solutions; (ii) The use of map information from road networks to constrain the positioning solution; (iii) The use of an advanced particle filtering (PF) technique to perform the integration, which work with nonlinear models and better modeling of inertial sensor errors, in addition to better integration with the map data. The performance of the proposed positioning system has been verified extensively on real road tests in downtown trajectories with degraded or totally denied GPS for long durations.
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.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle