POST-MISSION QUALITY ASSURANCE PROCEDURE FOR SURVEY-GRADE MOBILE MAPPING SYSTEMS
Notice bibliographique
Résumé
Abstract. Mobile Mapping Systems (MMS) consist of terrestrial-based moving platforms that integrate a set of imaging sensors (typically digital cameras and laser scanners) and a Position and Orientation System (POS), designed to collect data of the surrounding environment. MMS can be classified as “mapping-grade” or “survey-grade” depending on the system’s attainable accuracy. Mapping-grade MMS produce geospatial data suitable for GIS applications (e.g., asset management) while survey-grade systems should satisfy high-accuracy applications such as engineering/design projects. The delivered accuracy of an MMS is dependent on several factors such as the accuracy of the system measurements and calibration parameters. It is critical, especially for survey-grade systems, to implement a robust Quality Assurance (QA) procedure to ensure the achievement of the expected accuracy. In this paper, a new post-mission QA procedure is presented. The presented method consists of a fully-automated self-calibration process that allows for the estimation of corrections to the system calibration parameters (e.g., boresight angles and lever-arm offsets relating the lidar sensor(s) to the IMU body frame) as well as corrections to the system measurements (e.g., post-processed trajectory position and orientation, scan angles and ranges). As for the system measurements, the major challenge for MMS is related to the trajectory determination in the presence of multipath signals and GNSS outages caused by buildings, underpasses and high vegetation. In the proposed self-calibration method, trajectory position errors are properly modelled while utilizing an efficient/meaningful trajectory segmentation technique. The validity of the proposed method is demonstrated using a dataset collected under unfavorable GNSS conditions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».