Integrated Positioning for Connected Vehicles
Notice bibliographique
Résumé
In the era of autonomous cars, accurate vehicular positioning becomes very essential. The global navigation satellite systems (GNSS) suffer from signal blockage and severe multipath in urban canyons, which degrades the positioning accuracy and availability. Therefore, vehicles solely relying on positioning from GNSS receivers have limited performance. In this research, we present a novel unified cooperative positioning solution which enhances positioning accuracy and availability in urban canyons. The proposed system exploits the fact that vehicles have different positioning resources and is based on angle approximation, which artificially generates the hindered pseudorange by sharing angle information between vehicles using dedicated short-range communication. In addition, we propose a system that employs the proposed cooperative technique to assist the loose integration between the inertial navigation system (INS) and the GPS system (using extended Kalman filter) during partial GPS outages. Using raw data from inertial sensors and GPS receivers in the real road trajectories, we implement the cooperative INS/GPS loose integration and show that our cooperative integrated system outperforms the non-cooperative integrated system. The performance metrics used are the 2-D positioning root-mean-square error, the maximum 2-D positioning error, and the positioning accuracy gain (PAG). Specifically, the PAG gain is around 88%, 80%, and 60% when the number of blocked satellites is one, two, and three, respectively.
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 ».