Performance evaluation of neural network based integration of vision and motion sensors for vehicular navigation
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 positioning accuracy of global navigation satellite systems (GNSS) in dense urban canyon environment significantly deteriorates due to multipath and signal blockage. For this reason, inertial navigation system (INS) is often integrated with GNSS to ensure a reliable navigation solution during such periods of GNSS signal outages. A low-cost navigation solution for land vehicles has been developed by integrating GNSS positioning solution with the measurements from the vehicle motion sensors (accelerometers and gyroscopes). The major drawback of the usage of these inertial sensors is its progressive error accumulation, where the gyroscope drift errors increase gradually, leading to an unusable position estimate, especially in the absence of GNSS updates. Navigation in GNSS-denied environment requires aiding INS with other exteroceptive sensors such as cameras to guarantee the continuity of reliable positioning updates. The estimation of the camera’s relative change in position and orientation over time is known as visual odometry (VO). A VO-based multisensor integrated navigation system is presented here to surmount the inaccuracy of GNSS in urban scenarios and the drifts of the motion sensors. To enhance the overall system accuracy of the VO-based integrated solution, this paper explores improving the positioning accuracy during GNSS outages by nonlinear modeling of the residual position errors using a neural network. The results show a significant accuracy improvement over relatively long GNSS outages.
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 | 0,000 |
| 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 découle