INS-AIDED 3D LIDAR SEAMLESS MAPPING IN CHALLENGING ENVIRONMENT FOR FUTURE HIGH DEFINITION MAP
Notice bibliographique
Résumé
Abstract. With advances in computing and sensor technologies, onboard systems can deal with a large amount of data and achieve real-time process continuously and accurately. In order to further enhance the performance of positioning, high definition map (HD map) is one of the game changers for future autonomous driving. Instead of directly using Inertial Navigation System and Global Navigation Satellite System (INS/GNSS) navigation solutions to conduct the Direct Geo-referencing (DG) and acquiring 3D mapping information, Simultaneous Localization and Mapping (SLAM) relies heavily on environmental features to derive the position and attitude as well as conducting the mapping at the same time. In this research, the new structure is proposed to integrate the INS/GNSS into LiDAR Odometry and Mapping (LOAM) algorithm and enhance the mapping performance. The first contribution is using the INS/GNSS to provide the short-term relative position information for the mapping process when the LiDAR odometry process is failed. The checking process is built to detect the divergence of LiDAR odometry process based on the residual from correspondences of features and innovation sequence of INS/GNSS. More importantly, by integrating with INS/GNSS, the whole global map is located in the standard global coordinate system (WGS84) which can be shared and employed easily and seamlessly. In this research, the designed land vehicle platform includes commercial INS/GNSS integrated product as a reference, relatively low-cost and lower grade INS system and Velodyne LiDAR with 16 laser channels, respectively. The field test is conducted from outdoor to the indoor underground parking lot and the final solution using the proposed method has a significant improvement as well as building a more accurate and reliable map for future use.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,003 | 0,001 |
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 ».