Robust Positioning for Road Information Services in Challenging Environments
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
Next-generation Intelligent Transportation Systems (ITS) of future road traffic monitoring will be required to provide reports on traffic status, road conditions, and driver behaviour. Road surface anomalies contribute to increasing the risk of traffic accidents, reduced driver comfort and increased vehicles' damage. The conventional integrated Global Navigation Satellite System (GNSS)/Inertial Navigation System (INS) positioning solutions can suffer from errors because of inertial sensor noises and biases, especially when low-cost and commercial grade inertial sensors are used. In this work, we use a reduced inertial sensor system utilizing Micro-Electro-Mechanical-System (MEMS) based inertial sensors, to integrate with the GNSS receiver and provide robust positioning in urban canyons. To provide acceptable performance in challenging urban environments, our method de-noises the MEMS-based inertial sensor measurements using a technique based on a Bi-orthonormal search, which separates the monitored motion dynamics from both the inertial sensor bias errors and high-frequency noises. As a result, the performance of the positioning system is improved, providing reliable positioning accuracy during extended GNSS outages that occur in various areas. To show the significant enhancement achieved by the proposed approach, we examined the system performance over three road test trajectories involving MEMS-based inertial sensors and GNSS receivers mounted on our test vehicle. The superior performance of our proposed INS/GNSS integrated positioning system is demonstrated in this paper during various GNSS outages, in different areas, and under multiple driving scenarios.
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 | 0,000 | 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