MétaCan
Menu
Retour à la cohorte
Enregistrement W2999369619 · doi:10.3390/electronics9010120

A Low Cost Civil Vehicular Seamless Navigation Technology Based on Enhanced RISS/GPS between the Outdoors and an Underground Garage

2020· article· en· W2999369619 sur OpenAlexaff
Ningbo Li, Lianwu Guan, Yanbin Gao, Zhejun Liu, Ye Wang, Hanxiao Rong

Notice bibliographique

RevueElectronics · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensUniversity of CalgaryQueen's University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesChongqing Municipal Education CommissionNational Natural Science Foundation of China
Mots-clésGlobal Positioning SystemInertial navigation systemOdometerDead reckoningInertial measurement unitNavigation systemReal-time computingComputer scienceWind triangleSatellite navigationEmbedded systemSimulationEngineeringInertial frame of referenceTelecommunicationsArtificial intelligenceMobile robotRobot

Résumé

récupéré en direct d'OpenAlex

Vehicles have to rely on satellite navigation in an open environment. However, satellite navigation cannot obtain accurate positioning information for vehicles in the interior of underground parking lots, as they comprise a semi-enclosed navigation space. Therefore, vehicular navigation needs to take into consideration both outdoor and indoor environments. Actually, outdoor navigation and indoor navigation require different positioning methods, and it is of great importance to choose a reasonable navigation and positioning algorithm solution for vehicles. Fortunately, the integrated navigation of the Global Positioning System (GPS) and the Micro-Electro-Mechanical System (MEMS) inertial navigation system could solve the problem of switching navigation algorithms in the entrance and exit of underground parking lots. This paper proposes a low cost vehicular seamless navigation technology based on the reduced inertial sensor system (RISS)/GPS between the outdoors and an underground garage. Specifically, the enhanced RISS is a positioning algorithm based on three inertial sensors and one odometer, which could achieve a similar location effect as the full model integrated navigation, reduce the costs greatly, and improve the efficiency of each sensor.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,511
Score d'incertitude au seuil0,701

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,225
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueElectronicsMême sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207