Performance Enhancement of INS/GNSS/Refreshed-SLAM Integration for Acceptable Lane-Level Navigation Accuracy
Notice bibliographique
Résumé
In the near future, multi-sensor fusion will be the core component to navigate the autonomous driving platforms. This paper proposes new strategies to cope with the integration of an inertial navigation system (INS), a global navigation satellite system (GNSS), and light detection and ranging (LIDAR) to achieve simultaneous localization and mapping (INS/GNSS/LiDAR SLAM) especially in GNSS challenging environments where GNSS signals are blocked or contaminated with reflected signals. The proposed strategies implement a high level of integration with various information received from multiple sensors to collectively compensate for the specific drawbacks of those sensors included in the integrated system. The first strategy is to solve the divergence and drift problems of SLAM using the initial pose information from INS and the proposed refreshing process using an INS/GNSS integrated system. In addition, an updated mechanization is designed to qualify those received measurements based on cross validation of separate types of data. This mechanization is to ensure all measurements are reliable for the Extended Kalman Filter (EKF) update process. Moreover, the SLAM-derived information plays a major role to recognize the vehicle movement which assists the system to accurately apply those appropriate vehicle motion constraint models. The preliminary results presented in this study illustrate that proposed algorithm performs superior than the traditional INS/GNSS integration scheme and provides absolute navigation accuracy of 2 meters and 0.6% of distance traveled in GNSS-denied as well as 1.2 meters in GNSS-hostile environments, 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».