Enhancing Body-Mounted LiDAR SLAM using an IMU-based Pedestrian Dead Reckoning (PDR) Model
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
Simultaneous localization and mapping for human body-mounted platforms have been recently the focus of navigation research to support a wide range of applications such as rescue, first-responders, mining, and defense. For vehicular platforms, wheel odometry has been used to enhance the accuracy of SLAM. However, wheel odometry is not available in body-mounted platforms. Using raw inertial measurement unit (IMU) as odometry is not accurate enough to support SLAM due to the large and rapid drifts caused by IMU data integration. To address this challenge, we propose a sensor fusion scheme for body-mounted SLAM that integrates the IMU-based Pedestrian Dead Reckoning (PDR) model with a low-cost lightweight 2D LiDAR sensor. In the proposed fusion, the PDR model is used as a replacement for wheel odometry in vehicular platforms. A system prototype consisting of a helmet-mount IMU from Xsens and RPLIDAR A1 2D LiDAR sensor has been developed and used for field data collection. The developed PDR model was integrated into the Cartographer SLAM engine and compared with Hector SLAM. Our experiments demonstrated that the integration of PDR has enhanced the SLAM accuracy and contributed in bridging featureless portions of the environment leading to an overall average improvement of 71.47%.
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