Evaluation of 5G Cell Densification for Autonomous Vehicles Positioning in Urban Settings
Notice bibliographique
Résumé
A key operational requirement for Autonomous vehicles (AVs) is to have a highly reliable positioning at the sub-meter lane-level accuracy. However, it is well-known that current satellite- and perception-based positioning systems suffer in achieving this desired accuracy in urban settings and during rough weather conditions. This research explores the strong potentials of the soon-to-be-deployed 5G wireless technology that is capable of overcoming these limitations and provides an uninterrupted everywhere positioning with lane level accuracy. The high cell densities and large bandwidth ranges promised in 5G are anticipated to achieve ultra-reliable and ultra-low-latency communications, which will enable the detection of received signals at AVs with high time precision, thus improving the localization accuracy. This paper discusses the merits and limitations of using 5G small cells to provide lane level positioning services in urban environments. We consider a 5G-based positioning scheme employing time of arrival with the trilateration of ranges between 5G base stations based on least-squares and an AV in kinematic mode. We then evaluate the impact of cell densification on achieving the desired accuracy level using the considered positioning scheme. A professional 5G simulator was used to assess the positioning accuracy of a vehicle moving at an average speed of 35 km/h in a kinematic road test involving different 5G base-stations densities on a trajectory in downtown Manhattan, NY. Results show that an inter-cell spacing of 160 m can achieve sub-meter positioning accuracy for AVs in typical dense urban settings.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».