Occlusion-Aware Path Planning to Promote Infrared Positioning Accuracy for Autonomous Driving in a Warehouse
Notice bibliographique
Résumé
Infrared positioning is a critical module in an indoor autonomous vehicle platform. In an infrared positioning system, the ego vehicle is equipped with an infrared emitter while the infrared receivers are fixed onto the ceiling. The infrared positioning result is accurate only when the number of valid infrared receivers is more than three. An infrared receiver easily becomes invalid if it does not receive light from the infrared emitter due to indoor occlusions. This study proposes an occlusion-aware path planner that enables an autonomous vehicle to navigate toward the occlusion-free part of the drivable area. The planner consists of four layers. In layer one, a homotopic A* path is searched for in the 2D grid map to roughly connect the initial and goal points. In layer two, a curvature-continuous reference line is planned close to the A* path using numerical optimal control. In layer three, a Frenet frame is constructed along the reference line, followed by a search for an occlusion-aware path within that frame via dynamic programming. In layer four, a curvature-continuous path is optimized via quadratic programming within the Frenet frame. A path planned within the Frenet frame may violate the curvature bounds in a real-world Cartesian frame; thus, layer four is implemented through trial and error. Simulation results in CarSim software show that the derived paths reduce the poor positioning risk and are easily tracked by a controller.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».