Case Study: Rigorous Boresight Alignment of a Marine Mobile LiDAR System Addressing the Specific Demands of Port Infrastructure Monitoring
Notice bibliographique
Résumé
Accurate infrastructure monitoring of ports and harbors is a vital operation conducted by the port’s authority. To operate regularly in this highly dynamic environment, we explore the potential of the cutting-edge mobile LiDAR systems (MLS) mounted on a vessel. To generate a high-quality 3 D point cloud that would satisfy the expected accuracy required in the monitoring task, the LiDAR scanner and the positioning and orientation system (POS) must be angularly aligned also known as boresight alignment. In this research, we introduce a boresight alignment methodology adapted to the port infrastructure surveillance based on prefabricated planar targets. After an analysis of planar target simulated data, we propose a boresight alignment site design. Then, we apply this boresight alignment site design in a real-world scenario. Obtained results estimate accurately roll and yaw angles errors with standard deviations of less than 0.002 degrees and pitch angle error with standard deviation less than 0.015 degrees. Finally, we defined a validation site and described the procedure that uses these features to validate the quality of the estimated parameters. The relative comparison of the georeferenced point clouds, before and after boresight alignment demonstrates the mitigation of the boresight systematic error impact on the final point cloud.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».