Enhanced Design, Optimal Tuning, and Parallel Real-Time Implementation of Monocular Visual-Inertial-GNSS Navigation System
Notice bibliographique
Résumé
This Ph.D. thesis presents novel design, optimal tuning, and parallel real-time implementation of Tightly-Coupled (TC) Visual-Inertial Navigation (VIN) systems integrated with the Global Navigation Satellite System (GNSS) for autonomous vehicle applications. The Visual-Inertial-GNSS Navigation (VIGN) problem concerns estimating the position, velocity, and attitude of a mobile platform carrying only an on-board camera, an Inertial Measurement Unit (IMU), and a GNSS receiver. Although the cost and size efficiency of VIGN systems offer great commercialization potentials, achieving high accuracy, robustness, and real-time performance on embedded computing platforms are still challenging. Accuracy and robustness in VIGN systems heavily rely on two factors: first, a tightly-coupled fusion scheme that harvests the deep inter-modality correlations in the sensory data, and second, a well-tuned fusion model that sufficiently characterizes the actual behaviour of the VIGN system in practice. However, fusing multi-modal sensory data in the TC fashion scheme, as in the VIGN system, inevitably imposes a high computational burden due to the large state space and diverse volumes of visual processing, making it quite challenging to satisfying strict real-time constraints on embedded computing platforms. To address these challenges, this Ph.D. thesis proposes novel design and optimization approaches that have resulted in three main contributions. This Ph.D. research initially develops an enhanced VIN system based on Multi-State Constraint Kalman Filter (MSCKF). Further, it proposes a novel systematic design and automatic tuning framework to adjust its design parameters for optimal state estimation.
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 ».