Inter-Vehicle Position Estimation For NLOS Condition In The Persistence Of GPS Outages
Notice bibliographique
Résumé
The main focus of thesis work addresses one of the functional key points of Cooperative Collision Warning application which is an accurate estimation of the range data of neighboring vehicles during persistent GPS outages under both line-of-sight (LOS) and non-line-of-sight (NLOS) situations. Cooperative Collision Warning, based on vehicle-to-vehicle radio communications and GPS systems, is one promising active safety application that has attracted considerable research interest. One of the severe estimation error is due to NLOS that can be mitigated by applying biased Kalman filter on range measurements. For our algorithm these inter-vehicle distances are measured from using one of the radio-based ranging techniques. Main objective is to establish an accurate map of positions for neighboring vehicles in the persistance of GPS outages. GPS outages can be possible in multipath environments where NLOS component is introduced to the true range measurements. These position estimates mainly depend on two factors: (i) Preprocessed inter-vehicle distances (range data is processed from biased Kalman filter); (ii) Road constraints (the vehicle uncertainty is more in the direction of road than the uncertainty in the direction opposite the road); This thesis suggests smoothing and mitigating the NLOS for radio-based ranging measurements under multipath conditions. In order to find accurate positions of neighboring vehicles an extended Kalman filter is implemented along with road constraints. Unbiased Kalman filter, biased Kalman filter and extended Kalman filter performances are experimentally verified using Matlab simulation tool with random number of vehicles at unknown random distinct positions in some physical region along a section of road for vehicular environment.
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 | 0,001 | 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 ».