Enhancing Body-Mounted LiDAR SLAM using an IMU-based Pedestrian Dead Reckoning (PDR) Model
Notice bibliographique
Résumé
With the significant reduction in motion sensors' cost and power, Simultaneous Localization and Mapping (SLAM) has emerged as a core technology that powers up a wide range of applications such as virtual/augmented reality, search-and-rescue, firstresponders, mining, and defence. Existing SLAM methods have been designed mainly for robotic platforms that use wheel odometry as a system motion model. However, wheel odometry is not available for body-mounted platforms, which limits the accuracy of SLAM algorithms when implemented on such platforms. This thesis addresses the challenge of body-mounted SLAM by proposing an integrated sensor fusion scheme. A Pedestrian Dead Reckoning (PDR) model based on the Inertial Measurement Unit (IMU) is used to enhance LiDAR-based SLAM. This proposed fusion uses the PDR model as a replacement for wheel odometry in vehicular platforms. A system prototype has been developed and used for data collection and experiments. Plus, a PDR model was implemented and integrated into the Google Cartographer SLAM engine and tested against different positioning systems such as stand-alone IMU-PDR, Hector SLAM and Cartographer. Experiments demonstrated that the integration of PDR has significantly enhanced head-mounted SLAM accuracy leading to accurate positioning under different motion scenarios.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».