An Integrated INS/LiDAR SLAM Navigation System for GNSS-Challenging Environments
Notice bibliographique
Résumé
Traditional navigation systems rely on GNSS/inertial navigation system (INS) integration, in which the INS can provide reliable positioning during short GNSS outages. However, if the GNSS outage persists for prolonged periods of time, the performance of the system will be solely dependent on the INS, which can lead to a significant drift over time. As a result, the need to integrate additional onboard sensors is essential. This study proposes a robust loosely coupled (LC) integration between the INS and LiDAR simultaneous mapping and localization (SLAM) using an extended Kalman filter (EKF). The proposed integrated navigation system was tested for three different driving scenarios and environments using the raw KITTI dataset. The first scenario used the KITTI residential datasets, totaling 48 min, while the second case study considered the KITTI highway datasets, totaling 7 min. For both case studies, a complete absence of the GNSS signal was assumed for the whole trajectory of the vehicle in all drives. In contrast, the third case study considered the use of minimal assistance from GNSS, which mimics the intermittent receipt and loss of GNSS signals for different driving environments. The positioning results of the proposed INS/LiDAR SLAM integrated system outperformed the performance of the INS for the residential datasets with an average reduction in the root mean square error (RMSE) in the horizontal and up directions of 88% and 32%, respectively. For the highway datasets, the RMSE reductions were 70% and 0.2% for the horizontal and up directions, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».