An Integrated INS/LiDAR SLAM Navigation System for GNSS-Challenging Environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 découle