LiDAR/Visual SLAM-Aided Vehicular Inertial Navigation System for GNSS-Denied 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
Most navigation systems in GNSS-challenged environments rely on GNSS/INS integrated navigation system, with the INS potentially providing reliable positioning during short GNSS outages. However, in the event of a prolonged GNSS signal outage, the performance of the system will be solely dependent on the INS solution, which can lead to significant drift over time. As a result, adding more onboard sensors is crucial to mitigate the limitation the GNSS/INS systems, and thereby increase the robustness of the navigation system. This study proposes a loosely-coupled (LC) integration between the INS, LiDAR simultaneous localization and mapping (SLAM), and visual SLAM using an extended Kalman filter (EKF). The developed integrated navigation system is tested on the residential and highway drive segments of the raw KITTI dataset, which simulates various driving outdoor environments in terms of feature density and driving speed. In both cases, a complete artificial GNSS outage is enforced. The results show that the proposed INS/LiDAR/visual SLAM integrated system drastically outperforms the use of INS only. The proposed integrated navigation system yielded an average reduction in the root-mean-square error (RMSE) of approximately 95%, 87%, and 53%, in the east, north, and up directions, respectively. Finally, the proposed algorithm outperformed considered state-of-the-art LiDAR SLAM algorithms.
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