High-Resolution Mobile Mapping Platform Using 15-mm Accuracy LiDAR and SPAN/TerraStar C-PRO Technologies
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
Nowadays, most of the mobile mapping systems (MMSs) use global navigation satellite system (GNSS)/inertial navigation system positioning technology and 2-D sensors to construct maps, self-localize, and gather environmental information, as well. Several problems can arise with traditional architectures of these systems, especially in situations where the GNSS signal is unavailable or multiple paths are involved, such as reliability issues and poor accuracy. Moreover, their cost of up to U.S. <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\$ $ </tex-math></inline-formula>2 million still poses a significant challenge for the development of new geographical information system applications. This article proposes a new design of an MMS that incorporates a 1.5-cm accurate 3-D light detection and ranging sensor and a high-accuracy positioning system based on synchronous position attitude and navigation (SPAN)/TerraStar C-PRO technologies. The extended Kalman filter was used in this research to reduce the impact of GNSS signal loss by combining the simultaneous localization and mapping (SLAM) method with SPAN/TerraStar C-PRO technologies. In the experiments, the concept of our mobile mapping platform was validated using the simulation environment Gazebo. So as to evaluate the proposed platform, a real dataset was collected from a complex environment where the GNSS signal is rarely available, exactly, from the campus of Moncton—Université de Moncton. The obtained results disclosed that the proposed platform proves its performance in terms of accuracy and reliability. Due to the integration of the SLAM algorithm with SPAN/TerraStarC-PRO technologies, the generated 3-D point cloud map includes a number of 285 million points with a mean accuracy 0.28 m even in the case of GNSS signal loss.
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