A FRAMEWORK FOR MULTI-SENSOR POSITIONING AND MAPPING FOR AUTONOMOUS VEHICLES
Notice bibliographique
Résumé
Abstract. Autonomous vehicles (AVs) are cars, buses or trucks that can travel with limited or no human intervention. They combine sensors, perception systems, and software to control, navigate, and safely drive the vehicle. AVs promise to improve the efficiency of our transportation system, reduce collisions and traffic congestion and improve mobility for our growing population. As the world continues to move toward a more efficient transportation system driven by AVs, there is a growing demand for new technologies that guarantee efficient and safe operation. Trust in AVs hinges on the reliability of autonomy, including the crucial task of positioning, which should be accurately provided at high precision everywhere for all environments. This paper introduces a framework for developing and deploying robust positioning and mapping systems for AVs at a submeter level of accuracy with high integrity. We introduce a new paradigm for the positioning and mapping of AVs that expands the capabilities of the present technologies and enables the processing of a broader range of complementary sensors and systems on a single platform. The target is to sustain this performance seamlessly everywhere in all operating and weather conditions relying on the suite of wireless and perception systems in addition to the vehicle's onboard sensors. Some sample results demonstrating the submeter level of positioning in various environments are discussed in this paper. This research will significantly impact the acceptance of and trust in AVs by enhancing safety and reliability and decreasing the failure rate in degraded environments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».