High-Precision Positioning in GNSS-Challenged Environments: A LiDAR-Based Multi-Sensor Fusion Approach with 3D Digital Maps Registration
Notice bibliographique
Résumé
<p>This paper presents a multi-sensor positioning and navigation system that leverages cost-effective commercial-grade sensors for GNSS-challenging urban and indoor environments. The system fuses onboard motion sensor data with LiDAR point clouds registered to high-accuracy 3D digital maps to achieve sustained decimeter-level positioning. Key contributions include accurate LiDAR scans geo-referencing with motion compensation, efficient map-to-map registration, and an effective decentralized fusion. Real-world driving data from downtown Kingston, Ontario, Canada, and a high-accuracy 3D city geodatabase were used to examine the proposed methods’ performance and benefits. Results demonstrate the efficacy of the proposed technique, achieving accurate positioning with an average RMSE of 20cm horizontally and 13cm vertically, and a sustainable positioning sub-meter level of positioning accuracy 100% of the time. The proposed method was also able to sustain high precision positioning in such GNSS-denied environments with position errors of less than 50cm for 96.8% of the time and less than 30cm for 91% of the time. The performance achieved demonstrates that the proposed system is a practical option for the positioning and navigation of self-driving cars and has the potential for cooperative mapping and updating 3D city maps.</p>
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».