Enhanced Autonomous Vehicle Positioning Using a Loosely Coupled INS/GNSS-Based Invariant-EKF Integration
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
High-precision navigation solutions are a main requirement for autonomous vehicle (AV) applications. Global navigation satellite systems (GNSSs) are the prime source of navigation information for such applications. However, some places such as tunnels, underpasses, inside parking garages, and urban high-rise buildings suffer from GNSS signal degradation or unavailability. Therefore, another system is required to provide a continuous navigation solution, such as the inertial navigation system (INS). The vehicle's onboard inertial measuring unit (IMU) is the main INS input measurement source. However, the INS solution drifts over time due to IMU-associated errors and the mechanization process itself. Therefore, INS/GNSS integration is the proper solution for both systems' drawbacks. Traditionally, a linearized Kalman filter (LKF) such as the extended Kalman filter (EKF) is utilized as a navigation filter. The EKF deals only with the linearized errors and suppresses the higher orders using the Taylor expansion up to the first order. This paper introduces a loosely coupled INS/GNSS integration scheme using the invariant extended Kalman filter (IEKF). The IEKF state estimate is independent of the Jacobians that are derived in the EKF; instead, it uses the matrix Lie group. The proposed INS/GNSS integration using IEKF is applied to a real road trajectory for performance validation. The results show a significant enhancement when using the proposed system compared to the traditional INS/GNSS integrated system that uses EKF in both GNSS signal presence and blockage cases. The overall trajectory 2D-position RMS error reduced from 19.4 m to 3.3 m with 82.98% improvement and the 2D-position max error reduced from 73.9 m to 14.2 m with 80.78% improvement.
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 | 0,001 |
| 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