Crowdsourcing Radar Maps with AUTO’s Integration of Multiple Imaging Radars and INS/GNSS for Autonomous Applications
Notice bibliographique
Résumé
Enabling reliable and accurate localization in all environments typically requires the fusion of information from many different sensors and sources. One common approach is the fusion of perception sensors and high definition (HD) maps. However, obtaining HD maps is often a challenge, due to the high financial costs, large data requirements, and heavy processing demands that are involved. This paper presents AUTO, a real-time integrated navigation system that implements a novel method for map crowdsourcing using imaging radars. AUTO integrates inertial navigation systems (INS), global navigation satellite systems (GNSS), odometer, and multiple radars sensors to crowdsource radar-based maps of the environment. Data is gathered by the same systems used for real-time positioning, thereby eliminating the need for costly survey equipment. Furthermore, large maps are divided into smaller areas using a tiling scheme to limit memory growth and improve processing requirements for map-building. This approach allows the map boundaries to be automatically determined based on the input data. The results demonstrate the accurate mapping of downtown areas in Detroit, MI, and Calgary, AB, using combinations of 3 and 5 imaging radars. The maps are represented as 2D occupancy grid maps generated from real-world data, with a 10cm resolution. The results also show how AUTO can then use the crowdsourced radar maps for reliable and accurate positioning in challenging environments. Key performance indices (KPI) are presented for vehicle using different multi-radar configurations. The presented solution also features integrity monitoring for the integrated navigation solution with protection levels illustrated using a Stanford diagram. AUTO was tested under a wide variety of environments, locations, lighting, and weather conditions to assure the robustness and reliability required by autonomous applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».