ME4VIO: Manifold Encapsulation for Visual Inertial Odometry with Application to Vehicle Navigation in Urban Environments
Notice bibliographique
Résumé
Visual-inertial odometry (VIO) is a technique that uses data from both cameras and inertial sensors to estimate the pose of a moving vehicle. VIO is a promising technology for autonomous navigation, as it can provide accurate and reliable pose estimates even in challenging environments, such as those with limited or no GPS coverage or in the case of modern self-driving cars with HD-maps capabilities within a map outage or update. This paper proposes a novel VIO algorithm that uses a manifold encapsulation approach to represent and mitigate uncertainty. The proposed algorithm, Manifold Encapsulation for Visual Inertial Odometry (ME4VIO), is based on the ?-manifold, a mathematical structure that can represent the uncertainty associated with pose estimates. The ?-manifold approach has several advantages over traditional VIO methods, including (i) It can more accurately represent the uncertainty associated with pose estimates. (ii) It can be more robust to noise and outliers. (iii) It can be more efficient to compute. The proposed algorithm was evaluated on a dataset collected from an actual road test in Kingston, Ontario. The results showed that ME4VIO achieved more accurate and reliable pose estimates than traditional VIO methods. In particular, ME4VIO could maintain accurate pose estimates even in challenging conditions, such as fast motion, low-textured environments, and sensor drifts. The results of this paper demonstrate that the proposed ME4VIO algorithm is a promising approach for VIO, even in challenging conditions. This qualifies ME4VIO as a potential solution for various autonomous navigation 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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».