AN EVALUATION OF SOLID-STATE LIDAR FOR LOCALIZATION AND HD POINT CLOUD MAPPING
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
Abstract. Cost-effective navigation and positioning systems for autonomous vehicles has become a key focus of research in recent years. Having an accurate position within a lane is vital to enabling high levels of automation and improving safety. Traditionally, vehicle navigation and positioning systems have relied heavily on the Global Navigation Satellite System (GNSS), particularly in open-sky scenarios. However, GNSS signals can be easily disrupted by environmental interferences. These include phenomena such as urban canyons, which result from multi-path interferences, as well as challenges posed by Non-Line-of-Sight (NLOS) situations. In the pursuit of developing robust systems resilient to such issues, the concept of sensor fusion has been widely employed. Among all sensors used in commercial self-driving vehicles, mechanical LiDAR is the primary sensor. Utilizing point cloud data from LiDAR and registering it with a prior point cloud map can result in highly accurate position results. However, the high cost of mechanical LiDAR has limited the mass production of point cloud map and autonomous vehicle. In this paper, we evaluate several successful Simultaneous Localization and Mapping (SLAM) architectures from LiDAR-based to LiDAR-Inertial-based using single Solid-State LiDAR (SSL). Last, we proposed a single SSL mapping and localization framework that can achieve 36 centimeters 3D RMSE and 0.5 degree accuracy in heading estimation.
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 | 0,002 | 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 découle