AN EVALUATION OF SOLID-STATE LIDAR FOR LOCALIZATION AND HD POINT CLOUD MAPPING
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.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».