A novel LiDAR-GNSS-INS Two-Phase Tightly Coupled integration scheme for precise navigation
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. Recent advances in precise navigation have extensively utilized the integration of Global Navigation Satellite System (GNSS) and Inertial Navigation System (INS), particularly in the domain of intelligent vehicles. However, the efficacy of such navigation systems is considerably compromised by the reflection and multipath disruptions of non-light-of-sight (NLOS) signals. Light Detection and Ranging (LiDAR)-based odometry, an active perception-based sensor known for its precise 3D measurements, has become increasingly prevalent in augmenting navigation systems. Nonetheless, the assimilation of LiDAR odometry with GNSS/INS systems presents substantial challenges. Addressing these challenges, this study introduces a two-phase sensor fusion (TPSF) approach that synergistically combines GNSS positioning, LiDAR odometry, and IMU pre-integration through a dual-stage sensor fusion process. The initial stage employs an Extended Kalman Filter (EKF) to amalgamate the GNSS solution with IMU Mechanization, facilitating the estimation of IMU biases and system initialization. Subsequently, the second stage integrates scan-to-map LiDAR odometry with IMU mechanization to support continuous LiDAR factor estimation. Factor graph optimization (FGO) is then utilized for the comprehensive fusion of LiDAR factors, IMU pre-integration, and GNSS solutions. The efficacy of the proposed methodology is corroborated through rigorous testing on a demanding trajectory from an urbanized open-source dataset, with the system demonstrating a notable enhancement in performance compared to the state-of-the-art algorithms, achieving a translational Standard Deviation (STD) of 1.269 meters.
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 | 0,001 | 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 | 0,001 |
| 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