Towards seamless localization in challenging environments via high-definition maps and multi-sensor fusions
Notice bibliographique
Résumé
In the realm of autonomous vehicles, shifting scenarios can lead to localization failures, due to challenges like GPS signal loss and structural degradation. To address these issues, our paper introduces a multi-sensor and high-definition (HD) map-based framework for resilient vehicle localization in challenging environments. The framework integrates GPS, LiDAR, and ultra-wideband (UWB) to provide GPS localization results, UWB range measurements, LiDAR odometry results, and range measurements from plane detection and HD maps. These observations are then transformed into diverse constraints of varying scales, which are further represented as factors. Enhanced by a self-calibration module, these factors are seamlessly fused within a factor graph framework to achieve robust vehicle localization. Specifically, in environments where GPS is available and structured, the proposed method fuses results from GPS positioning and LiDAR simultaneous localization and mapping (SLAM). In GPS-unavailable and structured scenarios, fusion involves LiDAR SLAM results and UWB ranging information. For GPS-unavailable and degenerated-structured environments, the fusion incorporates range measurements from LiDAR plane detection and UWB anchors. We validate the effectiveness of the proposed method through practical applications in diverse environments covering a total driving distance of approximately 20.54 km, including underground parking, tunnels, roads under urban viaducts, and typical urban roads.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».