Creation and Verification of High-Definition Point Cloud Maps for Autonomous Vehicle 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
High-definition (HD) maps have recently become a key piece of technology in autonomous driving. Over the past few years, various methods and sensors, such as those based on inertial navigation system (INS), global navigation satellite system (GNSS), cameras, and light detection and ranging (LiDAR), have been used to develop HD maps. In this study, we developed novel techniques for enhancing the creation and verification of HD point cloud maps. First, a tightly coupled (TC) INS/GNSS-assisted 3-D normal distribution transform (NDT)-LiDAR mapping system has been developed. Utilizing an integrated INS/GNSS, the system provides a reliable initial pose, thereby mitigating the issue of divergence in NDT scan matching, particularly when the vehicle operates at high speeds in challenging LiDAR environments. This approach enhances both navigation accuracy and the precision of the point cloud map. Second, alternative ground control points (GCPs) have been established as substitutes for conventional techniques, addressing freeway regulations and managing safety concerns. Third, to ensure the desired accuracy for “where-in-lane” positioning in autonomous vehicle applications, the created point cloud map was validated against the criteria outlined by standardized procedures. Overall, our preliminary results indicate that our HD point cloud map meets the positioning accuracy criteria outlined by the Taiwan Association of Information and Communication Standards. Our point density results also indicate that our generated point cloud map can achieve a high degree of accuracy in in-lane positioning for autonomous vehicle navigation.
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 | 0,000 | 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 découle