Interchangeable Visual Inertial LiDAR Odometry and Mapping Payload Unit for Aerial Vehicles
Notice bibliographique
Résumé
This paper presents an aeronautical-grade payload unit designed for real-time execution of visual-inertial-LiDAR odometry and mapping (VILOAM) algorithms. The payload offers platform interchangeability between full-scale aircraft (e.g., Bell 412 helicopter), small-scale drones (e.g., DJI M600), and ground platforms. The use of small-scale drones renders a convenient option for the research and development of VILOAM algorithms due to the reduced resource demand and simplified pilot training, while full-scale aircraft experiments provide important operationally relevant datasets to test navigation algorithm performance for field deployment. The payload unit consists of two monocular cameras, an inertial measurement unit (IMU), a light detection and ranging (LiDAR) sensor, and a real-time kinematic (RTK) enabled global navigation satellite system (GNSS) receiver. A portable GPU interfaces with these sensors to capture hardware time-synchronized sensing data and perform real-time VILOAM, including support for AI modules for obstacle detection, emergency landing zone detection that typically occurs in field robotic applications such as last-mile goods delivery, surveillance and search and rescue flights. Field validation results for the payload unit are provided by running the developed VILOAM algorithm, as well as state-of-the-art VILOAM algorithms, and evaluating their performance in real-time localization and mapping on both platforms.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».