Leveraging Single-Bounce Reflections and Onboard Motion Sensors for Enhanced 5G Positioning
Notice bibliographique
Résumé
5G-based mmWave wireless positioning has emerged as a promising solution for autonomous vehicle (AV) positioning in recent years. Previous studies have highlighted the benefits of fusing line-of-sight (LoS) 5G signals with an Inertial Navigation System (INS) for an improved positioning solution. However, the highly dynamic environment of urban areas, where AVs are expected to operate, poses a challenge, as non-line-of-sight (NLoS) communication can deteriorate the 5G mmWave positioning solution and lead to erroneous corrections to the INS. To address this challenge, we exploit 5G single-bounce reflections (SBRs) and LoS signals to improve positioning performance in dense urban environments. In addition, we integrate the proposed 5G-based positioning with a low-cost inertial measurement unit (IMU) and a wheel encoder. Moreover, the integration is realized using an unscented Kalman filter (UKF) as an alternative to the widely utilized extended Kalman filter (EKF) within the 5G-based positioning research community. We performed two test trajectories in the dense urban environment of downtown Toronto, Canada. For each trajectory, quasi-real 5G measurements were generated using a ray-tracing tool incorporating 3D map scans of real-world buildings, allowing for realistic NLoS and multipath scenarios. For the same trajectories, real motion data were collected from two different low-cost IMUs. Our integrated positioning solution was capable of maintaining a level of accuracy below 30 cm for approximately 97% of the time, which is superior to the accuracy level achieved when SBR signals are not considered, which is only around 92% of the time.
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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».