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 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 ».