LiDAR-Based Multisensor Fusion With 3-D Digital Maps for High-Precision Positioning
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
Accurate and reliable positioning is essential for Vehicular Internet of Things (IoT) applications, such as autonomous and connected vehicles, to ensure their effective and safe operation. This calls for innovative methods that leverage various sensors and systems to fulfill such demands across diverse environmental and operational conditions. This article presents a multisensor positioning and navigation system that leverages cost-effective commercial-grade sensors for global navigation satellite system (GNSS)-challenging urban and indoor environments. The system integrates the vehicle’s onboard motion sensors (OBMSs) measurements with 3-D point clouds from light detection and ranging (LiDAR) registered to high-accuracy 3-D digital maps for sustained decimeter-level positioning accuracy. Key contributions include accurate LiDAR scan georeferencing with motion compensation, efficient map-to-map registration, and an effective decentralized fusion. Road test experiments on a professional land vehicle setup equipped with a multisensory navigation instrument were performed in downtown and covered parking garage environments with accurate 3-D geodatabase (GDB) available. Results from several road test trajectories demonstrate robust high-precision positioning performance with an average root mean-square error of 20 cm horizontally and 13 cm vertically, as well as position errors of less than 50 cm for 97% of the time and less than 30 cm for 90.7% of the time. The proposed system is a practical option for the positioning and navigation of self-driving cars and has the potential for cooperative mapping and updating 3-D city maps.
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