LiDAR-Based Multisensor Fusion With 3-D Digital Maps for High-Precision Positioning
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.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».