Navigating Signal Outages: Radar-Augmented 5G mmWave Wireless Positioning for Land Vehicles
Notice bibliographique
Résumé
High-precision positioning in areas where Global Navigation Satellite Systems (GNSS) are degraded or unavailable is a necessity for the autonomous vehicles (AVs) of today and the near future and remains an active research problem. Fifth-generation (5G) millimeter-wave (mmWave) technology presents a promising answer to wireless-based positioning in GNSS-denied environments. Like GNSS however, 5G positioning systems are expected to encounter brief signal outages in real, dynamic driving environments. During these outages, the positioning system must maintain its accuracy until a signal is available once more by relying on alternate technologies. On-board motion sensors (OBMS) including inertial measurement units (IMU)s and odometers are a logical solution to this problem, maintaining a position estimate through dead-reckoning methods. A classic solution is the integration of an odometer, or wheel encoder, with measurements from an IMU. Wheel encoders are limited by a fixed resolution and a relatively low data rate. Electronic Scanning Radar (ESR) are low-cost sensors found on most modern vehicles and measure the range, angle, and Doppler velocity of targets in their environment. In this paper, we explore the use of an ESR for forward velocity estimation as an alternative to the wheel encoder. ESR-based velocity estimation is integrated with 5G positioning, and its ability to maintain high positioning accuracy during 5G signal outages is assessed. Overall, due to an increased resolution and data rate, ESR velocity estimates were found to sustain a higher positioning accuracy during signal outages when compared to wheel-based odometry.
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 ».