LiDAR-to-Map Registration: Comparative Analysis of Mechanical and Solid-State LiDAR Technologies Across ICP and NDT Algorithms
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 positioning is essential for autonomous vehicle (AV) navigation systems, supporting tasks such as motion planning, decision-making, and control. Although the Global Navigation Satellite System (GNSS) is widely used to provide positioning services, its accuracy and reliability can degrade and may even become unavailable in urban and indoor environments. However, AVs must have access to a positioning solution in all environments at all times. To bridge occurrences of GNSS unreliability, researchers have investigated the use of perception sensors such as LiDAR to sense the environment around the AV and provide an alternative positioning solution. LiDAR-based positioning methods, including LiDAR odometry (LO) and map matching, typically rely on registration algorithms such as Iterative Closest Point (ICP) and Normal Distribution Transform (NDT) for pose estimation. Mechanically Spinning LiDAR (MSL) is a well-established LiDAR technology that has been mounted on AVs to assist in tasks such as positioning and mapping. More recently, Solid-State LiDAR (SSL) has emerged as a promising new LiDAR technology, offering advantages over MSL in the form of fewer moving parts and lower costs. This study introduces a LiDAR-to-Map Registration (LMR) pipeline designed to evaluate the performance of MSL and SSL for AV positioning using real-world data. The comparative analysis investigates the suitability of each LiDAR technology accross various dynamic driving scenarios and through diverse environments, highlighting their strengths in the scenarios challenging to GNSS positioning.
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 | 0,001 |
| 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