An Optimized GNSS RTK/INS/Vision Integration-Based Vehicle Positioning Model and Its Credibility Assessment
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 critical to Intelligent Transportation Systems (ITSs). Current research primarily focuses on improving Global Navigation Satellite System (GNSS) positioning accuracy and continuity through multi-sensor integration. With the emergence of new industries such as assisted driving, the credibility of positioning results has gradually attracted attention. To explore the feasibility of achieving credible positioning, this paper presents an optimized Inertial Measurement Unit (IMU) and camera tightly augmented GNSS Real Time Kinematic (RTK) model, along with the positioning credibility assessment. In this model, multi-factors that affect the positioning errors are considered as the feature inputs of the Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) network, then a credible factor and its uncertainty are generated. Moreover, a positioning optimization algorithm is presented based on the credible factor. To evaluate the effectiveness of the presented model, several sets of vehicle-borne data in urban environments are processed and analyzed. Results illustrate that (1) the presented positioning model achieves comparable positioning and superior orientation determination accuracy compared to existing state-of-the-art methods; (2) the generated credible factor can envelop 94% horizontal positioning errors and 84% vertical positioning errors with envelope levels of 5 cm and 7cm; (3) the error coverage rate of confidence interval generated by the uncertainty of credible factor in horizontal and vertical directions can reach 94% and 87.57%, which is close to the theoretically set 95% confidence interval for horizontal direction; (4) the positioning results can be optimized while applying the position optimization algorithm based on credible factor.
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 | 0,001 |
| 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