An Optimized GNSS RTK/INS/Vision Integration-Based Vehicle Positioning Model and Its Credibility Assessment
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.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».