Adaptive Navigation Strategy for Low‐Cost IMU‐Assisted Vehicles in GNSS‐Denied Traffic Environment
Notice bibliographique
Résumé
In the context of increasingly complex and diverse traffic environments, where intelligent and connected vehicles (ICVs) coexist with conventional human‐driven vehicles, maintaining reliable navigation under global navigation satellite system (GNSS) outages is crucial for supporting adaptive driving strategies and ensuring operational safety. Low‐cost inertial measurement units (IMUs) offer promising solutions due to their low computational load and high self‐sufficiency, yet error accumulation remains a persistent challenge, particularly in real‐world mixed traffic scenarios. This study introduces a dilated convolutional neural network (DCN)–driven framework to directly estimate vehicle forward velocity and IMU error parameters from raw IMU measurements, addressing the reliance on hardware‐based odometry by extending nonholonomic constraints (NHC) into three‐dimensional velocity constraints. By dynamically optimizing IMU error parameters through integration with an error model, the proposed method mitigates the adverse effects of inherent noise in low‐cost IMUs, enabling robust navigation in GNSS‐denied environments. Validation using a GNSS/INS dataset demonstrates that the approach accurately estimates vehicle position while significantly suppressing error accumulation, which is pivotal for maintaining reliable navigation in heterogeneous traffic flows where autonomous and human‐driven vehicles coexist. This contributes to the development of robust vehicle autonomy and enhanced safety in mixed‐traffic ecosystems, enabling more adaptive and resilient driving strategies.
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 ».