VGPNet: A Vision-Aided GNSS Positioning Framework With Cross-Channel Feature Fusion for Urban Canyons
Notice bibliographique
Résumé
Global Navigation Satellite System (GNSS) positioning in urban canyons is severely degraded by non-line-of-sight (NLOS) reception caused by building obstructions and signal reflections. Conventional approaches typically treat NLOS observations as unreliable and rely on classifying and excluding them. However, these classification-exclusion methods are highly sensitive to misclassification, potentially discarding line-of-sight (LOS) observations or valuable information embedded in NLOS observations. To overcome these limitations, this paper proposes a vision-aided GNSS positioning (VGPNet) framework that integrates GNSS observations with sky-pointing fisheye imagery to enhance positioning accuracy via deep contextual feature sensing. Unlike existing classification-exclusion based approaches, VGPNet preserves all satellite observations and leverages a deep fusion model to assign adaptive per-satellite weights and bias corrections, thus making full use of both LOS and NLOS observations. Central to VGPNet is a novel cross-channel feature fusion module, which projects both visual and GNSS features into a shared latent space. This enables robust and adaptive estimation of satellite-specific weights and biases. Extensive experimental evaluations in urban canyon scenarios confirm that VGPNet substantially outperforms existing state-of-the-art approaches in terms of positioning accuracy. The code is available at https://github.com/hu-xue/VGPNet.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».