RADAR/INS INTEGRATION FOR POSE ESTIMATION IN GNSS-DENIED ENVIRONMENTS
Notice bibliographique
Résumé
Abstract. This paper proposes a novel algorithm to use Radar in ego-motion estimation for autonomous navigation applications. This method is based on the analysis of Radar data to remove noise, ghost points, and outliers and keep the accurate features. From the detected features and the knowledge of Radar data rate and the vehicle's average speed, the change in range and azimuth between any two points can be constrained to find the corresponding points. With the help of the corresponding points, the vehicle's ego-motion can be estimated. Then, Radar is integrated with an Inertial Navigation System (INS) and odometer through an extended Kalman filter (EKF) to smooth the Radar solution and aid INS to overcome its large drifts in GNSS denied environments. Two real data were collected from frequency modulated continuous wave (FMCW) Radar sensors and Inertial Measurement Unit (IMU) in suburban areas near the University of Calgary, Canada. The proposed algorithm was tested by introducing simulated GNSS signal outages with different durations. The Root Mean Square Error (RMSE) for the horizontal position was improved by an average of 30.44% and 4.76% if it was compared with RMSE from odometer/INS solution with a percentage error less than 1% of the traveled distance which was 1.59 km and 2 km for the two datasets, respectively.
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 | 0,001 |
| 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 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 ».