INVESTIGATING THE COMPLEMENTARY USE OF RADAR AND LIDAR FOR POSITIONING APPLICATIONS
Notice bibliographique
Résumé
Abstract. In the realm of Autonomous Vehicles (AVs), accurate, reliable and uninterrupted positioning capabilities are vital to ensure successful operations. Light Detection And Ranging (LiDAR) technology, capable of providing a high-fidelity 3D representation of the surrounding environment, has enabled numerous odometry-based positioning algorithms. These algorithms utilize a registration process to estimate relative motion from two successive 3D scans. However, the accuracy of the registration process can be compromised by the presence of dynamic objects, leading to significant translational and rotational deviations. On the other hand, Radar technology provides spatial and speed information. However, it is limited by spatial sparsity and susceptibility to noise. In this paper, we propose combining the complementary LiDAR and Electronic Scanning Radar (ESR) measurements, along with onboard motion sensors for improved navigation performance in complex and dynamic environments. This is achieved by employing a radar-based filtering mechanism that refines the LiDAR's point cloud mitigating the impact of dynamic objects. This results in a more robust registration process, which in turn enhances the LiDAR Inertial Odometry (LIO) solution. The proposed method was verified using real data collected from onboard motion sensors, a 3D LiDAR, and four ESRs from road tests conducted in downtown Calgary, Alberta, Canada. Our approach achieved an improved average horizontal positioning and heading RMSE of 0.43 meters and 0.25 degrees, respectively, compared to the 0.66 meters and 0.39 degrees observed with the standalone LIO solution. Moreover, submeter-level and lane-level accuracies were enhanced to 95% and 100% of the time, respectively, up from 85.7% and 94.9%.
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 ».