XiaoMi-AI文件搜索系统
World File Search System位置估计
关于超可靠的无线和位置估计的统计关系
摘要 - Location信息通常用作保证无线通信链接的性能的代理。但是，本地化错误可能会导致保证的不匹配，尤其是对操作超可靠的低延迟通信（URLLC）制度的用户有害。本文揭示了位置估计不确定性和无线链接可靠性之间的基本统计关系，特别是在超可靠通信的速率选择中。我们从一个简单的一维Nar-Rowband Rayleigh褪色场景开始，并朝着丰富的散射环境中的两维情况构建。无线链接可靠性的特征是元概率，超过停电能力的本地化误差的概率以及通过删除系统中其他错误源的概率，我们表明可靠性对本地化错误敏感。定义了ϵ -outage相干半径，并显示出对基于位置的速率选择问题的有价值的见解。但是，在不准确了解传播环境的情况下，确保可靠性通常是具有挑战性的。最后，提出了几种速率选择方案，展示了问题的动态，并揭示了适当考虑本地化错误对于确保在可靠性和可实现的吞吐量方面良好绩效至关重要。
GPS-IMU传感器融合用于可靠的自动驾驶位置估计
摘要 - 全球覆盖范围和全球覆盖范围的准确定位，使其成为具有无障碍天空视图的开放区域的可靠选择。但是，在室内空间和城市峡谷中可能发生信号降解。相比之下，惯性测量单元（IMU）由陀螺仪和加速度计组成，这些计量机提供了相对运动信息，例如加速度和旋转变化。与GPS不同，IMU不依赖外部信号，使其在受GPS有限的环境中有用。尽管如此，由于误差的积累，IMU在整合加速度以确定速度和位置的同时会流动。因此，融合GPS和IMU对于增强自动驾驶汽车中导航系统的可靠性和精度至关重要，尤其是在GPS信号受到损害的环境中。为了确保平稳导航并克服每个传感器的局限性，提出的方法将融合GPS和IMU数据。此传感器融合使用无知的卡尔曼过滤器（UKF）贝叶斯过滤技术。拟议的导航系统旨在坚固，为自动驾驶汽车的安全操作（尤其是在GPS被拒绝的环境中的安全操作）至关重要的连续和准确的定位。该项目使用Kitti GNSS和IMU数据集进行实验验证，表明GNSS-IMU融合技术可减少仅GNSS的RMSE。RMSE分别从13.214、13.284和13.363降至4.271、5.275和0.224，分别为X轴，Y轴和Z轴。使用UKF的实验结果显示了使用GPS和IMU传感器融合改善自动驾驶汽车导航的有希望的方向，并使用GPS有限环境中的两个传感器中的最佳融合。索引术语 - 自主车位，全球定位系统，惯性测量单元，传感器融合，无知的卡尔曼滤波器
基于视觉的小型无人机系统相对位置估计与拦截轨迹规划
13. 摘要（最多 200 个字）无人机系统 (UAS) 的普及加剧了恶意行为者利用该技术进行恶作剧或伤害的不对称威胁。现有的地面解决方案受到视线的限制，而人工操作的响应无人机响应速度较慢且劳动强度较大。因此，需要具备基于视觉的自主追击和拦截未经授权的无人机的能力。为了解决这个问题，作者开发了一种计算机视觉 (CV) 算法，用于在现场条件下检测、跟踪和估计悬停和移动的空中小型 UAS 目标的相对位置和范围。将基于 CV 的测量结果与 GPS 数据进行比较，以评估 CV 算法的范围和角度估计性能。然后，飞行控制算法利用简单的角度制导原理处理 CV 估计的范围和角度信息以追击和拦截目标。使用原型无人机对该算法进行了现场测试。这项研究将为商用现货反无人机能力的概念设计和硬件实现选择提供参考。更广泛地说，这项研究为自主物体跟踪应用的知识体系做出了贡献。