global navigation satellite system
PulseAugur coverage of global navigation satellite system — every cluster mentioning global navigation satellite system across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
探索卫星导航和无 GPS 的城市导航
该集群探讨了伪距的概念，这是 GPS 等卫星导航系统中的基本测量值。它质疑了在不依赖 GPS 的情况下导航城市环境的可行性，并强调了卫星导航、时钟同步和定位技术的重要性。
-
生成式AI在Google Edge TPU上压缩GNSS干扰信号
研究人员开发了一种新颖的方法，使用生成式AI（特别是变分自编码器（VAE））直接在Google Edge TPU上压缩和分类全球导航卫星系统（GNSS）的干扰信号。该方法显著减少了数据传输需求，并在功耗受限的环境中实现了实时干扰检测。与原始信号相比，该系统实现了超过42倍的压缩率，并能高精度地分类约72种干扰类型，同时性能损失极小。
-
新的惯性追踪系统提高了在GPS受阻区域的自行车定位精度
研究人员开发了一个新的共享单车惯性追踪框架，即使在GPS信号受阻的城市峡谷等环境中也能有效运行。该系统整合了自行车机械约束和混合专家模型，以改进多任务学习并实现可感知不确定性的轨迹估计。通过分析踏频行为与加速度变化之间的关系，该框架能够动态校准车轮速度，在实际测试中比现有方法至少提高了12%的精度。
-
CredibleDFGO 提高了 GNSS 定位精度和协方差可信度
研究人员开发了 CredibleDFGO (CDFGO)，一个新颖的可微分因子图框架，旨在提高全球导航卫星系统 (GNSS) 定位的可靠性，尤其是在具有挑战性的城市环境中。与以往仅关注位置估计的方法不同，CDFGO 通过预测每颗卫星的可靠性权重来显式训练协方差可信度。这种方法能够更准确地报告不确定性，并在各种城市测试场景中都显示出定位精度和误差减小的改进，尤其是在严苛的旺角城市场景中显著降低了平均水平误差。
-
TACO管线融合IMU和跨视图地理定位以实现精确导航
研究人员开发了TACO，这是一个新管线，它将惯性测量单元（IMU）数据与细粒度的跨视图地理定位（CVGL）紧密集成，可在没有连续GNSS信号的情况下实现精确的定位。该系统旨在在GNSS不可靠的环境中提供准确的位置修复，例如城市峡谷或信号干扰区域。TACO在KITTI数据集上展示了绝对轨迹误差的显著降低，从97.0米提高到16.3米，同时保持了较低的计算成本。
-
JaGuard使用深度时序图校正GNSS干扰误差
研究人员开发了JaGuard，这是一种新颖的深度时序图网络，旨在减轻干扰对全球导航卫星系统（GNSS）的影响。该系统将卫星-接收器环境建模为一个动态图，使其能够预测和校正由干扰引起的定位误差。在实际测试中，JaGuard针对各种干扰类型表现出卓越的性能，即使在严重干扰和有限训练数据的情况下也能保持准确性。
-
U-ViLAR框架通过不确定性感知增强自动驾驶定位能力
研究人员开发了U-ViLAR，一个用于自动驾驶中面向不确定性的视觉定位的新框架。该系统将视觉输入映射到鸟瞰图，以提高与地图的一致性。它结合了感知和定位的不确定性指导，以减少误差，并在广泛关联和精确配准之间取得平衡，从而实现稳健的性能。U-ViLAR在充满挑战的城市驾驶条件下已展现出最先进的结果和稳定的运行。