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.
9 天有情绪数据
-
新的SASGeo框架助力GNSS受限的UAV进行语义地图定位
研究人员开发了SASGeo，一个新颖的语义地图定位框架，旨在帮助在没有全球导航卫星系统（GNSS）信号的情况下运行的无人机（UAV）。该系统利用道路和建筑物等持久性环境特征来提供绝对位置修复，限制了视觉惯性里程计固有的漂移。一个合成的概念验证表明，空间语义匹配变体在各种扰动下实现了高召回率，优于全局语义描述符，尽管仍需要进一步的实际飞行验证。
-
新的GAIA框架增强了用于作业区重建的UWB传感能力 · 跟踪1个来源
研究人员开发了GAIA，一个新颖的几何感知框架，旨在提高超宽带（UWB）传感在作业区几何感知方面的准确性。该系统通过将时间范围建模与潜在锚点布局估计相结合，解决了室外UWB数据中的非视距传播和噪声等挑战。与现有方法相比，GAIA在均方误差方面显著降低了18.4%，在多边形交并比方面提高了15.5%，为重建提供了一种更具空间连贯性的方法。
-
微型无人机仅使用单目视觉进行室内导航以进行搜救
研究人员为用于搜救任务的微型无人机（UAV）开发了一种新颖的室内导航系统。该系统名为TRISTAR，仅使用单目视觉，无需昂贵的激光雷达或专用深度相机等硬件。它集成了来自Depth Anything V2的深度估计与经典计算机视觉技术，用于场景理解、受害者检测和危险识别。TRISTAR的一个关键特性是其三传感器融合方法，用于稳健的楼梯上升识别，结合了结构线索、纹理分析和几何深度。
-
相机-激光雷达融合系统通过自适应传感器选择改进船舶跟踪
研究人员开发了一种新的粒子滤波器系统，该系统结合了来自相机和激光雷达传感器的数据，以改进船舶跟踪。该系统使用自适应策略来选择任何给定时间最有效的信息传感器，从而优化准确性和连续性。该方法在实际海事部署中得到了验证，证明了其在挑战性条件下的有效性。
-
元强化学习增强射频干扰定位
研究人员开发了一种使用主动感知和元强化学习来定位全球导航卫星系统（GNSS）干扰源的新方法。该框架将定位任务建模为部分可观察的决策过程，将高维射频（RF）传感与深度强化学习和循环策略学习相结合。使用带有Sionna射线追踪模块的模拟数据集进行评估，该方法实现了80.1%的定位成功率，证明了模拟辅助训练在复杂环境中进行鲁棒干扰定位的有效性。
-
新的机器学习框架增强了在无GPS环境下的车辆定位能力
研究人员开发了两个新颖的机器学习框架，以提高车辆定位能力，特别是在GPS信号不可靠的环境中。第一个框架PRML2结合了卡尔曼滤波和物理正则化机器学习，利用车载传感器来提高准确性和泛化能力。第二个框架EVC-Mamba利用证据Mamba模型创建一个虚拟速度传感器，用于校正IMU漂移，并提供不确定性量化和实时部署能力。这两种方法都旨在为自主系统提供稳健且经济高效的定位解决方案。
-
新校准方法在无GNSS情况下提升AUV导航精度
研究人员开发了一种信息辅助校准（IAC）方法，以提高自主水下航行器（AUV）多普勒计程仪（DVL）测量的准确性。这种新方法在有GNSS信号的环境中增强了传统的基于卡尔曼滤波器的校准，实现了高达20%的改进。至关重要的是，IAC还实现了无GNSS的DVL自校准，这对于在信号受限区域的操作至关重要，速度矢量估计的改进高达35%。
-
SemCityLoc系统使用语义3D城市模型进行航空定位
研究人员开发了SemCityLoc，一种新颖的航空6DoF定位系统，它利用语义3D城市模型，而不是依赖精确的GNSS信号或详细的3D重建。该方法将姿态估计重构为几何对齐任务，将源自基础模型的视觉先验与标准化的LoD兼容3D城市模型进行匹配。SemCityLoc专注于对齐语义表面和单目深度与轻量级语义建筑模型，这增强了复杂城市环境中姿态的可区分性。为了支持评估，该团队推出了SemCityLockeD，这是一个具有厘米级精度的UAV姿态和…
-
新型惯性追踪系统增强了GNSS受阻区域共享单车的定位能力
研究人员开发了一种新的惯性追踪框架，用于大规模共享单车，特别是在全球导航卫星系统（GNSS）不可靠的环境中，例如城市峡谷。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。通过分析踏频与加速度变化之间的关系，该框架动态校准自行车的轮速。使用滴滴共享单车数据的实验表明，其精度比现有方法至少提高了12%，在95%分位数的轮速误差低于0.5米/秒。
-
新的PiDR框架在无GPS情况下提升自主导航能力
研究人员开发了PiDR，一种面向自主平台的新型框架，可在GPS等外部信号不可用时提高导航精度。PiDR将物理原理直接集成到其深度学习架构中，与传统的黑盒模型相比，提供了更高的透明度和鲁棒性。这种方法即使在传感器数据有限的情况下也能实现有效学习，并在移动机器人和水下航行器的数据集上展示了超过29%的定位精度提升，使其适用于在挑战性条件下需要实时导航的资源受限平台。
-
WaveDINO框架使用DINOv3改进InSAR干涉图校正
研究人员开发了WaveDINO，一种新颖的小波去噪框架，用于处理InSAR干涉图，这些干涉图经常受到大气相位延迟的干扰。这种基于学习的方法利用混合训练策略，结合了合成形变和真实大气噪声，并以DINOv3基础模型特征和地形信息为条件。WaveDINO在智利和意大利火山地区的测试中，与现有方法相比表现更优，与GNSS测量的一致性提高了19%，并优于基于天气模型的方法。
-
新的WARG框架实现了近乎像素级的月球探测器定位
研究人员开发了一个名为WARG（重投影图的变形对齐）的新框架，以提高月球探测器的精确定位。该系统使用图学习和重投影图匹配来对齐探测器视角和卫星视角的图像，克服了信号缺失和累积漂移等挑战。WARG在玉兔二号探测器的真实世界数据上实现了1.68米的定位误差，展示了近乎像素级的精度。
-
无人机导航系统利用激光雷达和先验地图赢得挑战赛
一支捷克团队开发了一种新颖的系统，用于在无GPS环境下进行远程无人机导航，并赢得了SPRIN-D Funke挑战赛。该系统使用聚类粒子滤波器将激光雷达生成的高度图与先验地理数据融合，在不依赖GNSS的情况下纠正里程计漂移。它在纯CPU硬件设置下成功穿越了数公里的各种地形，与标准里程计相比有了显著改进。
-
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。