GPS tracking unit
PulseAugur coverage of GPS tracking unit — every cluster mentioning GPS tracking unit across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
卡尔曼滤波器：AI 的贝叶斯方法在导航与直觉之间的权衡
卡尔曼滤波器是人工智能和机器人学中的一个核心概念，通过一个关于信任 GPS 导航还是个人直觉的问题进行了探讨。这种贝叶斯推理技术对于航空航天导航和控制系统至关重要。
-
新型TrajDLM模型可高效生成逼真GPS轨迹
研究人员开发了TrajDLM，一个用于生成合成GPS轨迹的新框架，该框架在效率和遵守道路网络拓扑之间取得了平衡。该模型将轨迹视为离散道路路段的序列，采用块扩散骨干进行快速去噪，并融入拓扑感知嵌入。TrajDLM生成的轨迹比以往方法更逼真、更连贯，且速度显著更快，并有望在不同交通模式之间实现零样本迁移。
-
AI模型利用语义区域和帕累托校准从GPS数据推断行程目的
研究人员开发了一个新的框架，用于从GPS数据推断行程目的，解决了GPS噪声和兴趣点（POI）覆盖不完整等挑战。该方法将POI语义区域与空间似然性相结合，并针对不同活动类型采用差异化推断策略。该方法在洛杉矶超过8100万个停留点上进行了评估，与现有基线相比，在活动类型频率、开始时间和持续时间的分布差异方面显著降低。
-
GD-FPS 方法为 AI 模型提供高效、无梯度的微调
研究人员开发了一种名为增长驱动前馈参数选择（GD-FPS）的新型无梯度方法，用于高效微调大型预训练模型。该方法避免了反向传播的需要，与现有的基于梯度的方法相比，显著减少了内存使用和执行时间。GD-FPS 通过分析相对于预训练锚点的激活增长来识别最优参数子集，在各种视觉任务中表现出具有竞争力的性能。
-
自主航行器融合声纳与GPS实现精确海底测绘
研究人员开发了一个新的框架，利用自主水面航行器在具有挑战性的浅水浑浊水域进行海底测绘。该系统融合了声纳数据与GPS和IMU读数，采用傅里叶-梅林变换进行局部框架对齐，并使用扩展卡尔曼滤波器进行全局轨迹优化。现场试验表明，与以前的方法相比，漂移误差减少了9.5%，实现了亚米级重建精度和高分辨率纹理保持，这对于牡蛎储量估算等应用至关重要。
-
iWatchRoad系统使用YOLO检测和绘制智能城市的坑洼地图
研究人员开发了iWatchRoad，一个用于可扩展坑洼检测和地理空间可视化的端到端系统。该系统利用微调的YOLO模型进行实时坑洼识别，并利用OCR模块从行车记录仪录像中提取时间戳。然后，将此数据与GPS日志同步，以准确地对检测到的坑洼进行地理标记，所有信息都使用OpenStreetMap在用户友好的Web界面上进行可视化。
-
UAVs use vision-only system for altitude-adaptive geo-localization in GPS-denied environments
研究人员开发了一种新颖的仅视觉系统，用于无人机（UAV）在没有 GPS 的情况下确定其位置。该系统首先通过分析单个图像的频域来估计无人机的海拔高度，然后利用此信息对图像进行尺度归一化。随后，经过尺度归一化的图像由视觉地点识别模块处理，并增强了质量自适应分类器，以实现精确的地理定位。实验表明，检索精度有了显著提高，仅海拔高度自适应就将性能提高了 40 多个百分点。
-
加州一城镇斥资40万美元引进技术驱赶鹅群
加利福尼亚州福斯特市正采用一项耗资40万美元的技术驱动策略来管理其加拿大鹅种群。该市与Wildlife Innovations公司签约，使用包括GPS追踪器、激光、无人机和一艘名为“Goosinator”的遥控船在内的各种设备来驱赶这些鸟类。还使用摄像头监测鹅的活动，以便生物学家做出响应并驱散它们。该举措旨在解决鹅群引起的公共卫生问题和居民投诉。