GNSS Measurement-Based Context Recognition for Vehicle Navigation using GRU

Liu 2024 – GNSSContextGRU2024

Idée

Reconnaissance de contexte environnemental véhicule via mesures GNSS (C/N0, satellite geometry) + GRU léger.

Contributions

Catégorisation fine à 7 classes (open sky, tree-lined, semi-outdoor, urban canyon, under-viaduct, shallow indoor, deep indoor)
Nouveau feature “C/N0-weighted azimuth distribution factor” (r)
GRU 2×180 neurones, fenêtre 6 samples
Dataset open-source (59 996 samples)

Résultats

Accuracy isolée : 99.94 %
Accuracy transition : 94.95 %
Retard moyen : 2.14 s

Application RS3 / Telemachus

Extension possible du schéma Telemachus : context_category, context_confidence
Améliore la robustesse GNSS/INS (P004)
Alimente V001 (fusion multi-capteurs) et P005 (qualité trajectoire)
Compatible RoadGeometry (T002) pour relier géométrie ↔ environnement

Réseau 5 sortants 0 entrants

Sources · Liens sortants

B017 — Détection d’Événements de Conduite par IMU : Vers une Intelligence Embarquée Fiable
P004 — Robust GNSS/INS Integration in Urban Environments: Vehicle, Inertial, and SLAM Constraints
P005 — Compressive Acquisition and Trajectory Quality in Connected Vehicle Data
T002 — Telemachus RoadGeometry Extension (RFC-0015)
V001 — Compétence C3 — Maîtriser les méthodes de fusion multi-capteurs (GNSS/IMU)

Cité par · Liens entrants

Aucune citation détectée.