인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
Reliable localization in autonomous driving requires real-time, context-aware reweighting of heterogeneous sensors. This paper proposes a hierarchical fusion architecture that treats the outputs and dynamic covariances of two estimators—MSCKF-based VIO (OpenVINS) and EKF-based GNSS/INS (SBG Ellipse-D) —as observation models and fuses them with an Interacting Multiple Model (IMM) filter. In the dynamics layer, the IMM runs Constant Acceleration and Constant Turn models in parallel. In the observation layer, time-varying measurement covariance is injected into the likelihood to adapt mode probabilities and sensor weights without fixed sensor-priority rules. We employ statistical gating (Mahalanobis), covariance capping/scaling, and a gradual weight handover during GNSS outages to increase robustness to outliers and dropouts. In ROS-based road tests, the method consistently reduced Absolute and Relative Trajectory Errors against VIO-only and GNSS/INS-only baselines. Beyond accuracy, we quantify transition behavior and internal reasoning and yield improvements in Transition Stability Error, Re-convergence Time, and Model Probability Accuracy. Leveraging the dynamic reliability of the constituent estimators without prior shadow maps or fixed priorities, the approach jointly addresses maneuver and sensor uncertainties within a single Bayesian framework.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094580082
