An overview of development GPS navigation for autonomous car

Rahiman, Wan; Zainal, Zafariq

doi:10.1109/iciea.2013.6566533

Cited by 51 publications

(25 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…At first assume that each vehicle is equipped with GPS navigation system facility [27,28] to get updated information about vehicle position, road map, and traffic information, besides multiplanned destination directions. Moreover, assume an array antenna [29,30] is utilized in each vehicle to get location and angle of movements of neighbor vehicles.…”

Section: Proposed Routing Schemementioning

confidence: 99%

Multiobjective Optimized Routing Protocol for VANETs

Fahad

Ali

2018

Advances in Fuzzy Systems

View full text Add to dashboard Cite

Vehicular ad hoc network (VANET) routing protocols have been attracting a considerable attention of both research and industrial communities, due to their significant role in intelligent transportation system applications. The present paper adopts an optimized integrated multicast, multicriteria, adaptive route lifetime as a routing protocol for VANETs. Whereby only an optimal subset of neighbor vehicles is chosen to relay route request (RREQ) messages based on distance, direction, speed, and future direction information in a combined sender-receiver manner. Among those selected optimal paths for route discovery, the best route with lowest cost will be chosen for forwarding data packets for a specified duration assigned depending on the obtained cost and number of intermediate vehicles of that route. Fuzzy controllers were employed to assess routes’ costs and their lifetimes. Furthermore, artificial bee colony (ABC) algorithm was used to concurrently optimize all used fuzzy systems and obtain the optimal highest rank of links’ cost values within which the neighbors could be selected as relay nodes in route discovery process. Simulation results prove that the proposed routing scheme significantly improves the network performance in both urban and highway scenarios, under different situations of vehicle density.

show abstract

Section: Proposed Routing Schemementioning

confidence: 99%

Multiobjective Optimized Routing Protocol for VANETs

Fahad

Ali

2018

Advances in Fuzzy Systems

View full text Add to dashboard Cite

show abstract

“…In the past years, some researchers have presented GPS applications for vehicle control design. In [4] the researchers were successful to use GPS receiver and digital compass to find exact angle of direction to destination. Path to the destination was preprogrammed.…”

Section: Commutation To the Destinationmentioning

confidence: 99%

Minimum Cost Implementation of Autonomous Vehicle

Jape¹

2016

IJRET

View full text Add to dashboard Cite

In order to increase driving comfort, transportation efficiency, vehicles are made artificially intelligent. Autonomous vehicles or driverless vehicles or making the vehicle drive on its own like humans do is the aim of automobile industry these days. An autonomous vehicle is a vehicle that drives its self without any human or robotic operators help and has the potential to notice the obstacles in its path and navigate through it. For vehicle to drive itself, it should have human perception of driving. This understanding of path to traverse and overcome obstacles in its way is done with the help of computer, microcontroller and sensors. In this paper, ARM-7 MCU is the main part that makes system driverless. This paper attempts to illustrate an effort towards low cost atomizing of vehicle. Developed project vehicle can be used as load carrier in industrial areas where path of location to destination is simple with minimum amount of obstacles.

show abstract

“…Одним из способов локализовать транспортное средство является использование GPS [Rahiman, Zainal, 2013]. При этом большинство пользовательских устройств имеют невысокую точность: в тестах на улице в движении ошибка позиционирования GPS может вырасти до мак-симума в 20 метров [Zandbergen, Barbeau, 2011] при средней ошибке в 3 метра [Berrabah et al, 2011].…”

Section: Introductionunclassified

Bayesian localization for autonomous vehicle using sensor fusion and traffic signs

Verentsov¹,

Magerramov²,

Vinogradov³

et al. 2018

CRM

View full text Add to dashboard Cite

Локализация транспортного средства является важной задачей в области интеллектуальных транспортных систем. Хорошо известно, что слияние показаний с разных датчиков (англ. Sensor Fusion) позволяет создавать более робастные и точные навигационные системы для автономных транспортных средств. Стандартные под-ходы, такие как расширенный фильтр Калмана или многочастичный фильтр, либо неэффективны при работе с сильно нелинейными данными, либо потребляют значительные вычислительные ресурсы, что осложняет их использование во встроенных системах. При этом точность сливаемых сенсоров может сильно различаться. Значительный прирост точности, особенно в ситуации, когда GPS (англ. Global Positioning System) не доступен, может дать использование ориентиров, положение которых заранее известно, -таких как дорожные знаки, светофоры, или признаки SLAM (англ. Simultaneous Localization and Mapping). Однако такой подход может быть неприменим в случае, если априорные локации неизвестны или неточны. Мы предлагаем новый подход для уточнения координат транспортного средства с использованием визуальных ориентиров, таких как дорож-ные знаки. Наша система представляет собой байесовский фреймворк, уточняющий позицию автомобиля с ис-пользованием внешних данных о прошлых наблюдениях дорожных знаков, собранных методом краудсорсинга (англ. Crowdsourcing -сбор данных широким кругом лиц). Данная статья представляет также подход к комби-нированию траекторий, полученных с помощью глобальных GPS-координат и локальных координат, получен-ных с помощью акселерометра и гироскопа (англ. Inertial Measurement Unit, IMU), для создания траектории движения транспортного средства в неизвестной среде. Дополнительно мы собрали новый набор данных, вклю-чающий в себя 4 проезда на автомобиле в городской среде по одному маршруту, при которых записывались данные GPS и IMU смартфона, видеопоток с камеры, установленной на лобовом стекле, а также высокоточные данные о положении с использованием специализированного устройства Real Time Kinematic Global Navigation Satellite System (RTK-GNSS), которые могут быть использованы для валидации. Помимо этого, с использовани-ем той же системы RTK-GNSS были записаны точные координаты знаков, присутствующих на маршруте. Ре-зультаты экспериментов показывают, что байесовский подход позволяет корректировать траекторию движения транспортного средства и дает более точные оценки при увеличении количества известной заранее информа-ции. Предложенный метод эффективен и требует для своей работы, кроме показаний GPS/IMU, только инфор-мацию о положении автомобилей в моменты прошлых наблюдений дорожных знаков.Ключевые слова: байесовское обучение, слияние данных сенсоров, локализация, автономные транспорт-ные средства Работа выполнена при поддержке Министерства образования и науки РФ в рамках гранта федеральной целевой про-граммы (номер гранта RFMEFI60917X0100), Российского научного фонда (номер гранта 14-11-00877) и компании «РоадАР», которая предоставила данные о положениях дорожных знаков.

show abstract

An overview of development GPS navigation for autonomous car

Cited by 51 publications

References 4 publications

Multiobjective Optimized Routing Protocol for VANETs

Multiobjective Optimized Routing Protocol for VANETs

Minimum Cost Implementation of Autonomous Vehicle

Bayesian localization for autonomous vehicle using sensor fusion and traffic signs

Contact Info

Product

Resources

About