Use of magnetic quasi static field (QSF) updates for pedestrian navigation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper assesses a novel method of using a quasi-static magnetic field to provide updates to the navigation (i.e. attitude) filter. The method is able to make use of magnetometer measurements in a perturbed magnetic field, under the condition that the field's magnitude remains constant for short periods of time. The fact that magnetometer measurements can still be used in perturbed environments makes this update significant in terms of incorporating the magnetometer measurements into a navigation solution. The QSF process requires a detection algorithm to first identify quasi-static fields and second to perform the update. Thus this paper applies the QSF algorithm in a navigation filter to assess its performance in GNSS degraded or denied environments. Data sets are used to assess QSF updates. These range from open athletic fields to deep indoors where GPS signals are denied. The environments vary in terms of soft iron effects. The data was collected with high grade miniature MEMS IMUs, a high sensitivity GPS receiver and a low cost magnetometer. An accurate reference solution is derived from a tactical grade IMU. For the backpack mounted IMU the application of QSF updates yielded a 56 % heading error improvement when used as a heading reference system. For a corresponding ankle mounted system the application of QSF updates yielded a 56 % improvement in the position error (RMS) when used as a pedestrian navigation system. The maximum error over a 45 minute GPS outage decreased from 208 m to 128 m. The updates do not significantly decrease the estimated gyro error state variances, indicating that it is more suited for gyros and magnetometers with a lower performance than those used herein.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle