A Universal Approach for Processing any MEMS Inertial Sensor Configuration for Land-Vehicle 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
Recent navigation systems integrating GPS with Micro-Electro-Mechanical Systems (MEMS) Inertial Measuring Units (IMUs) have shown promising results for several applications based on low-cost devices such as vehicular and personal navigation. However, as a trend in the navigation market, some applications require further reductions in size and cost. To meet such requirements, a MEMS full IMU configuration (three gyros and three accelerometers) may be simplified. In this context, different partial IMU configurations such as one gyro plus three accelerometers or one gyro plus two accelerometers could be investigated. The main challenge in this case is to develop a specific navigation algorithm for each configuration since this is a time-consuming and costly task. In this paper, a universal approach for processing any MEMS sensor configuration for land vehicular navigation is introduced. The proposed method is based on the assumption that the omitted sensors provide relatively less navigation information and hence, their output can be replaced by pseudo constant signals plus noise. Using standard IMU/GPS navigation algorithms, signals from existing sensors and pseudo signals for the omitted sensors are processed as a full IMU. The proposed approach is tested using land-vehicle MEMS/GPS data and implemented with different sensor configurations. Compared to the full IMU case, the results indicate the differences are within the expected levels and that the accuracy obtained meets the requirements of several land-vehicle applications.
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 | 0,001 | 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 | 0,001 |
| 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