Nonlinear Modeling of Azimuth Error for 2D Car Navigation Using Parallel Cascade Identification Augmented with Kalman Filtering
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
Present land vehicle navigation relies mostly on the Global Positioning System (GPS) that may be interrupted or deteriorated in urban areas. In order to obtain continuous positioning services in all environments, GPS can be integrated with inertial sensors and vehicle odometer using Kalman filtering (KF). For car navigation, low-cost positioning solutions based on MEMS-based inertial sensors are utilized. To further reduce the cost, a reduced inertial sensor system (RISS) consisting of only one gyroscope and speed measurement (obtained from the car odometer) is integrated with GPS. The MEMS-based gyroscope measurement deteriorates over time due to different errors like the bias drift. These errors may lead to large azimuth errors and mitigating the azimuth errors requires robust modeling of both linear and nonlinear effects. Therefore, this paper presents a solution based on Parallel Cascade Identification (PCI) module that models the azimuth errors and is augmented to KF. The proposed augmented KF-PCI method can handle both linear and nonlinear system errors as the linear parts of the errors are modeled inside the KF and the nonlinear and residual parts of the azimuth errors are modeled by PCI. The performance of this method is examined using road test experiments in a land vehicle.
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 | 0,001 |
| 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