A fuzzy-augmented Kalman filter for IMU/GPS integration
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
Most of the present techniques for integrating Inertial Measurement Units (IMU) and Global Positioning Systems (GPS) utilize Kalman filtering (KF) as the integration estimation technique. KF is a recursive algorithm designed to compute corrections to a system based on external measurements. In inertial navigation, this can be accomplished by using an external navigation reference such as GPS. As long as GPS measurements are available, the KF solution of IMU/GPS integration works efficiently and provides accurate estimate of the navigation states. Nevertheless, during GPS signal outages, the functionality of KF update engine is disrupted due to the lack of GPS update measurements and therefore KF works only in prediction mode. Moreover, IMUs, particularly those integrating low-cost sensors, suffer from one serious limitation: drift rate errors rapidly accumulate with the passage of time. As a result, the corresponding state estimate will also quickly drift over time causing a dramatic degradation in the overall accuracy of the integrated system. Performance improvements of integrated IMUs, utilizing low-cost sensors, and GPS are presented in this paper. This achieved through the implantation of a new technique which augment KF and Fuzzy logic principles. In the innovation in the new technique is in its ability to generate the update measurements (positions and velocity error measurements) to the KF update engine even during GPS signal outages. This proposed technique has been tested on real MEMS inertial and GPS data collected in a land vehicle navigation test. The test results indicate that the proposed Fuzzy model can efficiently compensate for GPS updates during short GPS signal outages.
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 | 0,000 |
| Science ouverte | 0,001 | 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