Modeling the Stochastic Drift of a MEMS-Based Gyroscope in Gyro/Odometer/GPS Integrated 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
To have a continuous navigation solution that does not suffer from interruption, GPS is integrated with relative positioning techniques such as odometry and inertial navigation. Targeting a low-cost navigation solution for land vehicles, this paper uses a reduced multisensor system consisting of one microelectromechanical-system (MEMS)-based single-axis gyroscope used together with the vehicle's odometer, and the whole system is integrated with GPS. This system provides a 2-D navigation solution, which is adequate for land vehicles. The traditional technique for this multisensor integration problem is Kalman filtering (KF). Due to the inherent errors of MEMS inertial sensors and their stochastic nature, which is difficult to model, the KF with its linearized models has limited capabilities in providing accurate positioning. Particle filtering (PF) has recently been suggested as a nonlinear filtering technique to accommodate arbitrary inertial sensor characteristics, motion dynamics, and noise distributions. An enhanced version of PF is utilized in this paper and is called the Mixture PF. Since PF can accommodate nonlinear models, this paper uses total-state nonlinear system and measurement models. In addition, sophisticated models are used to model the stochastic drift of the MEMS-based gyroscope. A nonlinear system identification technique based on parallel cascade identification (PCI) is used to model this stochastic gyroscope drift. In this paper, the performance of the PCI model is compared with that of higher order autoregressive (AR) stochastic models. Such higher order models are difficult to use with KF since the size of the dynamic matrix and the error-covariance matrix becomes very large and complicates the KF operation. The performance of the proposed 2-D navigation solution using Mixture PF with both PCI and higher order AR models is examined by road-test trajectories in a land vehicle. The two proposed combinations are compared with four other 2-D solutions: a Mixture PF with the Gauss-Markov (GM) model for the gyro drift, a Mixture PF with only white Gaussian noise (WGN) for stochastic gyro errors, and two different KF solutions with GM model for the gyro drift. The experimental results show that the two proposed solutions outperform all the compared counterparts.
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 | 0,001 |
| 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 | 0,001 |
| 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