Enhanced mobile robot outdoor localization using INS/GPS integration
Notice bibliographique
Résumé
An unprecedented surge of developments in mobile robot outdoor navigation was witnessed after the US government removed selective availability of the global positioning system (GPS). However, in certain situations GPS becomes unreliable or unavailable due to obstructions such as buildings and trees. During GPS outages, a positioning solution with a minimum cost is preferred for small wheeled robots. A low-cost inertial measurement unit (IMU) is a good choice to provide such a solution; however, low-cost MEMS-based inertial sensors suffer from several errors that are stochastic in nature. These errors accumulate and cause a rapid deterioration in the quality of position estimate. The purpose of this paper is to describe an enhanced low-cost 3-D navigation system using a Kalman filter (KF) that integrates odometry from wheel encoders, low cost MEMS-based inertial sensors, and GPS. The proposed technique uses reduced inertial sensor system (RISS). The RISS used here includes three accelerometers and one gyroscope aligned with the vertical axis of the body frame of the robot. The benefits of eliminating the two other gyroscopes normally used are decreasing the cost further, and improving the performance by having less inertial sensors and thus less contribution of these sensors errors towards positional errors. These two eliminated gyroscopes were used to calculate pitch and roll which are now calculated using the two horizontal accelerometers. The experimental results show that, during GPS outages, this KF with velocity update derived from the forward speed from wheel encoders is a good technique for greatly reducing localization errors. Real localization data from one trajectory is presented. This data is post-processed and some simulated GPS outages are introduced to assess the effectiveness of the proposed technique.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».