Hybrid Extended Particle Filter (HEPF) for integrated civilian navigation system
Notice bibliographique
Résumé
Integration of complementary systems like inertial navigation system (INS) and Global Positioning System (GPS), improves navigation parameters accuracy. Currently, integrated navigation systems are commonly implemented using extended Kalman filter (EKF) and unscented Kalman filter (UKF). The EKF assumes linear process and measurement models while UKF generates sigma points using the real mean and standard deviation of data. However, both EKF and UKF assume the noise to be Gaussian, which is unrealistic for highly nonlinear systems. To overcome these limitations, particle filter (PF) was proposed lately which is a non-parametric filter and hence can easily deal with non-linearity and non-Gaussian noises. In this paper, hybrid extended particle filter (HEPF) is developed as an alternative to the EKF to achieve better navigation accuracy for low-cost micro electro mechanical systems (MEMS) sensors. Experimental GPS/INS datasets consisting of GPS carrier phase data and inertial measurements from low-cost MEMS-grade inertial measurement unit (IMU) is used to evaluate the proposed HEPF. The HEPF performance is compared to that of other estimation techniques such as the EKF. The results show that both HEPF and EKF provide comparable navigation results during periods without GPS outages. However in cases when GPS outages are simulated, HEPF performs much better than the EKF, especially when simulated outages are located during periods with high vehicle dynamics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».