Mixture Particle Filter for Low Cost INS/Odometer/GPS Integration in Land Vehicles
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
Global Positioning System (GPS) is currently the common solution for land vehicle positioning. However, GPS signals may suffer from blockage in urban canyons and tunnels, and the positioning information provided is interrupted. One solution to have continuous vehicle positioning is to integrate GPS with an inertial measurement unit (IMU) and the navigation solution is achieved using an estimation technique which is traditionally based on Kalman filter (KF). In order to have a low cost navigation solution for land vehicles, MEMS-based inertial sensors are used. To achieve a better performance during GPS outages, the speed derived from the vehicle odometer is used as a measurement update. To improve the positioning accuracy of the MEMS-based INS/Odometer/GPS integration, particle filtering (PF) is used as a nonlinear filtering technique, which does not need to linearize the models as in Extended KF (EKF). Because of PF ability to deal with nonlinear models, it can accommodate arbitrary sensor characteristics and motion dynamics. An enhanced version of PF is used which is called Mixture PF. While the Sampling/Importance Resampling (SIR) PF samples from the prior importance density and the Likelihood PF samples from the observation likelihood, the Mixture PF samples from both densities, then appropriate weighting is achieved followed by resampling. This mixture of importance densities leads to a better performance. The performance of this method is examined by road test trajectories in a land vehicle and compared to KF.
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 | 0,000 |
| 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 découle