Mixture Particle Filter for Low Cost INS/Odometer/GPS Integration in Land Vehicles
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.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».