Data Fusion Algorithms for Multiple Inertial Measurement Units
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
A single low cost inertial measurement unit (IMU) is often used in conjunction with GPS to increase the accuracy and improve the availability of the navigation solution for a pedestrian navigation system. This paper develops several fusion algorithms for using multiple IMUs to enhance performance. In particular, this research seeks to understand the benefits and detriments of each fusion method in the context of pedestrian navigation. Three fusion methods are proposed. First, all raw IMU measurements are mapped onto a common frame (i.e., a virtual frame) and processed in a typical combined GPS-IMU Kalman filter. Second, a large stacked filter is constructed of several IMUs. This filter construction allows for relative information between the IMUs to be used as updates. Third, a federated filter is used to process each IMU as a local filter. The output of each local filter is shared with a master filter, which in turn, shares information back with the local filters. The construction of each filter is discussed and improvements are made to the virtual IMU (VIMU) architecture, which is the most commonly used architecture in the literature. Since accuracy and availability are the most important characteristics of a pedestrian navigation system, the analysis of each filter's performance focuses on these two parameters. Data was collected in two environments, one where GPS signals are moderately attenuated and another where signals are severely attenuated. Accuracy is shown as a function of architecture and the number of IMUs used.
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