Improving the reliability of personal navigation devices in harsh environments
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
With advances in microelectromechanical system (MEMS) technology, many modern personal navigation devices incorporate measurements from various low-cost sensors alongside Global Navigation Satellite Systems (GNSS) receivers. However, both GNSS and other low-cost sensors are prone to the occurrence of faults that are either un-modeled or poorly modeled. This affects the usability of such personal navigation devices in some applications where reliability is a critical parameter. This paper thus presents several algorithms to either detect and remove such faults or model them properly in order to improve performance, especially reliability, for low cost multi-sensor integrated navigation systems. The algorithms presented in this paper can be broadly categorized into two parts. The first part focuses on optimizing the use of GNSS measurements in harsh environments. This is done by replacing the assumption of normal distribution of GNSS measurements with that of a heavy-tailed distribution. Moreover, the covariance of such distribution is also adapted to match the true error characteristics of the surrounding environment with the aid of inertial units. The second part of the algorithm detects possible faults arising in various sensors. Based on the type of sensor fault, the algorithm either rejects some of the measurements before they enter the integration filter, issues a warning signal to indicate lack of reliability information or deems the navigation solution unusable. The analyses of the proposed algorithms showed that faults were detected successfully and that the performance of the navigation system was improved in terms of both reliability and accuracy.
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 | 0,001 | 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