Using an Accelerometer Configuration to Improve the Performance of a MEMS IMU: Feasibility Study with a Pedestrian Navigation Application
Notice bibliographique
Résumé
This paper proposes a new approach to improve the performance of a MEMS IMU namely the use of an aiding Gyroscope-Free IMU (GFIMU); a configuration of accelerometers capable of determining the motion of a rigid body. While a GFIMU is theoretically capable of replacing a traditional strapdown IMU, there are several practical issues that make the approach less that ideal. The combination of GFIMU with a gyroscope that is used in this paper is referred to as a GFIMU+. A prototype GFIMU+ was constructed by rigidly attaching five MEMS IMUS to a compact, purposedesigned plastic block. Measurements from all five triaxial accelerometers are combined with those of a single triaxial gyroscope in a novel Extended Kalman Filter (EKF). The states of the EKF comprise the angular velocity and the biases of the triaxial gyroscope and five triaxial accelerometers. The estimates from the EKF are used to form the inputs for a GPS/INS tight-integration so that the performance of the GFIMU+ and a traditional MEMS IMU can be compared at two levels; first the errors in the angular velocity and specific force estimates, and then in the position domain. Pedestrian data was collected by mounting the GFIMU+ and a tactical grade reference IMU and GPS antenna to a rigid backpack. Various routes were walked around the University of Calgary campus. It was found that in this particular application, the GFIMU+, while performing much better than the GFIMU as predicted, allowed only marginal gains over a traditional MEMS IMU using sensors of the same grade. This is likely due to the low angular dynamics in the application.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».