A new method to reduce the noise of the miniaturised inertial sensors disposed in redundant linear configurations
Notice bibliographique
Résumé
Abstract This paper presents a new adaptive algorithm for the statistical filtering of miniaturised inertial sensor noise. The algorithm uses the minimum variance method to perform a best estimate calculation of the accelerations or angular speeds on each of the three axes of an Inertial Measurement Unit (IMU) by using the information from some accelerometers and gyros arrays placed along the IMU axes. Also, the proposed algorithm allows the reduction of both components of the sensors’ noise (long term and short term) by using redundant linear configurations for the sensors dispositions. A numerical simulation is performed to illustrate how the algorithm works, using an accelerometer sensor model and a four-sensor array (unbiased and with different noise densities). Three cases of ideal input acceleration are considered: 1) a null signal; 2) a step signal with a no-null time step; and 3) a low frequency sinusoidal signal. To experimentally validate the proposed algorithm, some bench tests are performed. In this way, two sensors configurations are used: 1) one accelerometers array with four miniaturised sensors ( n = 4); and 2) one accelerometers array with nine miniaturised sensors ( n = 9). Each of the two configurations are tested for three cases of input accelerations: 0ms −1 , 9·80655m/s 2 and 9·80655m/s 2 .
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 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».