Novel integration strategy for GNSS-aided inertial Integrated Navigation
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
The conventional integration mechanism in GNSS (Global Navigation Satellite Systems) aided inertial integrated positioning and navigation system is mainly based on the continuous outputs of the navigation mechanization, the associated error models for navigation parameters, the biases of the inertial measurement units (IMU), and the error measurements. Its strong dependence on the apriori error characteristics of inertial sensors may suffer with the low-cost IMUs, e.g. the MEMS IMUs due to their low and unstable performance. This paper strives for a significant breakthrough in a compact and general integration strategy which restructures the Kalman filter by deploying a system model on the basis of 3D kinematics of a rigid body and performing measurement update via all sensor data inclusive of the IMU measurements. This novel IMU/GNSS Kalman filter directly estimates navigational parameters instead of the error states. It enables the direct use of the IMU’s raw outputs as measurements in measurement updates of Kalman filter instead of involving the free inertial navigation calculation through the conventional integration mechanism. This realization makes all of the sensors in a system no longer to be differentiated between core and aiding sensors. The proposed integration strategy can greatly enhance the sustainability of low-cost navigation systems in poor GNSS and/or GNSS denied environment compared to the conventional aided error-state-based inertial navigation integration mechanism. The post-processed solutions are presented to show the success of the proposed multisensor integrated navigation strategy.
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