MODELING AND NUMERICAL SIMULATION OF AN ALGORITHM FOR THE INERTIAL SENSORS ERRORS REDUCTION AND FOR THE INCREASE OF THE STRAP-DOWN NAVIGATOR REDUNDANCY DEGREE IN A LOW COST ARCHITECTURE
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
In this paper, an algorithm for the inertial sensors errors reduction in a strap-down inertial navigation system, using several miniaturized inertial sensors for each axis of the vehicle frame, is conceived. The algorithm is based on the idea of the maximum ratio-combined telecommunications method. We consider that it would be much more advantageous to set a high number of miniaturized sensors on each input axis of the strap-down inertial system instead of a single one, more accurate but expensive and with larger dimensions. Moreover, a redundant system, which would isolate any of the sensors in case of its malfunctioning, is obtained. In order to test the algorithm, Simulink code is used for algorithm and for the acceleration inertial sensors modeling. The Simulink resulted sensors models include their real errors, based on the data sheets parameters, and were conceived based on the IEEE analytical standardized accelerometers model. An integration algorithm is obtained, in which the signal noise power delivered to the navigation processor, is reduced, proportionally with the number of the integrated sensors. At the same time, the bias of the resulted signal is reduced, and provides a high redundancy degree for the strap-down inertial navigation system at a lower cost than at the cost of more accurate and expensive sensors.
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