Improving the Positioning Accuracy of DGPS/MEMS IMU Integrated Systems Utilizing Cascade De-noising Algorithm
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
Global Positioning System (GPS) and Inertial Measurement Unit (IMU) augmented systems provide an enhanced navigation system that has superior performance in comparison with the stand-alone systems (i.e. GPS or Inertial Navigation System (INS)) as it overcome each of their limitations. Most GPS/IMU systems are integrated using the Kalman filter approach. In general, the quality of the final estimates of the state depends therefore on the quality of both the measurements being made and the models being used. Generally speaking, the long term errors of an INS can be reduced through the integration with GPS. On the contrary, the short term errors of an INS can be reduced by both the numerical integration process of the INS mechanization and pre-filtering the IMU raw data. Wavelet based denoising techniques have been applied to reduce the remaining short term errors. However, traditional wavelet denoising algorithm has certain limitations in removing undesired high frequency disturbance. Therefore, a novel denoising algorithm, cascade denoising algorithm, is presented in this article to overcome such limitations and improve the positioning accuracy during GPS outage. The proposed method has been tested using MEMS IMU data collected in land-vehicle.. The results demonstrated that the positioning accuracy during eight out of ten GPS outage periods was successfully improved from 5% to 20% using proposed cascade denoising technique.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découle