State Estimation for Kinematic Model Over Lossy Network
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 major benefit of the kinematic Kalman filter (KKF), i.e., the state estimation based on kinematic model is that it is immune to parameter variations and unknown disturbances regardless of the operating conditions. In carrying out complex motion tasks such as the coordinated manipulation among multiple machines, some of the motion variables measured by sensors may only be available through the communication layer, which requires to formulate the optimal state estimator subject to lossy network. In contrast to standard dynamic systems, the kinematic model used in the KKF relies on sensory data not only for the output but also for the process input. This paper studies how the packet dropout occurring from the input sensor as well as the output sensor affects the performance of the KKF. When the output sensory data are delivered through the lossy network, it has been shown that the mean error covariance of the KKF is bounded for any non-zero packet arrival rate. On the other hand, if the input sensory data are subject to lossy network, the Bernoulli dropout model results in an unbounded mean error covariance. More practical strategy is to adopt the previous input estimate in case the current packet is dropped. For each case of packet dropout models, the stochastic characteristics of the mean error covariance are analyzed and compared. Simulation results are presented to illustrate the analytical results and to compare the performance of the time varying (optimal) filter gain with that of the static (sub-optimal) filter gain.
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 | 0,001 |
| Science ouverte | 0,001 | 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