A New Technique for Integrating MEMS-Based Low-Cost IMU and GPS in Vehicular Navigation
Notice bibliographique
Résumé
In providing acceptable navigational solutions, Location-Based Services (LBS) in land navigation rely mostly on integration of Global Positioning System (GPS) and Inertial Navigation System (INS) measurements for accuracy and robustness. The GPS/INS integrated system can provide better land-navigation solutions than the ones any standalone system can provide. Low-cost Inertial Measurement Units (IMUs), based on Microelectromechanical Systems (MEMS) technology, revolutionized the land-navigation system by virtue of their low-cost miniaturization and widespread availability. However, their accuracy is strongly affected by their inherent systematic and stochastic errors, which depend mainly on environmental conditions. The environmental noise and nonlinearities prevent obtaining optimal localization estimates in Land Vehicular Navigation (LVN) while using traditional Kalman Filters (KF). The main goal of this paper is to effectively eliminate stochastic errors of MEMS-based IMUs. The proposed solution is divided into two main components: (1) improving noise cancellation, using advanced stochastic error models in MEMS-based IMUs based on combined Autoregressive Processes (ARP) and first-order Gauss-Markov Process (1GMP), and (2) modeling the low-cost GPS/INS integration, using a hybrid Fuzzy Inference System (FIS) and Second-Order Extended Kalman Filter (SOEKF). The results obtained show that the proposed methods perform better than the traditional techniques do in different stochastic and dynamic situations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».