A posteriori estimation of stochastic model for multi-sensor integrated inertial kinematic positioning and navigation on basis of variance component estimation
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
Improving a priori stochastic models of the process and measurement noise vectors in Kalman Filer (KF) has always been a challenge. As one preferable technique to address this challenge, the variance component estimation (VCE) applied on the Kalman Filter’s process and measurement noise covariance matrix (Q & R) has been proved in plenty of applications. Unsurprisingly, VCE was expected to re-establish the stochastic model about the random errors in the IMU’s measurements in a multisensor integrated positioning and navigation system applying Kalman Filter. However, in the conventional error states-based GPS aided inertial navigation system (GPS/INS), the stochastic model tuning is difficult for the IMU’s measurements due to the amalgamation of the observables from inertial sensor and other aiding sensors. This paper proposes a generic method for the stochastic model tuning about the random errors in IMU measurements together with other sensors. The core of this novel approach is based on an innovative multisensor integration strategy which deploys upon the vehicle’s generic kinematic model and takes the IMU’s output as raw measurements in Kalman Filter (IMU/GNSS Kalman Filter). As a result, the statistical orthogonality between random error vectors of any two sensors enables the separate but parallel statistics collection of each individual random error source. Given these independent statistics corresponding to each error source, the VCE technique iteratively tunes all stochastic model of the process and measurement noise vectors. The success of the VCE algorithm is shown through a real dataset involving GPS and inertial 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 | 0,001 | 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) | 0,000 | 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