MétaCan
Menu
Retour à la cohorte
Enregistrement W2565117093

IMU Signal Software Simulator

2007· article· en· W2565117093 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueInertial Sensor and Navigation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInertial measurement unitSimulationComputer scienceGlobal Positioning SystemSoftwareOffset (computer science)EngineeringArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper describes the implementation and experimental results of a software based inertial measurement unit (IMU) signal simulator. The simulated signal generation of inertial sensors is an inverse process of the IMU mechanization (navigation) equations. Compared with using hardware, the IMU simulator (IMUS) saves significant time and money for research work and is very flexible when developing new integration algorithms as it does not impose experimental limitations. Furthermore, the IMUS can be used efficiently when choosing or designing the required hardware characteristics for a given application. It is often difficult to accurately translate IMU errors into state errors (position, velocity, and attitude) which the simulator does with ease. The IMU simulator was developed by the MMSS group, the University of Calgary. It can simulate a variety of sensor errors such as bias instability, random walk, scale factor errors, sensor errors due to thermal drift, gsensitivity, non-orthogonalities, misalignments, and their combinations. The user can also define the output data rate, bandwidth, low pass filter cutoff and so on, based on a variety of vehicle dynamics such as straight line, accelerations, turns, U-turns, bumpy roads, constant velocities, static periods as well as varying attitude, and their combinations for different applications. Meanwhile, the simulator provides GPS position and velocity simulated measurements as an optional function. This tool gives users a fast and effective way for evaluating new inertial sensors using datasheet characteristics provided by the manufacturers or obtained through lab testing. Or, if the IMU characteristics are not known, they can be inferred by generating state errors for given IMU errors, in this way developing the required IMU parameters. The correctness and effectiveness of the IMUS has been verified not only in theory but also in practice by comparing the results from the IMUS to the results from a real hardware IMU using field test data. A real case example for both a simulated and a real hardware MEMS ADI IMU on the IMU/GPS integration level is presented in the paper. It shows that the average position drift during GPS outages using simulator data corresponds well to field test results using the ADI hardware IMU and GPS from a NovAtel OEM4 receiver.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,545
Score d'incertitude au seuil0,383

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,207
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

En bref

Citations9
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInertial Sensor and NavigationTravaux en français237 207