An Automatic Calibration Approach for the Stochastic Parameters of Inertial Sensors
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 use of Inertial Measurement Units (IMU) for navigation purposes is constantly growing and they are increasingly being considered as the core dynamic sensing device for Inertial Navigation Systems (INS). However, these systems are characterized by sensor errors that can affect the navigation precision of these devices and consequently a proper calibration of the sensors is required. The first step in this direction is usually taken by evaluating the deterministic type of errors, such as bias and scale factor, which can be taken into account through known physical models. The second step consists in finding an appropriate model to describe the stochastic nature of the sensor errors. The focus of this paper is related to the second of such calibration procedures. Indeed, we propose an automatic model selection approach which is particularly appropriate when we observe/collect several independent replicates of the error signal of interest. In short, the proposed approach relies on the Generalized Methods of Wavelet Moments (GMWM) and the Wavelet Variance Information Criterion (WVIC), where we proposed a procedure to compute a Cross-Validation (CV) like estimator of the goodness-of-fit of a candidate model. This estimator provides by construction a tradeoff between model fit and model complexity, therefore allowing rank all candidate models and select the one (or the ones) that appears to be the most appropriate for the task of stochastic sensor calibration.
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 | 0,004 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,009 | 0,003 |
| Intégrité de la recherche | 0,001 | 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