Likelihood-based iterated cubature multi-state-constraint Kalman filter for visual inertial navigation system
Notice bibliographique
Résumé
In this paper, we present an advanced real-time Visual Inertial Navigation System (VINS) based on Multi-State Constraint Kalman Filter (MSCKF). This filter uses Cubature Kalman Filter (CKF) for nonlinear measurement update and Maximum Likelihood Estimate (MLE) to optimize the estimate, which in turn provides better system accuracy and stability. The measurement model is developed basing Trifocal Tensor Geometry (TTG), which allows replacing the 3D feature-point reconstruction step as in traditional VINS systems. Alternatively the available Unscented MSCKF [1] based on Unscented Kalman Filter has an implementation issue of executing the square-root operation of the covariance matrix due to the negatively-weighted sigma points, and this may halt the filter operation or even causes the system to fail. The proposed CKF structure has the ability to carry the highly-nonlinear TTG-based measurement model as well as overcome the issue associated with the covariance square-root operation. The MLE based iteration is applied to optimize the visual measurement update where it performs multiple corrections on a single measurement. This procedure helps to minimize the error accumulation allowing the filter to operate for longer durations. The proposed Iterated Cubature MSCKF is tested using KITTI datasets [2] and compared against the Unscented MSCKF and non-iterated Cubature MSCKF.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».