An optimal virtual inertial sensor framework using wavelet cross covariance
Notice bibliographique
Résumé
The practice of inertial sensor calibration has commonly been carried out by taking into account the deterministic and stochastic components of the error measurements issued from a calibration session. Once the deterministic components have been taken into account through physical models, the remaining stochastic component has always been dealt with for each sensor separately. The latter process involves estimating complex probabilistic models for each sensor which has been proven to be extremely complicated over the past years, although recent proposals have allowed to overcome most of the limitations that have characterized this task. However, the separate stochastic calibration of the individual sensors composing an inertial measurement unit may not be wise in many cases since there can be considerable degrees of dependence between the sensors, especially between the gyroscopes. For this reason, there has been growing attention towards this issue in order to consider the influence of the stochastic behaviour of the sensors on each other, with few proposals that address this problem. Among these proposals there has been the idea of integrating the information coming from the different gyroscopes so as to build a virtual gyroscope. In this paper we build on this idea and, using a recently proposed method for multivariate signal modelling, we deliver a general and flexible framework that allows to consider many different modelling options which provide the basis to construct a virtual sensor that optimally combines the information from the individual sensors and considerably improves navigation accuracy.
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 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 | 0,000 | 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 | 0,000 |
| 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 tête enseignante, 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 ».