State Estimation With Trajectory Shape Constraints Using Pseudomeasurements
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
In this paper, a trajectory shape constraint on target motion is investigated, and the corresponding state estimation method is presented. This type of constraint occurs when only the shape of the target trajectory is known a priori, without any other necessary information to exactly describe the specific trajectory. For example, one may only know that the target moves along a straight line. This prior knowledge of trajectory can be considered as a constraint to improve tracking performance. To describe the shape constraint arising from the straight line assumption, the state vector is augmented by the states at previous time steps. This facilitates the description of the shape constraint using the components of the state vector. Pseudomeasurements are then constructed based on these relationships to incorporate the constraint into an estimation process to improve the performance. The redundancy of the complete set of pseudomeasurements for a given augmented state vector is analyzed, and the minimal set of pseudomeasurements, which describes the constraint exactly, is proposed. The time evolution equation for the augmented state and the measurement equation using the minimal pseudomeasurement set are formulated. A trajectory shape constraint Kalman filter (TSCKF) is then proposed for simultaneous filtering and smoothing. Since both the measurement vector and the state vector are high dimensional, the cubature Kalman filter is used in the proposed TSCKF to deal with the strong nonlinearity in this problem. Monte Carlo simulations illustrate the effectiveness of the proposed TSCKF and the improvement in both filtering and smoothing accuracies by incorporating the trajectory shape constraint.
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 | 0,000 | 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) | 0,000 | 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