An Advanced Cooperative Positioning Algorithm Based on Improved Factor Graph and Sum-Product Theory for Multiple AUVs
Notice bibliographique
Résumé
In this research, a novel autonomous underwater vehicle (AUV) cooperative positioning algorithm is proposed to solve the implementation problem of multi-sensor-fusion applications. Different from the traditional methods [i.e., the extended Kalman filter (EKF), unscented Kalman filter (UKF), and iteration extended Kalman filter (IEKF)], which have large linearity error under the condition of nonlinear observation equation when multiple AUV are cooperative positioning, the proposed algorithm utilized the Baysis filter to solve the AUV cooperative problem. Factor graph and sum-product (FGS)-based cooperative positioning algorithm is established to mathematically implement the Bayse filter by converting the global function estimation problem into a local function sum-product estimation problem. Furthermore, to improve the performance of the proposed algorithm, a robust data processing method is presented by introducing a transform matrix to the estimated position information. To demonstrate and verify the proposed methods, the simulation and real tests in different scenarios are performed in this research. Compared with the traditional EKF, UKF, and IEKF cooperative positioning algorithm, the positioning error of the proposed improved FGS (IFGS) cooperative positioning algorithm is obviously smaller than that of the other three algorithms. Moreover, the IFGS algorithm can reduce the complexity of the algorithm, available improving the computational speed of the whole system. This proposed algorithm has important theoretical and practical value for the both industry and academic areas.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| 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 ».