ENHANCED UAV NAVIGATION USING HALL-MAGNETIC AND AIR-MASS FLOW SENSORS IN INDOOR ENVIRONMENT
Notice bibliographique
Résumé
Abstract. The use of Unmanned Aerial Vehicles (UAVs) in many commercial and emergency applications has the potential to dramatically alter several industries, and, in the process, change our attitudes regarding their impact on our daily lives activities. The navigation system of these UAVs mainly depends on the integration between the Global Navigation Satellite Systems (GNSS) and Inertial Navigation System (INS) to estimate the positions, velocities, and attitudes (PVT) of the UAVs. However, GNSS signals are not always available everywhere and therefore during GNSS signal outages, the navigation system performance will deteriorate rapidly especially when using low-cost INS. Additional aiding sensors are required, during GNSS signal outages, to bound the INS errors and enhance the navigation system performance. This paper proposes the utilization of two sensors (Hall-magnetic and Air-Mass flow sensors) to act as flying odometer by estimating the UAV forward velocity. The estimated velocity is then integrated with INS through Extended Kalman Filter (EKF) to enhance the navigation solution estimation. A real experiment was carried out with the 3DR quadcopter while the proposed system is attached on the top of the quadcopter. The results showed great enhancement in the navigation system performance with more than 98% improvement when compared to the free running INS solution (dead-reckoning).
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 | 0,000 |
| 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 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 ».