A Novel Design Framework for Tightly Coupled IMU/GNSS Sensor Fusion Using Inverse-Kinematics, Symbolic Engines, and Genetic Algorithms
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
Tightly-coupled (TC) fusion of Inertial Measurement Units (IMUs) with Global Navigation Satellite Systems (GNSSs) is a common technique that provides high-rate positioning even under GNSS interruptions. In order to provide accurate positioning, errors of IMU and GNSS must be modelled and estimated by filtering techniques such as Extended Kalman Filter (EKF). Due to nonlinearity and stochastic characteristics of IMU and GNSS system and measurement models, robust filter design has been a challenge. Conventional design techniques use mission-specific fixed models and trial-and-error noise parameter tuning to design IMU/GNSS filters. These conventional techniques are inflexible and do not always lead to accurate designs as there are no ways to verify the filter ability to estimate sensors errors accurately. To address this challenge, this paper presents a flexible design framework and a systematic procedure for TC IMU/GNSS fusion. The framework utilizes symbolic engines to represent and linearize system and measurement models. Symbolic engines are flexible in new models and fusion algorithms development. In order to evaluate the estimation of sensors errors, an Inverse-Kinematics module is developed to generate error-free sensors measurements which can be contaminated by known errors. The filter parameters are tuned using Genetic Algorithms and the performance is evaluated based on the accuracy of estimating all states including the added known errors. The framework has been used to develop a quaternion-based EKF design and verified on real raw IMU/GNSS data. The results showed that the developed framework greatly reduces efforts to design robust and accurate fusion systems for TC IMU/GNSS integration.
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