An Efficient Tuning Framework for Kalman Filter Parameter Optimization using Design of Experiments 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
The Extended Kalman Filter (EKF) is currently a dominant method of sensor fusion used for navigation of mobile devices, robotics and autonomous vehicles. One navigation system involves the EKF fusion of an Inertial Navigation System (INS) with a Global Navigation Satellite System (GNSS) to perform 3D pose estimation, which is essential to practical applications like autonomous vehicles and UAVs. This system involves using the INS to predict pose changes and uses GNSS measurements when available to correct for estimation drifts and sensor errors. The performance of the state estimation is heavily dependent on the accurate selection of EKF parameters, leading to the optimal selection of parameters being a critical factor in the design and use of the EKF. In this paper, a methodical and efficient method of EKF parameter tuning is presented. The tuning framework uses nominal parameters generated by Gauss Markov (GM) and Allan Variance (AV) methods that are tuned by Genetic Algorithms (GA) accelerated by a Design of Experiment (DoE) technique to efficiently optimize EKF parameters. This framework has been implemented in MATLAB and tested using simulations and real data. The results demonstrate that GA tuned parameters increases accuracy substantially, and that the DoE technique consistently improves the convergence behavior of the GA.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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