A Robust Indirect Kalman Filter Based on the Gradient Descent Algorithm for Attitude Estimation During Dynamic Conditions
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 real-time response and accuracy of the attitude (i.e., roll and pitch) estimation from low-cost inertial measurement unit (IMU) have become the key issues restricting related applications. This paper proposes a robust attitude estimation scheme which can perform well under dynamic conditions. When only accelerometers are used to calculate and correct the attitude, the external acceleration becomes the main source of attitude estimation errors. Moreover, the truncation error in the linearization process of the nonlinear system also affects the attitude estimation. As our first contribution, the external acceleration is modeled as a first-order Gauss Markov model, and its value is calculated under the indirect Kalman filter (IKF) framework. The measurement noise covariance matrix of the IKF is adaptively adjusted to enhance its robustness and reduce the negative impact caused by inaccurate modeling. In the second part of our work, the two-step cascade filter method is used for attitude estimation. The attitude obtained from the gravity field based on the gradient descent (GD) algorithm shows fast response capabilities, and hence, it is embedded as a measurement in the IKF by using the chain-derivation rule. The truncation error introduced into the linearization process of the nonlinear system is effectively avoided. Both simulation and experiments are carried out to verify the feasibility and accuracy of the proposed algorithm. The results show that the approach proposed in this paper can meet the accuracy requirements of consumer products.
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