Evaluation on Nonholonomic Constraints and Rauch–Tung–Striebel Filter-Enhanced UWB/INS Integration
Notice bibliographique
Résumé
Precise and seamless positioning is becoming a basic requirement for the Internet of Things (IoT). However, there is a gap for precise positioning in Global Navigation Satellite System- (GNSS-) denied indoor areas. Thus, a multisensor integration system based on ultrawide-band (UWB), inertial navigation system (INS), nonholonomic constraints (NHCs), and Rauch–Tung–Striebel (RTS) smoother is proposed. In this system, the UWB performs as the major precise positioning system, while the INS bridges the UWB-degraded and UWB-denied periods. Meanwhile, the NHC restrains the drifts of INS, while the RTS smoother further upgrades the navigation accuracy. The contributions of this article are as follows. First, it presents the robust least square- (RLS-) based UWB positioning. The proposed method is effective in mitigating the impact of the effect of non-line-of-sight (NLOS), which is one of the most significant error sources for UWB positioning. Second, it derives the mathematical model of the UWB/INS/NHC/RTS integration, which is new compared to the existing approaches. Results illustrate that the proposed system can provide centimeter-level positioning accuracy, millimeter-level velocimetry accuracy, and accuracy of better than 0.05 and 0.15 degrees for horizontal and vertical attitude angles, respectively. Even in the scenario with short-term UWB outages (30 s), simulation results show that the three-dimensional position still can be better than 20 cm. Such accuracy values reach the state-of-the-art for indoor positioning using UWB and INS.
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 | 0,002 | 0,004 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,000 |
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 ».