Adaptive Gain Regulation of Sensor Fusion Algorithms for Orientation Estimation with Magnetic and Inertial Measurement Units
Notice bibliographique
Résumé
Magnetic and inertial measurement units (MIMUs) proved to be an accurate alternative for optic, electromagnetic, or acoustic measurement technologies. While the orientation of the MIMU could be estimated using accelerometer, gyroscope, or magnetometer sensors alone, many studies proposed sensor fusion algorithms (SFAs) to overcome the drawbacks that appear when each sensor is used individually. However, the performance of such SFAs highly depends on their gains, and poor initialization or incorrect adjustment of the gains would degrade the SFAs’ performance. Therefore, this article proposes a general framework to find the optimal adaptive gain tuning scheme for Kalman filters and complementary filters to achieve accurate and robust orientation estimation with MIMUs. To this end, we proposed an innovative optimization framework to find the fixed optimal gain of an SFA or the optimal adaptive gain regulation scheme. Also, we demonstrated that the designed adaptive gain regulation scheme (a hard switch with two or three levels or a fuzzy inference system) is essential for orientation tracking with various SFAs. We measured the thigh, shank, and foot motion of nine participants while performing various activities using MIMUs and a camera motion-capture system to calculate the MIMUs’ error in 3-D angle estimations. Gain regulation by hard switch was significantly ($p < 0.05$) more accurate and robust than it was for innovation adaptive estimation. Also, for all tested SFAs, hard switching for shank and foot MIMUs was significantly more accurate or robust than that for fixed optimal gain. Our experimental results showed that the adaptive gain tuning of SFAs using optimized gains is crucial, regardless of the algorithm structure or complexity.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».