Observability-Constrained VINS for MAVs Using Interacting Multiple Model Algorithm
Notice bibliographique
Résumé
This article presents the design of an interacting multiple model (IMM) filter for visual-inertial navigation (VIN) of MAVs. VIN of MAVs in practice typically uses a single system model for its state estimator design. However, microaerial vehicles (MAVs) can operate in different scenarios such as aggressive flights, hovering flights, and under high external disturbance requiring changing constraints imposed on the estimator model. This article proposes the use of a conventional VIN and a drag force VIN in an error-state IMM filtering framework to address the need for multiple models in the estimator. The work uses an epipolar geometry constraint for the design of the measurement model for both filters to realize computationally efficient state updates. Observability of the proposed modifications to VIN filters (drag force model and epipolar measurement model) are analyzed, and observability-based consistency rules are derived for the two filters of the IMM. Monte Carlo numerical simulations validate the performance of the observability constrained IMM, which improved the accuracy and consistency of the visual-inertial navigation system (VINS) for changing flight conditions and external wind disturbance scenarios. Experimental validation is performed using the EuRoC dataset to evaluate the performance of the proposed IMM filter design. The results show that the IMM outperforms stand-alone filters used in the IMM filtering bank by switching between the filters based on the residual likelihood of the models.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».