Implementation of Parallel Cascade Identification at Various Phases for Integrated Navigation System
Notice bibliographique
Résumé
Global navigation satellite systems (GNSS) are widely used for the navigation of land vehicles. However, the positioning accuracy of GNSS, such as the global positioning system (GPS), deteriorates in urban areas due to signal blockage and multipath effects. GNSS can be integrated with a micro-electro-mechanical system (MEMS)–based inertial navigation system (INS), such as a reduced inertial sensor system (RISS) using a Kalman filter (KF) to enhance the performance of the integrated navigation solution in GNSS challenging environments. The linearized KF cannot model the low-cost and small-size sensors due to relatively high noise levels and compound error characteristics. This paper reviews two approaches to employing parallel cascade identification (PCI), a non-linear system identification technique, augmented with KF to enhance the navigational solution. First, PCI models azimuth errors for a loosely coupled 2D RISS integrated system with GNSS to obtain a navigation solution. The experimental results demonstrated that PCI improved the integrated 2D RISS/GNSS performance by modeling linear, non-linear, and other residual azimuth errors. For the second scenario, PCI is utilized for modeling residual pseudorange correlated errors of a KF-based tightly coupled RISS/GNSS navigation solution. Experimental results have shown that PCI enhances the performance of the tightly coupled KF by modeling the non-linear pseudorange errors to provide an enhanced and more reliable solution. For the first algorithm, the results demonstrated that PCI can enhance the performance by 77% as compared to the KF solution during the GNSS outages. For the second algorithm, the performance improvement for the proposed PCI technique during the availability of three satellites was 39% compared to the KF solution.
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 | 0,001 |
| 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 | 0,001 | 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) | 0,005 | 0,002 |
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 ».