Application of the extended Kalman filter to LIDAR pose estimation
Notice bibliographique
Résumé
<p>The goal of this work is to investigate the benefits of using a well-known nonlinear motion estimator, an Extended Kalman Filter (EKF), in conjunction with the Iterative Closest Point algorithm (ICP}, in particular, for the purpose of tracking the pose of a target satellite using a chaser satellite equipped with a LIDAR sensor. To accomplish this goal, two different architectures for tracking the pose of a target satellite were first implemented in MATLAB Simulink, and then implemented and tested on the Canadian Space Agency Automated Robotics Test Bed (CART} at the Canadian Space Agency (CSA} using a Neptec Laser Camera System as a sensor. The two architectures are: a} a pose tracking architecture that accepts the estimated pose supplied by the EKF to provide an initial pose guess to the ICP algorithm; and b) a pose tracking architecture that uses the pose supplied by the pervious pose measurement from the ICP algorithm as the initial pose guess for the ICP algorithm. The pose estimator combine with the EKF was able to track an object with a higher rate of motion then the rate possible without a nonlinear estimator. When the EKF estimate of the target satellite's states converges, a decrease in the number of ICP iterations per sensor measurement was also observed. Furthermore, the EKF increased the robustness of the system allowing the system to continue tracking after blackout periods. The test results showed an increased level of robustness of the tracking architecture that utilizes a nonlinear estimator in conjunction with the ICP algorithm. The advantages of the use of EKF were observed both in a simulated environment and experimentation.</p>
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».