Autonomous Vehicle Kinematics and Dynamics Synthesis for Sideslip Angle Estimation Based on Consensus Kalman Filter
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An autonomous vehicle sideslip angle estimation algorithm is proposed based on consensus and vehicle kinematics/ dynamics synthesis. Based on the velocity error measurements between the reduced Inertial Navigation System (R-INS) and the global navigation satellite system (GNSS), a velocity-based Kalman filter is formalized to estimate the velocity errors, attitude errors, and gyro bias errors of the R-INS. The observability issue of the heading error, which affects sideslip estimation, is analyzed. Then, to enhance the observability and improve the estimation accuracy of the heading error under normal driving conditions, a consensus Kalman information filter is developed to synthesize the vehicle kinematics and dynamics and estimate the heading error. Within the developed consensus framework, one node augments a novel heading error measurement from a linear vehicle-dynamic-based sideslip estimator and another node adopts the heading error from the GNSS course. Next, based on the vehicle lateral excitation level, a weighting scheme is proposed to fuse the error state estimates from the velocity-based and consensus Kalman state observers. The stability of the proposed state observers is also investigated. Comprehensive experimental studies, including critical slalom, slight/normal double lane change, and normal driving maneuvers, were conducted to verify the proposed estimation framework; they confirm the reliability and accuracy of the estimator in various automated driving conditions even in comparison with state-of-the-art methods that utilize more measurements (dual-antenna GNSS). Also, this novel multisensor framework is extendable to leverage speed information from other sensors such as cameras and light detection and ranging (LiDAR) to increase reliability and accuracy.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 découle