Autonomous Vehicle Kinematics and Dynamics Synthesis for Sideslip Angle Estimation Based on Consensus Kalman Filter
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 0,001 |
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 ».