The Right Invariant Nonlinear Complementary Filter for Low Cost Attitude\n and Heading Estimation of Platforms
Notice bibliographique
Résumé
This paper presents a novel filter with low computational demand to address\nthe problem of orientation estimation of a robotic platform. This is\nconventionally addressed by extended Kalman filtering of measurements from a\nsensor suit which mainly includes accelerometers, gyroscopes, and a digital\ncompass. Low cost robotic platforms demand simpler and computationally more\nefficient methods to address this filtering problem. Hence nonlinear observers\nwith constant gains have emerged to assume this role. The nonlinear\ncomplementary filter is a popular choice in this domain which does not require\ncovariance matrix propagation and associated computational overhead in its\nfiltering algorithm. However, the gain tuning procedure of the complementary\nfilter is not optimal, where it is often hand picked by trial and error. This\nprocess is counter intuitive to system noise based tuning capability offered by\na stochastic filter like the Kalman filter. This paper proposes the right\ninvariant formulation of the complementary filter, which preserves Kalman like\nsystem noise based gain tuning capability for the filter. The resulting filter\nexhibits efficient operation in elementary embedded hardware, intuitive system\nnoise based gain tuning capability and accurate attitude estimation. The\nperformance of the filter is validated using numerical simulations and by\nexperimentally implementing the filter on an ARDrone 2.0 micro aerial vehicle\nplatform.\n
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 ».