Adaptive H-infinity extended Kalman filtering for a navigation system in presence of high uncertainties
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
The optimal performance of the Kalman filters is highly dependent on the measurement and process noise characteristics, making the whole system unable to achieve the desired estimation in the presence of non-Gaussian mean noise distribution and high initial uncertainties. Recently, the H-infinity filter, as a robust algorithm, has been broadly used, as it is not being dependent on the pre-knowledge of the noise nature; however, making a balance between high robustness and estimation accuracy is a challenging issue. Hence, to overcome this problem, a new adaptive H-infinity extended Kalman filter (AHEKF) was designed in this paper, which benefits from both high robustness and precision. The suggested algorithm contains two adaptive sections to achieve high accuracy as well as controlling the effects of time-varying noise characteristics, high initial uncertainties, and abnormal data that can degrade the accuracy of state estimation in an integrated navigation system. The presented algorithm was used to integrate data from two independent sensors data. The simulation results for an inertial navigation system (INS)/global positioning system (GPS) sensor fusion are presented and compared with the standard H-infinity filter, extended Kalman filter (EKF), and unscented Kalman filter (UKF) to show the effectiveness of the proposed algorithm. Evaluations demonstrate that the AHEKF achieves over 50% higher accuracy and robustness, and over 2.5 times faster convergence of estimation errors than the standard H-infinity filter.
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 | 0,001 | 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 découle