Sequential Track Fusion in UKF-based Multi-Sensor Networks: A Case of Slip Estimation in Wheeled Mobile Robots
Notice bibliographique
Résumé
Accurate wheel slip estimation facilitates Wheeled Mobile Robots (WMRs) with improved localization and traversability monitoring which are crucial to their autonomy in challenging environments. Although distributed track-level fusion offers better computational efficiency, often sensor-level fusion is adopted in slip estimators. Extending upon our earlier work, we develop a novel explicit track-to-track fusion algorithm for UKF-based multi-sensor networks that has immediate application to slip ratio estimation in WMRs. The algorithm demonstrates better consistency compared to the existing fusion techniques, since it implements an optimal fusion rule to sequentially combine local tracks. It also saves computational power due to the recursive propagation of cross-covariance matrices based on the statistical linearization technique, instead of performing online optimizations. We prove that this recursion only requires the information of the first and last tracks in a sequence if all local tracks are unbiased. We rigorously study various key properties of the developed fusion algorithm and show its superior level of confidence when compared to the two prominent fusion methods of sequential and batch covariance intersection. The slip ratio estimation in a six-wheel WMR is considered as a case study, where the steerable wheel sets act as a network of sensors. The proposed slip estimator works based on the rigid body kinematics and readings of purely proprioceptive sensors, i.e., an inertial measurement unit and encoders. The slip estimator’s performance is evaluated in a high-fidelity software-in-the-loop simulation environment connecting MATLAB and CM Lab’s Vortex Studio software. In a comparison study that considers four rival strategies, we show the superiority of the proposed fusion method offering a balance between consistency, accuracy, and speed in real-time slip estimations.
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) | 0,001 | 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 | 0,001 |
| 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 ».