A Model-Based Drift Correction Control for UAV in GNSS-Degraded Environments
Notice bibliographique
Résumé
Among its many applications, Global Navigation Satellite System (GNSS) systems made an entrance into the Unmanned Aerial Vehicle (UAV) field with positioning and navigation. These applications usually require high positioning accuracy out of safety considerations. Moreover, UAV applications are often found in dense urban or forested areas with poor reception conditions for each available satellite signal, and, thus, degrades the overall accuracy of GNSS positioning. In particular, the position accuracy deteriorates in the face of environmental obstructions as services and multi-path receptions become unavailable. Our works consist of two parts. The first is a nominal Linear Quadratic Gaussian (LQG) controller that estimates the states and tracks the reference trajectory without GNSS drift. The LQG control determines an output feedback law that is optimal in minimizing the expected value of a quadratic cost criterion when the output measurements are corrupted by Gaussian white noise. However, when the reception state is Non-Line Of Sight (NLOS), the Gaussian distribution assumption is no longer valid. Therefore, the latter part of our work contributes a robust controller H∞that estimates the drift and corrects the trajectory accordingly. H∞control applies classical loop-shaping concepts to the multivariable frequency response for good robust performance. Given the estimate of GNSS drift as an input, H∞control not only improves the overall robustness of the control loop but also corrects the drift to converge ground truth to the reference trajectory.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 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 ».