Exploring the Benefits of Deep Learning-Based Sensors Error Estimation for Improved Attitude and Position Accuracy
Notice bibliographique
Résumé
Inertial Navigation System (INS) is a primary component in various integrated navigation systems. However, the performance of INS is hindered due to the numerical integration of the measurements obtained from the Inertial Measurement Unit (IMU), which are contaminated by various sensor errors, especially with Micro-Electro-Mechanical Systems (MEMS) sensors. To address these challenges, we examine the performance of modern Deep Learning (DL) methods for mitigating such errors. Specifically, we propose a Deep Gyroscope Error (DGE) model designed to estimate and compensate for errors in the gyroscope measurements. The DGE model combines the feature extraction capabilities of a Convolutional Neural Network (CNN) with the sequential data modelling strengths of Long Short-Term Memory (LSTM). Instead of relying on high-grade IMU measurements, we distinctively employ an inverse mechanization algorithm that generates artificial IMU measurements from the integrated navigation solution states. This approach provides accurate ground truth data facilitating direct supervised learning. The proposed model was trained and verified using real data from MEMS-IMU on real road test experiments performed on a land vehicle in Kingston, Ontario, Canada. When subjected to evaluation against unseen data, the DGE model demonstrated significant improvements in standalone inertial navigation scenarios, particularly in mitigating attitude drift errors and subsequently improving position estimation. Over a uniform testing interval, the DGE model achieved an average reduction in attitude RMSE by 43.1% and in position RMSE by 25.4%. This emphasizes the efficacy of the proposed method in improving INS performance, particularly when operating in standalone mode.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».