Robust Multi-signal Estimation Framework with Applications to Inertial Sensor Stochastic Calibration
Notice bibliographique
Résumé
The stochastic calibration of low-cost and consumer grade inertial sensors has recently become very important due to their wide-spread utilization in a multitude of mass-market applications like smartphone and drone navigation. The reason behind this is because if accurate stochastic modeling about the inertial sensor noise is obtained, then the estimation quality of the navigation solution may improve significantly. Generally, the mainstream methods for stochastic calibration consider only a single signal, collected under static conditions, to infer that knowledge. However, it has been observed that even though the stochastic model structure that characterizes each (static) calibration signal remains the same, its parameter values vary from one replicate to another. Even though techniques have been recently proposed to address this in a statistically efficient way, a very important factor has been neglected, namely the influence of outliers on the estimation process. In this paper, a robust multi-signal framework for the stochastic modeling of inertial sensor errors is proposed, which contains two layers of robustness: one that reduces the influence of outliers in each observed signal (data corruption) and one that safeguards the estimation process from the collection of calibration signal replicates with notably different stochastic behaviour compared to the majority (sample contamination). Furthermore, two estimators are defined from this framework, with each encompassing either one or both layers of robustness, and their efficiency in different data contamination scenarios is assessed in a simulation setting. Finally, real data collected from a consumer-grade MEMS-based device are used within a navigation simulator to evaluate the relationship between the quality of the stochastic models obtained by the two robust estimators in different data collection scenarios and the navigation solution stability.
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 | 0,001 |
| 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 ».