A Novel Machine Learning-Based ANFIS Calibrated RISS/GNSS Integration for Improved Navigation in Urban Environments
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
Autonomous vehicles (AVs) require accurate navigation, but the reliability of Global Navigation Satellite Systems (GNSS) can be degraded by signal blockage and multipath interference in urban areas. Therefore, a navigation system that integrates a calibrated Reduced Inertial Sensors System (RISS) with GNSS is proposed. The system employs a machine-learning-based Adaptive Neuro-Fuzzy Inference System (ANFIS) as a novel calibration technique to improve the accuracy and reliability of the RISS. The ANFIS-based RISS/GNSS integration provides a more precise navigation solution in such environments. The effectiveness of the proposed integration scheme was validated by conducting tests using real road trajectory and simulated GNSS outages ranging from 50 to 150 s. The results demonstrate a significant improvement in 2D position Root Mean Square Error (RMSE) of 43.8% and 28% compared to the traditional RISS/GNSS and the frequency modulated continuous wave (FMCW) Radar (Rad)/RISS/GNSS integrated navigation systems, respectively. Moreover, an improvement of 47.5% and 23.4% in 2D position maximum errors is achieved compared to the RISS/GNSS and the Rad/RISS/GNSS integrated navigation systems, respectively. These results reveal significant improvements in positioning accuracy, which is essential for safe and efficient navigation. The long-term stability of the proposed system makes it suitable for various navigation applications, particularly those requiring continuous and precise positioning information. The ANFIS-based approach used in the proposed system is extendable to other low-end IMUs, making it an attractive option for a wide range of applications.
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 | 0,000 | 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 | 0,000 |
| 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