Kalman filter-based sensor fusion for Ackermann steering mobile robots
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
Abstract Autonomous navigation technologies are continuously improving in terms of performance and safety. A key subfield of autonomous navigation for mobile robots is localization or precise positioning, involving the robot understanding its position relative to key points of interest in the environment. Traditionally, localization is purely dependent on the quality of input received from onboard sensors and therefore localization quality degrades in the presence of high sensor error or other faults. Sensor fusion is useful to combat this. Sensor fusion is used to combine various data types from different sensors to gain a lower overall uncertainty or error in the resulting data, when compared to the separate data from each individual sensor. In this study a four-wheel mobile robot with front-wheel driving and steering is localized during navigation. The investigation is performed in simulation and with a physical prototype. The mobile robot has several sensors including a wheel encoder on each wheel, an inertial measurement unit as well as an indoor GPS system. A designed Kalman Filter called The Combined Kalman Filter has been designed to fuse the sensor input data in order to output the position data required to localize the robot in (X, Y) cartesian coordinates. This is completed in the presence of sensor bias error and noise with the output path compared against a pre-selected ground truth trajectory. The proposed filter is based on the Extended Kalman Filter to contend with the non-linear model arising from the four-wheel steerable robot with the steering system following the Ackermann steering condition. The robot model and sensors are simulated in MATLAB for a chosen ground truth trajectory with results highlighting any detected faults and final accurate position information. It was seen that the estimated filter output had high accuracy when compared with the ground truth. Compared with other investigations the proposed filter has reduced mean error and minimal deviations compared with the ground truth path. In addition, this filtering model can be used in general for the localization of other actuated steering vehicles and aims to widen the research in this field as the majority of research in this area leverages differential drive robots which require less complex modeling.
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