Improving EKF-Based IMU/GNSS Fusion Using Machine Learning for IMU Denoising
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
In the realm of navigation systems, Inertial Measurement Unit (IMU) sensors play a pivotal role. The advent of Micro-Electro-Mechanical System (MEMS) sensors has introduced a lightweight and cost-effective alternative for IMUs. However, MEMS IMUs come with the challenge of larger stochastic errors that accumulate over time, resulting in navigation drifts. To address this issue, the conventional approach involves fusing IMU with the Global Navigation Satellite System (GNSS) for reliable navigation. Nevertheless, this fusion setup fails in providing ubiquitous navigation during GNSS outage scenarios due to persistent IMU errors. In this paper, an efficient methodology is developed to mitigate navigation drifts by eliminating IMU errors using Light Gradient Boosting Machine (LightGBM) and Categorical Boosting (CatBoost) Machine Learning (ML) algorithms. In contrast to existing methodologies that employ high-end and expensive IMUs for training models to denoise low-cost MEMS IMUs, this paper proposes utilizing Inverse Kinematics (IK). This approach helps to derive clean IMU training data from the Position, Velocity, Attitude (PVA) values estimated through the Extended Kalman Filter (EKF) when GNSS is available and reliable. The distinctive advantage of the IK approach lies in its capacity to obtain real-time pseudo error-free IMU data without the necessity for high-end IMUs to train ML models. The proposed method undergoes testing in both Loosely coupled and Tightly coupled EKF scenarios using simulation and real dataset under varying GNSS outage durations. Comparisons are made between the denoised IMU signals and signal processing techniques such as Moving Average (MA) and Savitzky Golay (SG). Additionally, we present a comparative analysis of the proposed algorithms against Convolutional Neural Networks (CNN). Results demonstrate a noteworthy enhancement in position, velocity, and orientation estimation. Furthermore, the computation time required for model training and prediction across various algorithms is analyzed. The outcomes prove the superiority of the proposed tree-based algorithms over the conventional filtering methods and CNN in denoising IMU and improving the navigation results.
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