Enhanced Navigation Precision Through Interaction Multiple Filtering: Integrating Invariant and Extended Kalman Filters
Notice bibliographique
Résumé
High-precision navigation solutions are essential requirements for various industries, especially the autonomous robotics industry. Inertial navigation systems (INS) are the prime source of navigation information for these applications, while global navigation satellite system (GNSS) measurements act as an aided source to bound INS drift and provide global positioning. However, GNSS availability cannot always be guaranteed, leading to degradation in INS performance. Several filters have been used for INS/GNSS fusion, including the invariant extended Kalman filter (IEKF) and extended Kalman filter (EKF). The IEKF uses Lie group mathematics to preserve system symmetries and handles non-linearities effectively but suffers from rapid divergence during GNSS outages due to its reliance on bounding constraints. In contrast, the EKF is valued for its simplicity and efficiency, but it struggles with high non-linearities, causing the degradation of the accuracy over time, especially during GNSS outages. To overcome these issues, we propose a novel interaction multiple filtering (IMF) technique that integrates both filters’ state estimations based on the Markov chain instead of switching between their outputs. Experimental results demonstrate the effectiveness of the proposed approach, showing improved navigation accuracy during GNSS availability compared to EKF by 13.5% and 1.8% when compared to the IEKF. The improvement when comparing the proposed algorithm during challenging environments (GNSS unavailability) with EKF reached 93% and 96% compared to IEKF, proving its robustness in challenging environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».