Innovative Modeling of IMU Arrays Under the Generic Multi-Sensor Integration Strategy
Notice bibliographique
Résumé
This research proposes a novel modeling method for integrating IMU arrays into multi-sensor kinematic positioning/navigation systems. This method characterizes sensor errors (biases/scale factor errors) for each IMU in an IMU array, leveraging the novel Generic Multisensor Integration Strategy (GMIS) and the framework for comprehensive error analysis in Discrete Kalman filtering developed through the authors' previous research. This work enables the time-varying estimation of all individual sensor errors for an IMU array, as well as rigorous fault detection and exclusion for outlying measurements from all constituent sensors. This research explores the feasibility of applying Variance Component Estimation (VCE) to IMU array data, using separate variance components to characterize the performance of each IMU's gyroscopes and accelerometers. This analysis is only made possible by directly modeling IMU inertial measurements under the GMIS. A real land-vehicle kinematic dataset was used to demonstrate the proposed technique. The a posteriori positioning/attitude standard deviations were compared between multi-IMU and single IMU solutions, with the multi-IMU solution providing an average accuracy improvement of ca. 14-16% in the estimated position, 30% in the estimated roll and pitch, and 40% in the estimated heading. The results of this research demonstrate that IMUs in an array do not generally exhibit homogeneous behavior, even when using the same model of tactical-grade MEMS IMU. Furthermore, VCE was used to compare the performance of three IMU sensors, which is not possible under other IMU array data fusion techniques. This research lays the groundwork for the future evaluation of IMU array sensor configurations.
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 | 0,001 |
| 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 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 ».