Multi-IMU System for Robust Inertial Navigation: Kalman Filters and Differential Evolution-Based Fault Detection and Isolation
Notice bibliographique
Résumé
The safety and reliability of various navigation applications are critically dependent on the integrity of sensor measurements. The inertial measurement unit (IMU) is a primary sensor in many navigation systems, yet is susceptible to diverse errors and faults, particularly with micro-electromechanical systems (MEMS). To address these challenges, we propose a Kalman filter (KF)-based framework incorporating multiple redundant IMUs offering robust fault detection and isolation (FDI) capabilities in the context of inertial navigation. The primary contributions of this work include effective multi-IMU calibration and integration, a comprehensive FDI enabled by a bank of auxiliary KFs, and an optimal dual-objective function combined with the differential evolution (DE) algorithm for fault detection parameters optimization. The effectiveness of the introduced method was validated using real-world data from homogeneous MEMS IMUs during urban road tests. Through data augmentation, fault simulation, and parameter optimization experiments, an exceptional fault detection performance was demonstrated, with an <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${F}1$ </tex-math></inline-formula> score of 99.9%. Furthermore, our approach significantly enhanced inertial navigation accuracy, with position improvements of up to 78.4% in fault-free conditions compared to a single IMU and 64.5% in fault conditions compared to the standalone IMU fusion. These results confirm that the system can maintain an accurate and reliable navigation solution even in the presence of IMU sensor faults.
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 | 0,000 |
| 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 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 ».