Minimum error entropy iterative extended Kalman filter for robust GPS/IMU/visual-integrated navigation under GPS anomalies
Notice bibliographique
Résumé
The integrated navigation of global satellite navigation system (GNSS) and inertial measurement unit (IMU) faces the problems of satellite signal limitation and IMU error accumulation in complex environments such as forests and long tunnels. Adding visual sensors is a good solution. In the majority of existing researches, non-Gaussian ambient noise is mostly regarded as Gaussian noise to simplify the processing, how to deal with non-Gaussian ambient noise remains a burning issue. In this paper, a minimum error entropy (MEE) based iterative extended Kalman filtering (IEKF) method for GPS/IMU/Visual-integrated navigation is developed. First, IEKF is employed to process GPS abnormal data and gradually approach the real state through an iterative optimization. Second, the MEE criterion is combined to enhance the robustness of the system to non-Gaussian noise, and the fixed-point iteration method is used to calculate the state estimation to improve the positioning accuracy of the system. Finally, the Canadian and Katwijk navigation data sets are utilized to validate the effectiveness of the proposed method. The results show that compared with the traditional EKF-based method, the proposed method can reduce the longitude error by 5.9% and 29.2%, and the latitude error by 19.3% and 56.6%, respectively, in GPS abnormal and non-Gaussian noise environments, and the accuracy and robustness of the navigation system are significantly improved.
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 ».