Système de navigation inertielle par filtrage de kalman indirect pour un sous-marin d'inspection robotisé
Bibliographic record
Abstract
Les techniques conventionnelles de positionnement à l’aide d’un système de navigation inertielle sont reconnues pour dériver avec le temps. Elles offrent par conséquent de piètres performances pour les applications qui requièrent une grande précision comme les sous-marins d’inspection. Ce mémoire propose de fusionner les mesures d’un système de navigation inertielle à des mesures de positionnement absolues afin d’améliorer et de stabiliser l’estimation des orientations et des positions. Cette technique permettra au sous-marin d’inspection de l’Institut de Recherche d’Hydro-Québec (IREQ) de mieux référencer les anomalies des barrages inspectés. \n \nL’objectif général du projet de recherche est d'intégrer par filtrage de Kalman indirect les mesures d'une centrale inertielle avec un système de positionnement absolu pour mesurer la position d'un sous-marin d’inspection. Afin d’atteindre cet objectif, le système de navigation inertielle est analysé et étudié. Les algorithmes sont d’abord testés en simulation avant d’être implantés dans un système réel. Par la suite, la validation des performances de la fusion de données est effectuée en imposant à la centrale inertielle réelle une trajectoire simulant les mouvements exacts du sous-marin. Un manipulateur robotique est utilisé pour réaliser cette trajectoire. Cette méthode innovatrice permet d’obtenir une bonne répétabilité. L’excellente précision de la position du robot facilite l’évaluation de la performance de l’algorithme. \n \nLes résultats expérimentaux obtenus montrent que l’utilisation du filtrage indirect de Kalman comme solution au problème de positionnement d’un sous-marin d’inspection est valable. Cependant, certaines contraintes doivent être respectées afin que les performances de cet algorithme restent satisfaisantes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".