Examining the use of stored navigation knowledge for neural network based INS/GPS integration
Bibliographic record
Abstract
Au cours des dernieres annees, on a assiste a l'utilisation des techniques de l'intelligence artificielle pour integrer les systemes de navigation par inertie (INS) et les systemes mondiaux de localisation (GPS) pour diverses applications de navigation. Par exemple, l'utilisation des Reseaux de neurones artificiels (RNA) pour l'integration des INS/GPS a demontre la possibilite de depasser les limites des mecanismes traditionnels d'integration fondes primordialement sur l'approche de filtrage Kalman et d'ameliorer la precision de la localisation pendant de longues interruptions des signaux GPS. La plupart des techniques fondees sur les RNA dependent des reseaux statiques (p. ex. Reseaux de neurones multicouches sans retroaction, les RNMSR). Certains ouvrages suggerent que le Reseau de neurones dynamiques (p. ex. les Reseaux de neurones recurrents, les RNR) peut procurer plus d'avantages computationnels qu'un reseau statique dans certaines applications telles que la reconnaissance de la voix et le controle robotique; ainsi, le present article examine le developpement du mecanisme d'integration des INS/GPS utilisant les RNR et compare son rendement pour les techniques des RNMSR et du filtrage conventionnel Kalman. L'architecture adoptee dans le present article est fondee sur le traitement des composantes des positions INS et la mise a jour des RNMSR ou des RNR avec des positions GPS pour evaluer les erreurs de position de l'INS. De plus, nous suggerons une nouvelle facon d'etablir les connaissances en navigation durant la formation des RNMSR ou des RNR et d'examiner leur rendement durant la procedure de mise a jour. Les resultats d'essais sur le terrain obtenus d'un INS et d'un GPS differentiel de qualite adequate pour la navigation sont utilises dans cette etude pour evaluer le rendement des techniques proposees.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".