Approche multi modèles à sauts markoviens et fusion multi capteurs pour la localisation d'un robot mobile
Bibliographic record
Abstract
Les techniques de fusion et de filtrage utilisees actuellement pour la localisation d’un robot mobile, presentent deux inconvenients majeurs. Le premier est lie au fait qu’aucune information fiable a priori sur l’entree et la covariance du bruit de mesure n’est generalement disponible. Le second est lie au fait que le processus de localisation est souvent modelise a l’aide d’un modele unique, ce qui introduit des erreurs de modelisation qui degradent la qualite du filtrage. Le travail presente dans cette these constitue deux contributions. La premiere, consiste a prendre en compte l’existence de plusieurs regimes dans le processus de localisation. Ce dernier est modelise sous la forme d’un processus hybride a sauts Markoviens, a la fois du point de vue du processus d’etat et de celui d’observation. La deuxieme contribution consiste d’une part, a effectuer une estimation adaptative en ligne de parametres statistiques tels les variances des bruits d’etat et d’observation et d’autre part, a assurer une gestion optimale des moyens d’observation. La fusion de donnees est realisee par des filtres de Kalman adaptatifs lineaires pour les processus lineaires et etendus pour les processus non lineaires. Cette approche a ete validee en simulation sur un robot equipe d’un odometre, de deux telemetres places perpendiculairement et d’un compas. Pour montrer son efficacite, une analyse comparative de ses performances par rapport a des approches existantes est presentee. Ainsi, les gains en precision apportes par cette approche comparativement aux filtres classiques sont de 2 en translation et de 2 en orientation.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".