 |
Этот недорогой интегрированный алгоритм навигации GNSS/IMU использует алгоритм адаптивного расширенного фильтра Калмана (EKF), основанный на машинном обучении, который регулирует дисперсию шума за счет вероятности скрытых состояний.
Комбинация GNSS и IMU может предоставить более точную информацию о местоположении и навигации.GNSS обычно используется для предоставления информации об абсолютном положении, в то время как IMU может предоставлять информацию о движении устройства, включая угловую и линейную скорость.Эта информация может помочь алгоритмам более точно оценить ориентацию и положение устройств.
В этом алгоритме, используя методы машинного обучения, модель можно обучить адаптивной настройке дисперсии шума.Это означает, что модель может динамически корректировать параметры шума на основе изменений входных данных (таких как состояние вибрации, состояние дорог, состояние спутниковых помех и т. д.), тем самым улучшая точность навигации алгоритма.
Этот метод требует сначала обучения модели для идентификации различных состояний и создания базы данных дисперсии шума для каждого состояния.В реальном процессе навигации алгоритм будет адаптивно корректировать отклонение шума на основе текущего состояния и данных в базе данных.
В целом, этот недорогой интегрированный навигационный алгоритм GNSS/IMU может предоставлять более точную и стабильную навигационную информацию в различных навигационных средах благодаря использованию технологии машинного обучения.Это очень полезно для автономных транспортных средств, дронов и других приложений, требующих точной навигации.
Этот недорогой интегрированный алгоритм навигации GNSS/IMU использует алгоритм адаптивного расширенного фильтра Калмана (EKF), основанный на машинном обучении, который регулирует дисперсию шума за счет вероятности скрытых состояний.
Комбинация GNSS и IMU может предоставить более точную информацию о местоположении и навигации.GNSS обычно используется для предоставления информации об абсолютном положении, в то время как IMU может предоставлять информацию о движении устройства, включая угловую и линейную скорость.Эта информация может помочь алгоритмам более точно оценить ориентацию и положение устройств.
В этом алгоритме, используя методы машинного обучения, модель можно обучить адаптивной настройке дисперсии шума.Это означает, что модель может динамически корректировать параметры шума на основе изменений входных данных (таких как состояние вибрации, состояние дорог, состояние спутниковых помех и т. д.), тем самым улучшая точность навигации алгоритма.
Этот метод требует сначала обучения модели для идентификации различных состояний и создания базы данных дисперсии шума для каждого состояния.В реальном процессе навигации алгоритм будет адаптивно корректировать отклонение шума на основе текущего состояния и данных в базе данных.
В целом, этот недорогой интегрированный навигационный алгоритм GNSS/IMU может предоставлять более точную и стабильную навигационную информацию в различных навигационных средах благодаря использованию технологии машинного обучения.Это очень полезно для автономных транспортных средств, дронов и других приложений, требующих точной навигации.
