XiaoMi-AI文件搜索系统
World File Search SystemEKF
无人驾驶飞行器的实验验证以调整...
Pedro L. Jimenez*、Jorge A. Silva** 和 Juan S. Hernandez*** *副教授 Universidad de San Buenaventura，Cr 8H N° 172 - 20 波哥大 - 哥伦比亚 **研究助理 Universidad de San Buenaventura，Cr 8H N° 172 - 20 波哥大 - 哥伦比亚 ***研究助理 Universidad de San Buenaventura，Cr 8H N° 172 - 20 波哥大 - 哥伦比亚 摘要 本文介绍了用于短程和固定翼无人机的开源和低成本自动驾驶仪的实验验证，以确定使用扩展卡尔曼滤波器 (EKF) 和总能量控制系统 (TECS) 进行姿态、速度和高度调整的模型飞机的 PID 控制器的标准调整方法。第一步是分析在实验飞行和硬件在环 (HIL) 仿真接口中获得的数据，然后将遥测数据与模型飞机飞行动力学进行比较，以验证自动飞行控制。最后，实现 PID 控制器的自动调谐，以在未来无人驾驶飞行器的发展中建立新方法。
LEO卫星轨道轨道通过闭环机器学习，并应用于机会性导航
摘要 - 提出了通过闭环机器学习的低地球轨道（LEO）卫星轨道预测的框架。通过改进地面车辆的导航，与使用简化的一般扰动4（SGP4）Orbit Orbit Expagator相比，使用“非合作” LEO卫星信号来证明该框架的功效，并通过“非合作” LEO卫星信号导航。该框架称为LEO-NNPON（具有机会性导航的NN预测），假定以下三个阶段。（i）LEO卫星第一通过（跟踪）：具有其位置提取物测量值的陆地接收器（伪造，载波相位和/或多普勒）从接收到的Leo卫星的信号中，使其能够估算到达的时间。LEO卫星的状态用SGP4传播的两行元素（TLE）数据初始化，随后在卫星可见性期间通过扩展的Kalman滤波器（EKF）估算。（ii）未观察的LEO卫星（预测）：在估计的ephemerides上对具有外源输入（NARX）NN的非线性自回归进行了训练，并用于传播Leo卫星的轨道，以期在此期间不观察卫星。（iii）LEO卫星第二通道（导航）：配备LEO接收器的地面导航器（例如，车辆），从Leo卫星的下链路信号中提取导航可观察到可观察到的可观察到的可观察到的可观察到的导航器。这些导航可观察物用于以紧密耦合的方式（例如，通过EKF）以紧密耦合的方式帮助导航器安装的惯性测量单元（IMU）。LEO卫星状态是从NN预测的胚层获得的。提出了装有工业级IMU导航4.05 km的地面车辆的实验结果，并提供了来自两个Orbcomm卫星的信号。比较了三个车辆导航框架，所有车辆导航框架都用全球导航卫星系统（GNSS） - 惯性导航系统（INS）位置和速度解决方案进行初始化。 （ii）使用SGP4传播的Leo Esphemerides的Leo-Aided Ins； （iii）与狮子座的狮子座。独立的三维（3-D）位置根平方（RMSE）为1,865 m，而SGP4的Leo Aided INS为175.5 m。 Leo-Nnpon的Leo Aided Ins为18.3 m，证明了拟议框架的功效。
智能车辆定位的自适应多传感器融合
I。i ntelligent i ntelligent载体（IV）是行业和学术界的热门话题[1]，而本地化是IV的关键组成部分，可提供对其状态的强大和准确估计[2] - [4]。IV配备了许多传感器，例如GPS，惯性测量单元（IMU），光检测和范围（LIDAR）和相机。IMU给出了IV状态的连续性解决方案，其陀螺仪遭受了时间变化的偏见和不确定的声音，以及IMU的位置和方向估计的准确性随着时间的推移而恶化。在[5]中，提出了一个结合深神经网络的Kalman滤波器（KF），以估算死亡折线的噪声参数。在[6]中，使用仅具有IMU数据的神经网络获得了位移分布的先验。然后，将先验信息与扩展的KF（EKF）集成以估算状态。此外，传感器融合用于在文献中提供更准确的结果[7]，[8]。许多GPS/IMU系统已开发用于IV定位。全球位置和速度由GPS提供，同时，从IMU估算了局部位置，方向和速度。GPS/IMU系统可以在许多情况下提供强大的本地化解决方案。但是，GPS在
Ellipse AHRS 和 INS 用户手册 - Northwind
ADC：模数转换器 AHRS：姿态航向参考系统 CAN（总线）：控制器局域网 DHCP：动态主机配置协议 DVL：多普勒速度计 EKF：扩展卡尔曼滤波器 EEPROM：电可擦可编程只读存储器 FIR：有限脉冲响应（滤波器） FTP：文件传输协议 FS：全量程 FOG：光纤陀螺仪 GNSS：全球导航卫星系统 GPS：全球定位系统 IIR：无限脉冲响应（滤波器） IMU：惯性测量单元 INS：惯性导航系统 IP：互联网协议 LBL：长基线 MAC（地址）：媒体访问控制 MEMS：微机电系统 NED：东北向下（坐标框架） NA：不适用 NMEA（NMEA 0183）：国家海洋电子协会（标准化通信协议） PPS：每秒脉冲（信号） RAM：随机存取存储器 RMA：返回商品授权 RMS：均方根 RTCM：海事无线电技术委员会（协议） RTK：实时运动学 SI：国际单位制 TBD：待定义 TCP：传输控制协议 UDP：用户数据报协议 UTC：协调世界时 USBL：超短基线 VRE：振动校正误差 WGS84：世界大地测量系统 1984 WMM：世界磁模型
AI辅助重新配置电池组，用于延长驱动运行时
电荷状态（SOC）细胞平衡是电池管理系统（BMS）最重要的作用之一。电池组的性能和寿命可以通过SOC中存在不平衡而显着降低和降低。最近，我们已经表明，基于可控开关网络的机器学习驱动的电池组重新配置技术，可以定期更改电池组拓扑，以有效地实现更好的单元SOC均衡。结果，通过更好平衡的电池组实现的驾驶运行时会增加。在本文中，我们以这些有希望的结果为基础，并研究用于预测重新配置期间最佳电池组拓扑的新型机器学习模型。此外，为了研究提出的电池重新配置技术的可伸缩性，我们对电池组进行了研究，其细胞数量是两倍。为了进行验证，我们开发了一个内部自定义电池组仿真工具，该工具集成了最先进的电池电池模型和扩展的Kalman滤波（EKF）算法，以进行SOC状态估计。使用几个电池放电工作负载的仿真结果表明，与以前的工作相比，机器学习算法可以实现更好的预测准确性，从而导致更好的电池平衡，从而使电池运行时长达22.4％。
椭圆 AHRS 和 INS 用户手册 - 北
ADC：模数转换器 AHRS：姿态航向参考系统 CAN（总线）：控制器局域网 DHCP：动态主机配置协议 DVL：多普勒速度计 EKF：扩展卡尔曼滤波器 EEPROM：电可擦可编程只读存储器 FIR：有限脉冲响应（滤波器） FTP：文件传输协议 FS：全量程 FOG：光纤陀螺仪 GNSS：全球导航卫星系统 GPS：全球定位系统 IIR：无限脉冲响应（滤波器） IMU：惯性测量单元 INS：惯性导航系统 IP：互联网协议 LBL：长基线 MAC（地址）：媒体访问控制 MEMS：微机电系统 NED：东北向下（坐标框架） NA：不适用 NMEA（NMEA 0183）：国家海洋电子协会（标准化通信协议） PPS：每秒脉冲（信号） RAM：随机存取存储器 RMA：返回商品授权 RMS：均方根 RTCM：海事无线电技术委员会（协议） RTK：实时运动学 SI：国际单位制 TBD：待定义 TCP：传输控制协议 UDP：用户数据报协议 UTC：协调世界时 USBL：超短基线 VRE：振动校正误差 WGS84：世界大地测量系统 1984 WMM：世界磁模型
融合算法启用的电动汽车电池的电荷估计，考虑到极端温度
使用扩展的Kalman滤波器（EKF）来估计锂离子电池（LIBS）的电荷状态（SOC），系统的噪声协方差矩阵和能量收集器的观察声音大多是随机给出的，这使得无法优化噪声问题。这会导致SOC估计的准确性和稳定性较低。为解决这些问题，提出了一种基于长期短期记忆 - 自适应的无知的卡尔曼滤波器（LSTM – AUKF）融合的方法来提高估计Libs Soc的准确性和稳定性。首先，从混合脉冲功率表征（HPPC）实验数据中鉴定出Thevenin模型的离线参数。然后，为电源LIB构建了SOC估计窗口的LSTM结构，并且电池SOC训练网络是通过电池电流，电压，温度和历史数据实时预测的。最后，设计了估计权力液体SOC的AUKF算法，然后提出了融合策略。实验验证表明，用于估计研究窗口中LSTM -AUKF混合动力锂电池的均方根平方误差（RMSE），最大（最大）和平均绝对误差（MAE）分别为1.13、1.74和0.39％。与窗口LSTM网络相比，融合算法提高了SOC估计功率LIB的准确性和稳定性。
一种新型的Lidar-Gnss-Ins两相紧密耦合的集成方案，用于精确导航
摘要在精确导航方面的最新进展已广泛利用全球导航卫星系统（GNSS）和惯性导航系统（INS）的集成，尤其是在智能车辆的领域。然而，这种导航系统的功效被非光（NLOS）信号的反射和多径中断所损害。基于积极的感知传感器以其精确的3D测量而闻名的基于主动感知的传感器的光检测和范围（LIDAR）的探测器在增强导航系统方面已经变得越来越普遍。尽管如此，与GNSS/INS系统的激光雷达进气量同化列出了重大挑战。应对这些挑战，这项研究引入了两相传感器融合（TPSF）方法，该方法通过双阶段传感器融合过程协同结合了GNSS定位，激光镜和IMU预融合。初始阶段采用扩展的Kalman滤波器（EKF）与IMU机械化合并GNSS解决方案，从而促进了IMU偏见和系统初始化的估计。随后，第二阶段将扫描到映射激光雷达的进程与IMU机械化相结合，以支持连续的LiDAR因子估计。然后将因子图优化（FGO）用于liDar因子，IMU预融合和GNSS解决方案的全面融合。通过对城市化开源数据集的苛刻轨迹进行严格的测试来证实所提出的方法的功效，与最先进的算法相比，该系统表明性能的增强，可实现1.269米的翻译标准偏差（STD）。
一种稳健且模块化的多传感器融合方法应用...
摘要 — 人们早已知道，融合来自多个传感器的信息用于机器人导航可以提高稳健性和准确性。然而，在现场部署之前对传感器组合进行精确校准以及应对传感器中断、不同的测量速率和延迟，使多传感器融合成为一项挑战。因此，大多数情况下，系统不会为了简单而利用所有可用的传感器信息。例如，在需要机器人从室内过渡到室外的任务中，通常会忽略一旦在室外就可以免费获得的全球定位系统 (GPS) 信号，而是仅依靠在整个任务期间持续可用的传感器馈送（例如，视觉和激光）。当然，这是以牺牲实际部署中的稳健性和准确性为代价的。本文提出了一个通用框架，称为多传感器融合扩展卡尔曼滤波器 (MSF-EKF)，能够处理来自理论上无限数量的不同传感器和传感器类型的延迟、相对和绝对测量，同时允许在线对传感器套件进行自我校准。MSF-EKF 的模块化允许在操作期间无缝处理额外/丢失的传感器信号，同时采用状态缓冲方案并增强迭代 EKF (IEKF) 更新，以允许有效地重新线性化预测，以接近绝对和相对状态更新的最佳线性化点。我们使用配备 GPS 接收器以及视觉、惯性和压力传感器的微型飞行器 (MAV) 在户外导航实验中展示了我们的方法。
PNT 愿景 2035 - Navisp
A2AD 反介入区域拒止 AAM 先进空中机动 ADAS 自动驾驶辅助系统 ADC 模数转换器 A-GNSS 辅助 GNSS AoA 到达角 AI 人工智能 AR 增强现实 CAS 商业认证服务 COTS 商用现货 CSAC 芯片级原子钟 D2D 设备到设备 DL-AoD 下行链路出发角 DL-TDOA 下行链路到达时间差 DME 测距设备 EASA 欧盟航空安全局 EDA 欧洲防务局 EKF 扩展卡尔曼滤波器 E-LORAN 增强型远程导航 EU 欧洲联盟 EUSPA 欧盟太空计划署 GEO 地球静止轨道 GDP 国内生产总值 GNSS 全球导航卫星系统 HAS 高精度服务 ICD 接口控制文件 IoT 物联网 IF 中频 INS 惯性导航系统 KF 卡尔曼滤波器 LANS 月球增强导航服务 LEO 低地球轨道 LCRNS 月球通信中继和导航系统 LITS 线性离子阱 LNA 低噪声放大器 LNSS 月球导航卫星系统 LORAN 远程导航 MAAS 海上自主表面 MCS 主控站 MEMS 微机电系统 MEO 中地球轨道多 RTT 多往返时间行程 NAVAC 导航创新支持计划咨询委员会 NLoS 非视距 OSNMA 开放服务 - 导航消息认证 PKF 粒子滤波器 PNT 定位导航和授时 PPP 精密单点定位 PRS 公共监管服务 PTF 精密授时设施 QKD 量子密钥分发 QoS 服务质量 QZSS 准天顶卫星系统 RAIM 接收器自主完整性监测 RF 射频