XiaoMi-AI文件搜索系统
World File Search SystemKalman
使用图形卷积神经网络学习智能手机的GNSS定位校正
抽象的智能手机接收器包括大约15亿个全球赛车卫星系统接收器。智能手机接收器的信号水平较低，噪音较低，而噪声则比Commer CIAL接收器更高。由于对尺寸，重量，功耗和成本的限制，与这些接收器进行准确的定位尤其是在城市环境中，这是一项挑战。传统上，全球定位系统测量方法是通过基于模型的方法（例如加权最小二乘和卡尔曼过滤方法）处理的。基于模型的方法可以以后处理方式提供仪表级的定位精度，但这些方法需要对相应的噪声模型进行牢固的假设，并且需要对参数（例如协方差）进行手动调整。相比之下，已经提出了基于学习的方法，这些方法对数据结构做出了更少的假设，并且可以准确地对环境特定的错误进行建模。但是，这些方法比基于模型的方法提供了较低的精度，并且对初始化敏感。在本文中，我们提出了一个用于学习校正的混合框架，该框架对应于真实接收器姿势和估计位置之间的偏移。对于基于学习的方法，我们提出了一个图形卷积神经网络（GCNN），该神经网络可以学习具有多构造和多频信号的不同图形结构。为了更好地对GCNN进行初始化，我们使用Kalman滤波器来估计一个粗糙的接收器位置。然后，我们使用此粗糙接收器位置来调节输入特征到图。我们从Google智能手机分解挑战中测试了对现实世界数据集的建议方法，并比基于模型的方法（例如加权最小二乘和卡尔曼过滤器方法）显示出改进的定位性能。
维特比算法 - 巴黎矿业
P I HE 维特比算法 (VA) 于 1967 年被提出作为卷积码解码的方法。从那时起，它就被认为是解决各种数字估计问题的有效方法，就像卡尔曼滤波器被应用于各种模拟估计问题一样。与卡尔曼滤波器一样，VA 使用递归方法跟踪随机过程的状态，该方法在某种意义上是最优的，并且易于实现和分析。然而，底层过程被假定为有限状态马尔可夫而不是高斯，这导致了结构上的显著差异。本文主要旨在对 VA、其结构和分析进行教程介绍。它还旨在或多或少详尽地回顾截至本文撰写时（1972 年夏季）所有受该算法启发或与该算法相关的工作。我们相信该算法将在越来越多的领域得到应用。我们希望能够为本文的读者加速这一进程。
自动化 ASW 融合 - 国土安全数字图书馆
本论文研究了 ASW eFusion，这是一种反潜战 (ASW) 战术决策辅助 (TDA)，它利用卡尔曼滤波通过简化和自动化反潜战 (ASW) 值班行动中涉及的轨迹管理过程来提高战场意识。虽然这个程序目前可以帮助 ASW 指挥官管理不确定性并做出更好的战术决策，但它有几个局限性。美国第三舰队反潜战部队指挥官/特遣部队 THREE FOUR (CTF-34) 指挥官试图利用 ASW eFusion 的回放功能重新分析 ASW 任务，方法是将友军 (蓝方) 潜艇探测结果纳入其他 ASW 传感器生成的历史目标轨迹中。问题是，当操作员尝试插入时间延迟的观察数据时，该程序会出现几个系统定时问题。本论文将评估 ASW eFusion 处理延迟报告的问题能力、规定工作解决方案以及研究改进程序用户界面以供战术值班使用的方法。14. 主题术语卡尔曼滤波、反潜战、论文、融合
传感器融合中不同系统和数据源的跟踪和识别特性分析
传感器融合中不同系统和数据源的跟踪和识别特性分析 Dean A. Wilson—美国海军中尉 弗吉尼亚理工大学航空工程学士，1990 年 航空工程硕士 –2001 年 6 月 导师：Russell Duren，航空工程系 联合导师：Gary Hutchins，电气工程系 在指挥和控制任务中，‘传感器融合’等新技术旨在帮助减少操作员工作量并提高态势感知能力。本论文探讨了不同传感器和数据源的跟踪特性及其对融合战术图像的贡献。任何传感器融合算法的基本构建块都是与传感器平台上每个传感器相关的跟踪算法。为了支持这项研究，编写了 MATLAB 程序‘fusim’，为采购经理提供评估跟踪和传感器融合算法的工具。 fusim 程序为用户提供了选择以下传感器平台的灵活性：传感器平台、与该平台关联的最多四个传感器、目标类型、问题方向以及要与传感器一起使用的跟踪算法。fusim 程序用于比较多传感器/多目标环境中的跟踪算法。具体来说，概率数据关联滤波器、交互多模型滤波器、卡尔曼滤波器和恒定增益卡尔曼滤波器
三维中消除漂移的姿态和位置估计算法
融合它们的噪声数据，以便准确评估疾病。到目前为止，这是一个尚未解决的问题。通常，卡尔曼滤波器或其非线性、非高斯版本用于估计姿态 - 而这反过来对于位置估计至关重要。但是，所需的采样率和大状态向量使它们对于低成本可穿戴传感器的有限容量电池来说是不可接受的。
混合状态估计：将物理信息的神经网络与动态系统的自适应UKF整合
摘要：在本文中，我们通过将物理知识的神经网络（PINN）与自适应的无气味卡尔曼过滤器（UKF）相结合，提出了一种新型的动态系统估计方法。认识到传统状态估计方法的局限性，我们通过混合损失功能和蒙特卡洛辍学来完善Pinn结构，以增强不确定性估计。使用自适应噪声协方差机制增强了无味的卡尔曼滤波器，并将模型参数纳入状态矢量以提高适应性。我们通过将增强的PINN与UKF集成为无缝的状态预测管道，进一步验证了该混合动力框架，这表明准确性和鲁棒性有了显着提高。我们的实验结果表明，位置和速度跟踪的状态估计保真度明显增强，并通过贝叶斯推理和蒙特卡洛辍学的不确定性定量支持。我们进一步扩展了对双摆系统的模拟并进行了评估，并在四轮驱动器无人机上进行了状态估计。这种综合解决方案有望推进动态系统估计中的最新解决方案，从而在控制理论，机器学习和数值优化域中提供无与伦比的性能。
传感器融合不同系统和数据源的跟踪与识别特性分析
传感器融合中不同系统和数据源的跟踪和识别特性分析 Dean A. Wilson—美国海军中尉 弗吉尼亚理工大学航空工程学士，1990 年 航空工程硕士 –2001 年 6 月 导师：Russell Duren，航空工程系 联合导师：Gary Hutchins，电气工程系 在指挥和控制任务中，‘传感器融合’等新技术旨在帮助减少操作员工作量并提高态势感知能力。本论文探讨了不同传感器和数据源的跟踪特性及其对融合战术图像的贡献。任何传感器融合算法的基本构建块都是与传感器平台上每个传感器相关的跟踪算法。为了支持这项研究，编写了 MATLAB 程序‘fusim’，为采购经理提供评估跟踪和传感器融合算法的工具。 fusim 程序为用户提供了选择以下传感器平台的灵活性：传感器平台、与该平台关联的最多四个传感器、目标类型、问题方向以及要与传感器一起使用的跟踪算法。fusim 程序用于比较多传感器/多目标环境中的跟踪算法。具体来说，概率数据关联滤波器、交互多模型滤波器、卡尔曼滤波器和恒定增益卡尔曼滤波器
人类机器人：智能人类指导机器人
ix。参考文献[1] Huang，Y.，Wang，X.，Li，J。，＆Zhang，P。（2015年）。基于RSSI估计的基于BLE的人遵循机器人。*国际机器人与自动化杂志 *，32（4），405-414。[2] Sola，R.，Garcia，M。，＆Suarez，P。（2018）。使用超声波和红外传感器用于移动机器人的障碍物检测和避免。*传感器和执行器期刊 *，21（3），512-523。[3] Zhang，L。，Chen，T。，＆Liu，F。（2017）。PID控制算法用于人遵循的机器人：速度和距离调节的研究。*机器人控制系统杂志 *，10（2），225-232。[4] Patel，M.，Singh，R。和Kumar，A。（2016）。Kalman过滤技术，用于提高机器人跟踪中传感器数据的精度。 *IEEE关于仪器和测量的交易 *，65（9），2301-2310。 [5] Miller，J。，Adams，S。，＆White，H。（2017）。 状态机体系结构用于移动机器人中的动态行为控制。 *国际机器人研究杂志 *，36（7），789-797。 [6] Shao，Y.，Tan，R。和Li，Z。 （2019）。 当前的挑战和未来的指示在人遵循的机器人系统中。 *机器人技术和自治系统期刊 *，115，52-63。Kalman过滤技术，用于提高机器人跟踪中传感器数据的精度。*IEEE关于仪器和测量的交易 *，65（9），2301-2310。[5] Miller，J。，Adams，S。，＆White，H。（2017）。状态机体系结构用于移动机器人中的动态行为控制。*国际机器人研究杂志 *，36（7），789-797。[6] Shao，Y.，Tan，R。和Li，Z。（2019）。当前的挑战和未来的指示在人遵循的机器人系统中。*机器人技术和自治系统期刊 *，115，52-63。
参数自适应非模型的状态估计结合了注意机制和LSTM
如今，状态估计被广泛用于诸如自动驾驶和无人机导航之类的领域。但是，在实际应用中，很难获得准确的目标运动模型和噪声协方差。这导致传统卡尔曼过滤器的估计准确性降低。为了解决此问题，本文提出了一种基于注意参数学习模块的自适应模型免费状态估计方法。此方法将变形金刚的编码器与长期短期内存网络（LSTM）结合在一起，并通过offline学习测量数据获得了系统的操作特性，而无需对系统动力学和测量特性进行建模。此外，根据注意力学习模块的输出，期望最大化（EM）算法用于估计在线系统模型参数，并使用KalmanFureter来获得状态估计。使用GPS轨迹路径数据集验证了本文，实验结果表明，所提出的参数自适应模型自由状态估计方法的估计精度比其他模型具有更好的估计精度，从而提供了一种使用深度学习网络进行状态估计的有效方法。
衰老优化的收费控制多...
摘要：本文提出了一种方法，该方法可导致高度准确的电荷依赖性多阶段恒定电流（MCC）充电算法用于电动自行车电池，以减少充电时间，而不会通过避免使用Li-Plpling来加速老化。首先，通过三电极测量值对当前速率，最新电荷和Li-Plating之间的关系进行了实验分析。因此，提出了一种依赖社会的充电算法。其次，在MATLAB/SIMULINK中开发了基于扩展的Kalman滤波器的SOC估计算法，以进行高精度SOC估计并精确控制充电算法。实验的结果表明，SOC估计的均方根误差（RMSE）为1.08％，并且从0％到80％SOC的充电时间降低了30％。