This paper proposes to use a newly-derived transformed inertial navigation system (INS) mechanization to fuse INS with other complimentary sensors. Through formulating the attitude, velocity and position as one group state of group of double direct spatial isometries, the transformed INS mechanization has proven to be group affine, which opens door to log-linearity and filtering consistency. In order to make use of the transformed INS mechanization in inertial based applications, both the right and left error state models are derived. The INS/GPS and INS/Odometer integration are investigated as two representatives of inertial based applications. Some application aspects of the derived error state models in the two applications are presented, which include how to select the error state model, initialization of the SE2(3) based error state covariance and feedback correction corresponding to the error state definitions. Land vehicle experiments are conducted to evaluate the performance of the derived error state models. It is shown that the most striking superiority of using the derived error state models is their ability to handle the large initial attitude misalignments, which is just the result of log-linearity property of the derived error state models. Therefore, the derived error state models can be used in the so-called attitude alignment for the two applications.


翻译:本文建议使用新产生的转换惯性导航系统(INS)机械化来将INS与其他辅助传感器结合。通过将姿态、速度和位置作为双直接空间异体组群的一组状态来形成,经过改造的INS机械化已被证明是组形的,从而打开了日志线性和过滤一致性的大门。为了在基于惯性的应用中使用经过改造的INS机械化,得出了中、左误差状态模型。IMS/GPS和INS/Odomel集成作为基于惯性的应用的两个代表进行调查。在两种应用中,通过将产生的误差状态模型的某些应用方面加以介绍,其中包括如何选择误差状态模型、基于SE2(3)的误差状态初始化和反馈校正与误差状态定义相对应的误差状态。为评价从出错误状态模型的性能最显著的优势是使用产生的误差状态模型,其处理大型初始姿态错位的优势是它们的能力,而惯性误差状态模型正是对正态性调整模型中产生的误差性,因此,因此,可以将产生的误差模型用于。

0
下载
关闭预览

相关内容

Integration:Integration, the VLSI Journal。 Explanation:集成,VLSI杂志。 Publisher:Elsevier。 SIT:http://dblp.uni-trier.de/db/journals/integration/
【Google】无监督机器翻译,Unsupervised Machine Translation
专知会员服务
35+阅读 · 2020年3月3日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
ViZDoom Competitions: Playing Doom from Pixels
Arxiv
5+阅读 · 2018年9月10日
Paraphrase Generation with Deep Reinforcement Learning
Arxiv
7+阅读 · 2018年1月21日
VIP会员
相关资讯
revelation of MONet
CreateAMind
5+阅读 · 2019年6月8日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员