| عنوان مقاله به انگلیسی | A-KIT: Adaptive Kalman-Informed Transformer |
| عنوان مقاله به فارسی | A-KIT: ترانسفورماتور آگاه به کالمن تطبیقی |
| نویسندگان | Nadav Cohen, Itzik Klein |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | The extended Kalman filter (EKF) is a widely adopted method for sensor fusion in navigation applications. A crucial aspect of the EKF is the online determination of the process noise covariance matrix reflecting the model uncertainty. While common EKF implementation assumes a constant process noise, in real-world scenarios, the process noise varies, leading to inaccuracies in the estimated state and potentially causing the filter to diverge. To cope with such situations, model-based adaptive EKF methods were proposed and demonstrated performance improvements, highlighting the need for a robust adaptive approach. In this paper, we derive and introduce A-KIT, an adaptive Kalman-informed transformer to learn the varying process noise covariance online. The A-KIT framework is applicable to any type of sensor fusion. Here, we present our approach to nonlinear sensor fusion based on an inertial navigation system and Doppler velocity log. By employing real recorded data from an autonomous underwater vehicle, we show that A-KIT outperforms the conventional EKF by more than 49.5% and model-based adaptive EKF by an average of 35.4% in terms of position accuracy. |
| تعداد صفحات | 13 |
| چکیده به فارسی (ترجمه ماشینی) | فیلتر کلمن گسترده (EKF) روشی گسترده برای همجوشی سنسور در برنامه های ناوبری است.یک جنبه مهم EKF تعیین آنلاین ماتریس کواریانس نویز فرآیند است که منعکس کننده عدم اطمینان مدل است.در حالی که اجرای EKF مشترک یک سر و صدای فرآیند ثابت را فرض می کند ، در سناریوهای دنیای واقعی ، نویز فرآیند متفاوت است و منجر به عدم دقت در حالت تخمین زده شده و به طور بالقوه باعث می شود که فیلتر از بین برود.برای مقابله با چنین شرایطی ، روشهای EKF تطبیقی مبتنی بر مدل پیشنهاد شده و بهبود عملکرد را نشان داده و نیاز به یک رویکرد تطبیقی قوی را برجسته می کند.در این مقاله ، ما A-KIT را به دست می آوریم ، یک ترانسفورماتور آگاه با کالمن تطبیقی برای یادگیری کواریانس نویز فرآیند متفاوت به صورت آنلاین.چارچوب A-KIT برای هر نوع همجوشی سنسور کاربرد دارد.در اینجا ، ما رویکرد خود را به همجوشی سنسور غیرخطی بر اساس یک سیستم ناوبری اینرسی و ورود به سیستم سرعت داپلر ارائه می دهیم.با استفاده از داده های ضبط شده واقعی از یک وسیله نقلیه زیر آب خودمختار ، ما نشان می دهیم که A-KIT از EKF معمولی بیش از 49.5 ٪ و EKF تطبیقی مبتنی بر مدل به طور متوسط 35.4 ٪ از نظر دقت موقعیت استفاده می کند. |
| دسته بندی موضوعات | Robotics,Artificial Intelligence,Systems and Control,روباتیک ، هوش مصنوعی ، سیستم ها و کنترل ، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|