Design of Efficient Point-Mass Filter with Terrain Aided Navigation Illustration
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43969674" target="_blank" >RIV/49777513:23520/23:43969674 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.23919/FUSION52260.2023.10224172" target="_blank" >https://doi.org/10.23919/FUSION52260.2023.10224172</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.23919/FUSION52260.2023.10224172" target="_blank" >10.23919/FUSION52260.2023.10224172</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Design of Efficient Point-Mass Filter with Terrain Aided Navigation Illustration
Popis výsledku v původním jazyce
This paper deals with state estimation of stochastic models with linear state dynamics, continuous or discrete in time. The emphasis is laid on a numerical solution to the state prediction by the time-update step of the grid-point-based point-mass filter (PMF), which is the most computationally demanding part of the PMF algorithm. A novel efficient PMF (ePMF) estimator, unifying continuous and discrete, approaches is proposed, designed, and discussed. By numerical illustrations, it is shown, that the proposed ePMF can lead to a time complexity reduction that exceeds 99.9% without compromising accuracy. The MATLAB® code of the ePMF is released with this paper.
Název v anglickém jazyce
Design of Efficient Point-Mass Filter with Terrain Aided Navigation Illustration
Popis výsledku anglicky
This paper deals with state estimation of stochastic models with linear state dynamics, continuous or discrete in time. The emphasis is laid on a numerical solution to the state prediction by the time-update step of the grid-point-based point-mass filter (PMF), which is the most computationally demanding part of the PMF algorithm. A novel efficient PMF (ePMF) estimator, unifying continuous and discrete, approaches is proposed, designed, and discussed. By numerical illustrations, it is shown, that the proposed ePMF can lead to a time complexity reduction that exceeds 99.9% without compromising accuracy. The MATLAB® code of the ePMF is released with this paper.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 2023 26th International Conference on Information Fusion, FUSION 2023
ISBN
979-8-89034-485-4
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
—
Název nakladatele
IEEE
Místo vydání
Charleston, SC, USA
Místo konání akce
Charleston, SC, USA
Datum konání akce
27. 6. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—