[人工智能] 论文阅读《Integrity Monitoring Techniques for Vision Navigation Systems》—

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 论文阅读《Integrity Monitoring Techniques for Vision Navigation Systems》——5结果 -> 正文阅读

[人工智能]论文阅读《Integrity Monitoring Techniques for Vision Navigation Systems》——5结果

5 结果

该算法通过了50次的蒙特卡罗实验进行了验证。每个实验总共有100个测量值和不同数量的故障。由图4.2可知，经过100次迭代测试， $\vec{P}$ 的和收敛到4.5。在收敛后，所有五个故障测量可以被隔离，没有任何假阳性与其它测量。应该注意的是，算法不需要运行到完全收敛来隔离故障，但可以在假设每个测量都包含在测试中的情况下，以更少的迭代来运行。然而，如果它没有收敛，隔离良好测量的可能性就会降低，但作为额外测试所需的计算时间的权衡，这是可以接受的。

随着故障测量值的增加， $\vec{P}$ 的总和增加，如图4.3和4.4所示， $\sum \vec{P}$ 收敛于8和10.8，分别为10和15个故障测量值。如果进行更多的实验， $\sum \vec{P}$ 的稳态值相对于图4.5中的故障测量的数量绘制出来，可以看到一个非线性关系。这种关系类似于通过测试的概率与故障测量的数量之间的关系，如图4.1所示。

在这里插入图片描述

图4.1 假设总共有100个测量值，在一个给定子集中有5个测量值，得到一个好的测量值子集的概率

如图4.6所示，当 $\sum \vec{P}$ 的稳态值相对于选择一个好的子集的概率绘制时，我们发现了一个线性关系。这种关系取决于测量的总数目 $N$ 和测试子集中的测量数目 $n$ ，但仍然是线性的。这提供了一个简单的工具来发现故障测量的数量。

在这里插入图片描述

图4.2 误差概率向量P的平均和与测试迭代，给定50次运行的蒙特卡罗实验，100个测量中有5个是故障的。

在这里插入图片描述

图4.3 概率误差向量P的平均和与测试迭代，给定50次运行的蒙特卡罗实验，100个测量中有10个是故障的。

在这里插入图片描述

图4.4 误差概率向量P的平均和与测试迭代，给定50次运行的蒙特卡罗实验，100个测量中有15个是故障的。

在这里插入图片描述

图4.5 误差概率向量P的稳态平均和与100个总测量值中故障测量的数目。

在这里插入图片描述

图4.6 误差概率向量P的稳态平均和与有100个测量值和不同数量的故障测量，得到一个好的数据子集的概率。

6 结论

本文的工作揭示了误差概率向量 $\sum \vec{P}$ 和选择一个好的测量子集的概率之间的线性关系。在给定测量值的数量和子集的大小以及其它变量的情况下，找到一个方便的线性关系方程将被研究。

总之，视觉系统已被证明是GPS导航的很好的替代品。然而，由于导航环境的变化，可用测量的数量和质量有所不同。这导致在任何情况下发生单故障和多故障的可能性很高。如果这些系统要获得航空应用认证，检测和排除这些故障的能力是必不可少的。本文提出了一种方法，该方法在发生多故障是提供更多的信息，允许确定故障的数量和识别故障。