Land-Vehicle INS/GPS Accurate Positioning during GPS Signal Blockage Periods
Notice bibliographique
Résumé
In the last decade, the demand for accurate land-vehicle navigation (LVN) in several applications has grown rapidly. In this context, the idea of integrating multisensor navigation systems was implemented. For LVN, the most efficient multisensor configuration is the system integrating an inertial navigation system (INS) and a global positioning system (GPS), where the GPS is used for providing position and velocity and the INS for providing orientation. The optimal estimation of the system errors is performed through a Kalman filter (KF). Unfortunately, a major problem occurs in all INS/GPS LVN applications that is caused by the frequent GPS signal blockages. In these cases, navigation is provided by the INS until satellite signals are reacquired. During such periods, navigation errors increase rapidly with time due to the time-dependent INS error behavior. For accurate positioning in these cases, some approaches, known as bridging algorithms, should be used to estimate improved navigation information. In this paper, the main objective is to improve the accuracy of the obtained navigation parameters during periods of GPS signal outages using different bridging methods. As a first step, three different KF approaches will be used, including the linearized, extended, and unscented KF algorithms for the INS/GPS integration. Two land-vehicle kinematic data sets with different-quality INSs are used with several induced GPS outages, and then two bridging approaches are implemented. The first method is to apply different backward smoothing algorithms postmission that are associated with the different used KF approaches. The second bridging method is a near real-time approach based on developing an INS error model to be applied only during GPS signal blockages. After applying each bridging method, the results showed remarkable improvement of position errors regardless of the KF used.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».