Integration of Multi-Constellation GNSS Precise Point Positioning and MEMS-Based Inertial Systems Using Tightly Coupled Mechanization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We develop a new integrated navigation system, which integrates multi-constellations GNSS precise point positioning (PPP), including GPS, GLONASS and Galileo, with low-cost micro-electro-mechanical sensor (MEMS) inertial system, for precise positioning applications. To integrate GNSS and the MEMS-based inertial system, the process and measurement models are developed. Tightly coupled mechanism is adopted, which is carried out in the GNSS raw measurements domain. Both un-differenced and between-satellite single-difference (BSSD) ionosphere-free linear combinations of pseudorange and carrier phase GNSS measurements are processed. Rigorous models are employed to correct GNSS errors and biases. The GNSS inter-system biases are considered as additional unknowns in the integrated error state vector. The developed stochastic model for inertial sensors errors and biases are defined based on first order Gaussian Markov process. Extended Kalman filter is developed to integrate GNSS and inertial measurements and estimate inertial measurements biases and errors. Two field experiments are executed, which represent different real-world scenarios in land-based navigation. The data are processed by using our developed Ryerson PPP GNSS/MEMS software. The results indicate that the proposed integrated system achieves decimeter to centimeter level positioning accuracy when the measurement updates from GNSS are available. During complete GNSS outages the developed integrated system continues to achieve decimeter level accuracy for up to 30 seconds while it achieves meter-level accuracy when a 60-second outage is introduced.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle