Integration of Multi-Constellation GNSS Precise Point Positioning and MEMS-Based Inertial Systems Using Tightly Coupled Mechanization
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.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».