High Resolution GNSS Delay Estimation for Vehicular Navigation Utilizing a Doppler Combining Technique
Notice bibliographique
Résumé
Multipath propagation can cause significant impairments to the performance of Global Navigation Satellite System (GNSS) receivers and is often the dominant source of accuracy degradation for high precision GNSS applications. Commonly used time-of-arrival estimation techniques cannot provide the required estimation accuracy in severely dense multipath environments such as urban canyons. Multipath components are highly correlated and this results in a rank deficiency of the signal autocorrelation matrix. In this paper the Doppler spectrum broadening of the fast fading channel resulting from the motion of the receiver or surrounding objects is employed to decorrelate signal reflections for the purpose of high-resolution estimation of multipath delays through the subspace-based Multiple Signal Classification (MUSIC) technique. Specifically, delay-domain correlator outputs at different Doppler frequencies are combined to enhance the rank of the signal autocorrelation matrix. Simulation and results of real data collected in an urban environment (downtown Calgary) are presented to compare the performance of the proposed method with the spatial-temporal-diversity-based MUSIC technique and a widely available algorithm in commercial GNSS receivers, namely the double-delta correlator technique. The performance metrics are based upon pseudorange and positioning errors, which are derived using an accurate reference trajectory established using a high precision GNSS-INS integrated system.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».