Use of High Sensitivity GNSS Receiver Doppler Measurements for Indoor Pedestrian Dead Reckoning
Notice bibliographique
Résumé
Dead-reckoning (DR) algorithms, which use self-contained inertial sensors combined with gait analysis, have proven to be effective for pedestrian navigation purposes. In such DR systems, the primary error is often due to accumulated heading drifts. By tightly integrating global navigation satellite system (GNSS) Doppler measurements with DR, such accumulated heading errors can usually be accurately compensated. Under weak signal conditions, high sensitivity GNSS (HSGNSS) receivers with block processing techniques are often used, however, the Doppler quality of such receivers is relatively poor due to multipath, fading and signal attenuation. This often limits the benefits of integrating HSGNSS Doppler with DR. This paper investigates the benefits of using Doppler measurements from a novel direct vector HSGNSS receiver with pedestrian dead-reckoning (PDR) for indoor navigation. An indoor signal and multipath model is introduced which explains how conventional HSGNSS Doppler measurements are affected by indoor multipath. Velocity and Doppler estimated by using direct vector receivers are introduced and discussed. Real experimental data is processed and analyzed to assess the veracity of proposed method. It is shown when integrating HSGNSS Doppler with PDR algorithm, the proposed direct vector method are more helpful than conventional block processing method for the indoor environments considered herein.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».