Multipath mitigation of GNSS carrier phase signals for an on-board unit for mobility pricing
Notice bibliographique
Résumé
Inexpensive navigation-grade receivers are insufficiently accurate for the task of building a Global Navigation Satellite System [GNSS]-based parking meter for urban multipath conditions. Survey-grade instruments that demonstrate cm accuracy are inappropriate, and are two orders of magnitude too expensive, for this mass application. We identify three ways in which a digital signal processor added to a stationary, navigation-grade receiver can add considerable accuracy (in the range of 1-2 m, down from 5-10 m) for a parking meter. First, we apply a pseudo-multipath-based filter and a modified receiver autonomous integrity monitoring [RAIM]-derivative filter to the received carrier phase signals, allowing us to infer which signals are most affected by noise processes and to compute receiver position with the remaining signals for greater accuracy. Second, we take advantage of receiver stationarity to dwell on these signals for several minutes, allowing us to acquire a signal characterization metric that is more stable than might be possible with a non-stationary receiver. This is intended for non-repudiation. As a third step we will later experiment with ways to monitor the multipath behaviour of individual signals on approach to a parking event in a way that may allow us to more effectively weigh our initial signal selection criteria. Independent of these three opportunities, we also take advantage of dual GPS/Galileo receivers, a capability that we simulate in this experiment. Testing of the multipath mitigation filters described in this paper on two simulated GPS/Galileo datasets yielded reductions in the standard deviation of the position estimate that ranged from -4% to 61.6% (avg:34.4%) when compared to the control (unfiltered) position calculation.
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 | 0,000 |
| 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 ».