Precise GNSS Attitude Determination Based on Antenna Array Processing
Notice bibliographique
Résumé
Global Navigation Satellite Systems (GNSS)-based attitude determination has been recognized as a significant field of study in numerous ground, marine and airborne applications. This paper investigates the feasibility of precise attitude determination using a GNSS receiver capable of antenna array processing. The ability to determine attitude parameters by employing only a single satellite signal distinguishes this approach from methods based on carrier phase measurements and ambiguity resolution. This is especially important in challenging environments where a limited number of satellites are available. Moreover, this approach has the advantage over other methods by employing an antenna array with short spacing between adjacent antennas (less than half a wavelength), especially where the structural dimension is an important concern such as in small unmanned aerial vehicles (UAV). Herein, a modified version of the recursive least squares (RLS) method is proposed to adaptively estimate each satellite’s steering vector and then the roll, pitch and heading angles of a moving vehicle. The proposed adaptive method is fast and computationally of low complexity and therefore it can properly operate in real time applications. The proposed method is applied to a set of real GPS L1 signals collected using a six-element antenna array to verify its effectiveness and assess its performance. A tactical-grade inertial navigation sensor (INS) is used as reference to evaluate the accuracy of heading estimates in a scenario where the array is mounted on a moving vehicle.
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 | 0,001 |
| 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 | 0,002 | 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 ».