Performance of Network RTK Using Fixed and Float Ambiguities
Notice bibliographique
Résumé
Real time kinematic differential GPS positioning (RTK) at the cm–level is generally carried out using real time data from only one reference receiver. Current research activities have shown, however, that the performance of RTK positioning can be improved considerably over longer baselines if differential phase corrections are generated based on a network of reference stations. These analyses show positioning accuracies better than 10 cm. This level of accuracy has been obtained only when L1 phase ambiguities for the baselines between the stations in the reference network have been solved to fixed integer values. This paper focuses on the use of float ambiguities for the reference station vectors in the network. Float ambiguities are being investigated since it can be difficult to resolve the integer ambiguities efficiently and reliably in real time over a network with baseline lengths of typically 40 to 200 km. Based on GPS data from a number of reference stations the ambiguities for the baselines in the reference network are determined as both fixed and float values. Data from the reference stations are used along with either the fixed or float ambiguities to generate phase corrections by utilising a new method developed at the University of Calgary. Positioning of a user receiver is carried out employing the corrected phase data and conventional GPS positioning software. Various scenarios are evaluated whereby the ambiguities are solved to either fixed or float numbers, and using both single and dual frequency GPS data. The results are analysed emphasising on the positioning accuracy, and it is concluded that the accuracy over 24 hours is of about the same level if using fixed or float ambiguities. Finally the method is evaluated for eventual real time use.
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 ».