A Portable Vehicular Navigation System Using High Sensitivity GPS Augmented with Inertial Sensors and Map-matching
Notice bibliographique
Résumé
<div class="htmlview paragraph">A Global Positioning System (GPS) technology development known as high sensitivity GPS (HSGPS) can significantly improve availability in challenging environments such as in urban canyons where standard GPS performance is extremely poor. However, this technology could produce higher measurement noise, multipath and cross-correlation errors resulting in position errors of hundreds of metres in such cases. The use of internal filtering with “heavy” constraints provides better results in some cases but may result in major biases and overshooting effects in other cases. This paper develops a portable vehicle navigation system by aiding a standalone HSGPS receiver with self-contained inertial sensors and map-matching. Since traditional GPS error estimation methods are shown to be invalid in urban canyon environments for HSGPS, nontraditional data fusion algorithms are needed for augmenting HSGPS with self-contained sensors (<span class="xref">MacGougan et al, 2002</span>). A unique map-matching technique is presented that uses both position and velocity measurements and works with a vehicle dynamics model. The model provides a means to assess the quality of HSGPS measurements and therefore an integration mechanism for inertial sensors. The integrated system was tested in a suburban area as well as in a downtown core with buildings of 10 to 50 stories and mask angles of up to 80 degrees. The system performance under severe GPS signal degradation and multipath conditions is presented.</div>
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) | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».