An Enhanced Multi-GNSS Navigation Algorithm by Utilising <i>a Priori</i> Inter-System Biases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The integration of multi-constellation Global Navigation Satellite System (GNSS) measurements can effectively improve the accuracy and reliability of navigation and positioning solutions, while the Inter-System Bias (ISB) is a key issue for compatibility. The ISB is traditionally estimated as an unknown parameter along with three-dimensional position coordinates and a receiver clock offset with respect to Global Positioning System (GPS) time. ISB estimation of this sort will sacrifice a satellite observation for each integrated GNSS system. These sacrificed observations could be vital in situations of limited satellite visibility. In this study, an enhanced multi-GNSS navigation algorithm is developed to avoid sacrificing observations under poor visibility conditions. The main idea of this algorithm is to employ a moving average filter to smooth the ISBs estimated at previous epochs. The filtered value is utilised as a priori information at the current epoch. Experimental tests were conducted to evaluate the enhanced algorithm under open and blocked sky conditions. The results show that the enhanced algorithm effectively improves the accuracy and availability of navigation solutions under the blocked sky condition, with performance being comparable to traditional ISB estimation algorithms in open sky conditions. The improvement rates of the three-dimensional position accuracy and availability reach up to 63% and 21% in the blocked sky environment. Even in the case of only four different GNSS satellites, a position solution can still be obtained using the enhanced algorithm.
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.
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 | 0,001 |
| 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 découle