Robust Kalman Filter Aided GEO/IGSO/GPS Raw-PPP/INS Tight Integration
Notice bibliographique
Résumé
Reliable and continuous navigation solutions are essential for high-accuracy location-based services. Currently, the real-time kinematic (RTK) based Global Positioning System (GPS) is widely utilized to satisfy such requirements. However, RTK's accuracy and continuity are limited by the insufficient number of the visible satellites and the increasing length of base-lines between reference-stations and rovers. Recently, benefiting from the development of precise point positioning (PPP) and BeiDou satellite navigation systems (BDS), the issues existing in GPS RTK can be mitigated by using GPS and BDS together. However, the visible satellite number of GPS + BDS may decrease in dynamic environments. Therefore, the inertial navigation system (INS) is adopted to bridge GPS + BDS PPP solutions during signal outage periods. Meanwhile, because the quality of BDS geosynchronous Earth orbit (GEO) satellites is much lower than that of inclined geo-synchronous orbit (IGSO) satellites, the predicted observation residual based robust extended Kalman filter (R-EKF) is adopted to adjust the weight of GEO and IGSO data. In this paper, the mathematical model of the R-EKF aided GEO/IGSO/GPS PPP/INS tight integration, which uses the raw observations of GPS + BDS, is presented. Then, the influences of GEO, IGSO, INS, and R-EKF on PPP are evaluated by processing land-borne vehicle data. Results indicate that (1) both GEO and IGSO can provide accuracy improvement on GPS PPP; however, the contribution of IGSO is much more visible than that of GEO; (2) PPP's accuracy and stability can be further improved by using INS; (3) the R-EKF is helpful to adjust the weight of GEO and IGSO in the GEO/IGSO/GPS PPP/INS tight integration and provide significantly higher positioning accuracy.
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 | 0,002 |
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 ».