MétaCan
Menu
Retour à la cohorte
Enregistrement W2942622708 · doi:10.3390/rs11091026

Research on Time-Correlated Errors Using Allan Variance in a Kalman Filter Applicable to Vector-Tracking-Based GNSS Software-Defined Receiver for Autonomous Ground Vehicle Navigation

2019· article· en· W2942622708 sur OpenAlexaff
Yiran Luo, Jian Li, Chunyang Yu, Bing Xu, You Li, Li‐Ta Hsu, Naser El‐Sheimy

Notice bibliographique

RevueRemote Sensing · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueGNSS positioning and interference
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésGNSS applicationsComputer scienceAllan varianceKalman filterSatellite navigationReal-time computingSatellite systemGlobal Positioning SystemArtificial intelligenceStandard deviationTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

The global navigation satellite system (GNSS) has been applied to many areas, e.g., the autonomous ground vehicle, unmanned aerial vehicle (UAV), precision agriculture, smart city, and the GNSS-reflectometry (GNSS-R), being of considerable significance over the past few decades. Unfortunately, the GNSS signal performance has the high risk of being reduced by the environmental interference. The vector tracking (VT) technique is promising to enhance the robustness in high dynamics as well as improve the sensitivity against the weak environment of the GNSS receiver. However, the time-correlated error coupled in the receiver clock estimations in terms of the VT loop can decrease the accuracy of the navigation solution. There are few works present dealing with this issue. In this work, the Allan variance is accordingly exploited to specify a model which is expected to account for this type of error based on the 1st-order Gauss-Markov (GM) process. Then, it is used for proposing an enhanced Kalman filter (KF) by which this error can be suppressed. Furthermore, the proposed system model makes use of the innovation sequence so that the process covariance matrix can be adaptively adjusted and updated. The field tests demonstrate the performance of the proposed adaptive vector-tracking time-correlated error suppressed Kalman filter (A-VTTCES-KF). When compared with the results produced by the ordinary adaptive KF algorithm in terms of the VT loop, the real-time kinematic (RTK) positioning and code-based differential global positioning system (DGPS) positioning accuracies have been improved by 14.17% and 9.73%, respectively. On the other hand, the RTK positioning performance has been increased by maximum 21.40% when compared with the results obtained from the commercial low-cost U-Blox receiver.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,200
Score d'incertitude au seuil0,927

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,293
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetGNSS positioning and interferenceTravaux en français237 207