PERFORMANCE OF GNSS CARRIER-TRACKING LOOP BASED ON KALMAN FILTER IN A CHALLENGING ENVIRONMENT
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
Abstract. The global navigation satellite system (GNSS) recently plays an extremely important role in positioning, navigation, and timing (PNT) applications for the modernized automations and mechanizations, e.g., unmanned aerial vehicles (UAVs), unmanned ground vehicles (UGVs), military aircrafts, etc. Nevertheless, GNSS signals are very vulnerable to the influence of various interferences when they are received on Earth, and the reason why it happens is that the long line-of-sight (LOS) distance between the satellite and the receiver user dramatically reduces the power strength after the signal reaches at the ground. The weak GNSS signal is hard to be handled with traditional phase lock loop (PLL), especially in a dynamic environment. Again, the trade-off among the coherent integration time of tracking loop, received signal power strength, and signal or user receiver dynamics is still a tough and remained problem to be solved. The Kalman filter (KF) is always a promising tool to efficiently decrease the random noise for the tracking process. In our work, we evaluate the performances of the tracking loop modelled with both standard KF and extended Kalman filter (EKF). An adaptive algorithm for the covariance matrix of the process noise is contained in our system to increase the tracking ability in a weak and dynamic environment. Besides, a noise channel is also contained to automatically adjust the priori measurement covariance for the KF tracking loop model. Simulation results demonstrate the performance with the proposed technique.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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