Improved kinematic Precise Point Positioning performance with the use of map constraints
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 A positioning approach combining satellite measurements with a map representing the ground-truth trajectory is developed with the main objective of improving the availability of solutions for a mobile vehicle. For the positioning model, the Precise Point Positioning (PPP) technique is augmented with an alternative map-matching to find a probable space where the true vehicle or platform position is located. Then, by using a selection criterion based on the precise carrier phase residuals, the best candidate position within the space can be determined. This process provides an accurate initial position to the PPP filter, different from the standard PPP approach that relies on a point position using the less accurate pseudorange observables. A controlled experiment of a mobile receiver navigating over a pre-defined trajectory was conducted. The results show that the approach offers an instantaneous initial convergence, eliminating the re-convergences during two GNSS obstructions of 32 and 17 seconds, while constantly keeping the solution on the correct trajectory, even when tracking 3 to 2 satellites. This approach outperforms the standard PPP and RTK solutions in terms of convergences and re-convergences. These results are corroborated when comparing the average and standard deviation of residuals to the standard PPP model. For the pseudorange residuals, improvements of 17.5 cm and 24.3 cm in the average and standard deviation respectively were achieved. The carrier phase residuals standard deviation of the proposed approach was 3 cm better than that of the standard PPP.
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 | 0,000 |
| 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 | 0,000 |
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