Radio propagation models for differential GNSS based on dense point clouds
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 Accurate geolocation of mobile equipment operating in outdoor environments is an increasingly important question in robotics and automation. Modern geolocation systems, however, rely on the crucial ability for a mobile device to receive specific radio signals at all times. As such geolocation systems are increasingly deployed in harsh or difficult environments, for example, in the presence of tall buildings or dense forest, it becomes critical to predict how the environment will impact the propagation of these radio signals. To this effect, we present a new signal propagation model that can determine what areas would be favorable for global navigation satellite system (GNSS) positioning, based on a prior three‐dimensional (3D) point cloud map of the environment. Our model can predict both the number of usable satellites for a GNSS receiver and the strength of the reference radio signal used in the differential GNSS scenario. Contrary to others, it takes into account both signal occlusion and absorption mechanisms, given the geometry and density of the point cloud map. We designed two rugged mobile data‐collecting platforms, both to generate the 3D maps of the environment, as well as to gather various ground truth for GNSS satellite and local radio signals. Environments used for our field deployments included a boreal forest, a subarctic forest and diverse industrial areas. Experimental results indicate that our model performs well in both structured and unstructured environments, with median errors of 1.10 for the predicted number of satellites and for the strength of the differential GNSS correction signals.
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