An SVM Based Weight Scheme for Improving Kinematic GNSS Positioning Accuracy with Low-Cost GNSS Receiver in Urban Environments
Notice bibliographique
Résumé
High-precision positioning with low-cost global navigation satellite systems (GNSS) in urban environments remains a significant challenge due to the significant multipath effects, non-line-of-sight (NLOS) errors, as well as poor satellite visibility and geometry. A GNSS system is typically implemented with a least-square (LS) or a Kalman-filter (KF) estimator, and a proper weight scheme is vital for achieving reliable navigation solutions. The traditional weight schemes are based on the signal-in-space ranging errors (SISRE), elevation and C/N0 values, which would be less effective in urban environments since the observation quality cannot be fully manifested by those values. In this paper, we propose a new multi-feature support vector machine (SVM) signal classifier-based weight scheme for GNSS measurements to improve the kinematic GNSS positioning accuracy in urban environments. The proposed new weight scheme is based on the identification of important features in GNSS data in urban environments and intelligent classification of line-of-sight (LOS) and NLOS signals. To validate the performance of the newly proposed weight scheme, we have implemented it into a real-time single-frequency precise point positioning (SFPPP) system. The dynamic vehicle-based tests with a low-cost single-frequency u-blox M8T GNSS receiver demonstrate that the positioning accuracy using the new weight scheme outperforms the traditional C/N0 based weight model by 65.4% and 85.0% in the horizontal and up direction, and most position error spikes at overcrossing and short tunnels can be eliminated by the new weight scheme compared to the traditional method. It also surpasses the built-in satellite-based augmentation systems (SBAS) solutions of the u-blox M8T and is even better than the built-in real-time-kinematic (RTK) solutions of multi-frequency receivers like the u-blox F9P and Trimble BD982.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».