Performance Analysis of MEMS-based RISS/PPP Integrated Positioning for Land Vehicles
Notice bibliographique
Résumé
Automated vehicles (AVs) have gained increasing interest over the past few years. A crucial feature of these vehicles is an accurate and robust positioning system. Global navigation satellite system (GNSS) precise point positioning (PPP) can achieve decimeter-level accuracy without the need for local reference stations. Nevertheless, the solution availability is affected by GNSS signal outages, which frequently occur in AVs driving scenarios. The integration with an inertial navigation system (INS) provides a continuous positioning solution; however, high-end inertial sensors are bulky and expensive. The recent improvements to the low-cost micro-electro-mechanical (MEMS) sensors opened the way to utilize these sensors in high-precision applications. The objective of this work is to investigate the performance of integrating dual-frequency PPP with low-cost MEMS sensors for land vehicles on highways and suburban areas. Furthermore, the Reduced Inertial Sensor System (RISS) is used instead of the traditional INS system. RISS uses two horizontal accelerometers and one vertical gyroscope in addition to the vehicle odometer, eliminating two gyroscopes and one accelerometer compared to the full IMU system. The lower number of sensors contributes to reducing the error growth over time and reducing the system cost and complexity. A road test was performed that included suburban areas and highway driving with multiple overpasses. The result showed that the developed PPP/RISS system was able to achieve decimeter-level rms positioning errors and a maximum of one meter horizontal positioning error.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».