MétaCan
Menu
Retour à la cohorte
Enregistrement W3152885288 · doi:10.5194/egusphere-egu21-7825

Comparison and generalization of GNSS satellite attitude models

2021· article· en· W3152885288 sur OpenAlexaff
Sebastian Strasser, Simon Banville, Andreas Kvas, Sylvain Loyer, Torsten Mayer‐Gürr

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueInertial Sensor and Navigation
Établissements canadiensGeological Survey of CanadaNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésQuasi-Zenith Satellite SystemGNSS applicationsGLONASSSatelliteGeodesyOrbit (dynamics)Satellite systemGlobal Positioning SystemPrecise Point PositioningGalileo (satellite navigation)Satellite navigationConstellationComputer scienceGeographyPhysicsAerospace engineeringTelecommunicationsEngineeringAstronomy

Résumé

récupéré en direct d'OpenAlex

Global navigation satellite system (GNSS) constellations such as GPS, GLONASS, Galileo, and BeiDou and the Japanese regional system QZSS apply various satellite attitude modes during eclipse season, which is the period when the Sun is close to the orbital plane of the satellite. Due to different satellite manufacturers and technological advances over time, these modes can vary between constellations but also between different satellite types within a constellation. For some constellations, namely Galileo and QZSS, the satellite attitude law has been officially published by the satellite operator. For most other GNSS satellite types, researchers have developed attitude models, for example using reverse kinematic precise point positioning, that approximate the actual attitude behaviour. Outside of eclipse seasons, GNSS satellites generally apply either a nominal yaw-steering or an orbit normal attitude law. While both modes point the antennas towards Earth, the former yaws the satellite around the antenna axis to point the solar panels towards the Sun, while the latter always keeps a fixed yaw angle. When a satellite applying a yaw-steering law is in eclipse season and close to the orbit noon or midnight point, it may have to yaw faster than physically possible to keep the nominal attitude. The various attitude modes used by the satellites aim to prevent this scenario by applying a modified attitude law during this period, for example by yawing at a constant rate around orbit noon/midnight or by switching to orbit normal mode. Comparisons of attitude files generated by analysis centers of the International GNSS Service (IGS) within the scope of its 3rd reprocessing campaign show significant differences in some cases. This contribution compares all available attitude models with the aim of finding similarities that allow for generalization, which in turn simplifies the implementation of the various attitude modes into GNSS software packages. The developed functions have been implemented into the open-source software GROOPS (https://github.com/groops-devs/groops), which makes them publicly available and documented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,066

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,259
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInertial Sensor and NavigationTravaux en français237 207