5G-Enabled Vehicle Positioning Using EKF With Dynamic Covariance Matrix Tuning
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
The novel signaling and architectural features of 5G promise a major role in providing accurate, precise, and continuous positioning where satellite-based positioning systems may fail. In the case of time-based trilateration, optimal estimators like extended Kalman filter (EKF) can be used to estimate the position with the aid of time-of-arrival (TOA) and round-trip-time (RTT) measurements. However, the linearization of the measurement model used by EKF may lead to positioning errors. Such errors are further magnified due to the narrow geometrical placement of road-side 5G micro base stations (BSs) and due to the closeness of the vehicle to these BSs, leading to significant positioning errors. In this article, the impact of the 5G geometrical setup on the traditional EKF positioning estimation is analyzed. In addition, we propose a dynamically tuned covariance matrix (DTCM) EKF that is automatically tuned based on the measured ranges to trust less the BSs that would lead to high positioning errors. The performance of the proposed method was tested in Siradel’s S_5GChannel simulator that mimics the urban canyons of downtown Toronto. The proposed DTCM-EKF has sustained reliable positioning with sub-meter-level accuracy 90% of the time. The DTCM-EKF has reduced the rms and maximum position error of the EKF by approximately 60% and 67%, respectively.
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 | 0,001 |
| 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