Fault Detection and Correction Using Observation Domain Optimization for GNSS Applications
Notice bibliographique
Résumé
Global Navigation Satellite System (GNSS) is ubiquitously used and integrated into a variety of applications that require accurate and reliable positioning, navigation, and timing (PNT). The rapid growth in research and development into autonomous and semi-autonomous land and aerial vehicle platforms in recent years has redefined industry standards for accurate and reliable PNT. To ensure the integrity of a PNT solution, effective fault detection and exclusion/correction (FDE/C) is needed. Least-squares residuals (LSR) and solution separation (SS) are two well-known receiver autonomous integrity monitoring (RAIM) methods. LSR is computationally efficient but is not applicable, nor is theoretically correct, in scenarios where multiple faulty observations are present. While SS is effective for detecting and isolating multiple faulty observations at a time, it has high computational complexity, hence not suitable for most real-time applications. Other existing fault classifier methods lack the industry required performance due to either data generalization and/or high computational complexity. A novel scalable multi-fault detection and correction method is presented here. As demonstrated by our analysis and test results based on both simulated and real data, the proposed method outperforms LSR providing a more accurate PNT solution and is 80% more computationally efficient than SS under nominal multi-constellation scenarios with 30 or more satellites used in the position estimation.
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 ».