An enhanced outlier processing approach based on the resilient mathematical model compensation in GNSS precise positioning and navigation
Notice bibliographique
Résumé
Abstract The abnormal measurements are widely existent in Global Navigation Satellite System (GNSS) precise positioning and navigation mainly because of the diffraction, reflection, refraction, and even non-line-of-sight reception. However, when multiple outliers exist in GNSS measurements, traditional methods including test procedure or robust estimation usually cannot work well. This study proposed an enhanced outlier processing approach based on the resilient mathematical model compensation. Specifically, first, to avoid excessive deletion, the total number of measurements is considered in the adaptive test procedure with the help of a scale factor. Second, in adaptive robust estimation, the total number of remaining measurements is also considered, thus making it more compatible with the adaptive test procedure. In addition, to overcome the potential inappropriate reweighting operator, different shrinking factors are adopted for code and phase measurements according to their precision, respectively. To verify the effectiveness of the proposed method, one static monitoring experiment and one kinematic vehicle experiment were conducted, where the method without outlier processing, traditional test procedure, traditional robust estimation, and the proposed method were all used. For the static experiment, the ambiguity resolution and positioning solutions of the proposed method perform best. The positioning accuracy of the float and fixed solutions can be improved by approximately 67.4% and 77.6% on average under challenging environments, respectively. For the kinematic experiment, the performance is also the best in terms of positioning availability and accuracy by using the proposed method.
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 | 0,001 | 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 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 ».