Clustering-Assisted Observation Domain Optimization for GNSS Multi-Fault Detection and Correction
Notice bibliographique
Résumé
With the rise of autonomous and semi-autonomous vehicles, effective fault detection and mitigation (FDM) methods have become essential in meeting the integrity requirements for precise and reliable Global Navigation Satellite System (GNSS)-based positioning. The existing GNSS-only FDM methods are ineffective in scenarios involving multiple faulty observations due to either their theoretical model limitations or high computational costs. In this paper, a novel GNSS multi-fault detection and correction method is developed <bold xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">that achieves a balance between computational complexity and performance</b>. The proposed method incorporates an Expectation Maximization (EM) framework to jointly estimate an approximate maximum likelihood of states and latent model parameters in the presence of observation outliers, i.e., faults. However, the EM algorithm is known for its high computational complexity. To reduce the computational complexity of EM, an importance sampling step based on unsupervised clustering is introduced. As demonstrated by the results and analysis herein, the proposed method outperforms the existing Least-squares Residuals method, achieving an average improvement of up to 48% in positioning accuracy. Additionally, the computational complexity of the proposed method is an order of magnitude lower than the state-of-the-art Solution Separation method. <bold xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">The method enhances positioning reliability at a lower computational cost and does not require additional infrastructure, hence, can be readily integrated into standalone real-time GNSS applications</b>
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 ».