Smartphone PPP-RTK positioning with Galileo high accuracy service and atmospheric correction from single reference station
Notice bibliographique
Résumé
The widespread adoption of smartphones has spurred advancements in navigation technology. Traditional positioning methods, such as precise point positioning (PPP) and real-time kinematic (RTK), face limitations including long convergence times and high data rate requirements, making them unsuitable for smartphone applications. The PPP-RTK approach offers faster ambiguity resolution by leveraging precise atmospheric corrections, which is expensive to install and maintain from Continuously Operating Reference Stations (CORS) or multiple reference stations. Although PPP-RTK from single reference station is developed, satellite orbital/clock and code bias corrections from ground-based CORS stations and data transmissions are still required. While using the satellite-based Galileo high accuracy service (HAS) can achieve high-accuracy positioning for electronic devices including smartphones, few studies have studied HAS corrections to assess its effectiveness. In this study, we propose a smartphone precise positioning method from PPP-RTK with HAS and single reference station. Moreover, due to the high noise level of smartphone observations, a timedifferenced carrier-phase (TDCP) model coupled with solution separation (SS) testing is used to detect cycle slips. To validate the proposed method, experiments are carried out in static and kinematic modes. The results show the proposed method can achieve convergence in both static and kinematic condition around 2 minutes with ambiguity resolution, achieving an accuracy of 0.411 m horizontally and 0.754 m in three-dimension in kinematic mode. It suggests that utilizing current HAS products with GPS and Galileo smartphone PPP-RTK methodology can enable decimeter-level positioning precision.
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 | 0,001 |
| 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 ».