Precise GNSS Positioning with Time-differenced Carrier Phases at Variable Sampling Rates
Notice bibliographique
Résumé
Abstract. Most Global Navigation Satellite System (GNSS) receivers typically have a sampling rate at 1Hz. However, variable sampling rates are required for optimal performance in different dynamic applications. For example, high sampling rates are crucial for precise tracking of high dynamic platforms such as unmanned aerial vehicle (UAV) navigation. Higher sampling rates help decrease positioning interval time and improve travel distance measurements especially when moving on a curvy route. On the contrary, lower sampling rates help saving power consumption and computation. Currently there is barely literature presenting the impact of sampling rates on positioning accuracy and what sampling rate is required for different vehicle dynamics considering the positioning accuracy and computational load. In this study, we extend TDCP to estimate position at different sampling rates and with high accuracy. We investigate and develop a GNSS software-defined radio (SDR) receiver to implement variable sampling-rate capability at low-cost. This approach provides flexibility, customization and scalability since the GNSS SDR can be reconfigured or updated via software to support multiple GNSS signals, systems or new techniques without requiring costly hardware modifications. The variable-rate phase observations from the GNSS SDR will be applied to form time-differenced carrier phase (TDCP) observations for precise positioning. The test results show that the GNSS-TDCP algorithm can achieve absolute precise positioning, but the positioning error will drift over time. Besides, the research results on the impact of different sampling rates on the positioning performance can help us to select an appropriate sampling rate for GNSS-TDCP system.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».