Drifting Error Propagation Analysis in Displacement Increments Estimation Using INS, TDCP, and Doppler-Based Algorithms for Dynamic Positioning
Notice bibliographique
Résumé
Accurate displacement increments estimation is crucial for reliable navigation in various applications, including autonomous systems and geospatial positioning. This study compares three different displacement increments estimation algorithms: Inertial Navigation System (INS), Time-Differenced Carrier Phase (TDCP), and Doppler-based algorithms. INS is a classical dead reckoning algorithm, which is independent of external conditions and estimates displacement increments by integrating acceleration measurements. TDCP and Doppler-based positioning algorithms using global navigation satellite systems (GNSS) can also provide high-accuracy displacement increments by getting the between-epoch average velocity and the instantaneous velocity, respectively. Since TDCP is susceptible to carrier phase cycle slip thereby a cycle-slip detection algorithm is required. Doppler-based algorithm estimates displacement increments using Doppler frequency shift. As displacement increments estimation algorithms, the positioning errors with those algorithms all suffer from drift over time. However, there is no research comparing the performance of these three algorithms in terms of error drifting. In this paper, the performance of these algorithms is evaluated with respect to accuracy and drift characteristics using a vehicle-based driving dataset of INS measurements and GNSS observations. The results show that INS suffers from significant drift over time. Whereas the Doppler-based algorithm offers stable displacement increments estimation but has a lower accuracy than TDCP. Finally, TDCP provides more accurate displacement increments estimation results than Doppler and INS when the cycle slip is properly handled. The RMS of TDCP positioning errors are 0.042 m and 0.169 m for 60 s period in horizontal and vertical directions.
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 | 0,000 | 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 ».