MétaCan
Menu
Back to cohort
Record W2799689602

Enhanced performance for GPS-PPP by resolving bias-free ambiguities

2017· article· en· W2799689602 on OpenAlexfundno aff
Omid Kamali

Bibliographic record

Venuenot available
Typearticle
Languageen
FieldEngineering
TopicGNSS positioning and interference
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of Canada
KeywordsGlobal Positioning SystemComputer scienceRemote sensingGeodesyGeologyTelecommunications
DOInot available

Abstract

fetched live from OpenAlex

Le Positionnement Ponctuel Précis (PPP) est une technique de positionnement qui utilise un seul récepteur GNSS. Cette approche diffère nettement des méthodes différentielles qui sont largement utilisées et qui nécessitent deux ou plusieurs récepteurs. Le PPP est une technique économique, autonome par station, avec une précision centimétrique qui a ouvert la possibilité à une large gamme d'applications. Cependant, dans les applications qui nécessitent une convergence rapide et une haute précision, la performance du PPP n'est pas encore suffisante. Le PPP peut prendre jusqu’à 30 minutes pour converger vers des solutions avec une précision décimétrique. Cette longue période d’initiation est principalement consacrée à la stabilisation des ambiguïtés de phase vers des valeurs flottantes constantes. Compte tenu de ce problème, il est démontré que la Résolution des Ambigüités (RA) améliore la stabilité du modèle d’estimation, réduit le temps de convergence et améliore la précision des coordonnées. Cette étude vise donc à améliorer la performance du PPP pour obtenir une meilleure précision plus rapidement. À cette fin, les biais de phase des satellites qui perturbent la résolution des ambiguïtés sont estimées du côté producteur et résolues du côté utilisateur. Une modélisation judicieuse de paramètres et une sélection rigoureuse des modèles de correction sont effectuées afin de réduire la propagation des erreurs non-corrigées dans les biais de phase des satellites estimés. Du côté producteur, une nouvelle approche modulaire à deux étapes est proposée et implémentée comprenant l'estimation de biais de phase des satellites à partir de chaque site et l'intégration séquentielle des solutions. Ces deux étapes ont des structures simples et elles permettent d'estimer précisément les biais de phase de chaque satellite. L’algorithme de l’intégration séquentielle garde un bon compromis entre la charge de calcul, la charge et la capacité de mémoire de l’ordinateur, l'efficacité du traitement des paramètres et la précision des estimations. Du coté producteur, chaque observation est modélisée individuellement et intégrée dans le processus d'estimation. Ceci facilite l'intégration des fréquences supplémentaires (par exemple, la troisième fréquence L5 ou des observations multi-GNSS) pour améliorer davantage la performance de PPP en fonction de la modernisation du GNSS. Du côté utilisateur, un modèle d’observation de plein rang au niveau de récepteur mono-fréquence est proposé et implémenté. Cela donne de la flexibilité aux utilisateurs avec les récepteurs mono-fréquence pour utiliser notre solution PPP-RA lorsque les produits d'ionosphère de haute précision sont disponibles. Le modèle proposé est compatible avec les horloges de satellite standards actuelles fournies par IGS, CODE, JPL, par exemple. Le délai ionosphérique est corrigé et estimé en parallèle. Cela permet à l'utilisateur d’utiliser une correction ionosphérique de faible ou de haute précision et obtenir une performance améliorée en ajustant uniquement la précision de l'estimation de ce paramètre. La performance du PPP-RA du côté utilisateur a été comparée au PPP conventionnel en termes du temps de convergence et de la précision des coordonnées. En résumé, on a obtenu une amélioration importante en temps de convergence (jusqu'à 80 %) et en précision planimétrique (jusqu'à 60 %) par rapport au PPP conventionnel. De plus, une étude comparative est effectuée pour distinguer les caractéristiques de notre approche des autres méthodes PPP-RA. L’avantage de notre PPP-RA est aussi démontré par son approche unique à éliminer les défauts de rang et résoudre les ambiguïtés libre-de-biais.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.638
Threshold uncertainty score0.393

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.027
GPT teacher head0.235
Teacher spread0.208 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2017
Admission routes1
Has abstractyes

Explore more

Same topicGNSS positioning and interferenceFrench-language works237,207