Nouvelles méthodes et architectures pour les récepteurs GNSS de haute sensibilité hybrides pour les environnements contraints
Bibliographic record
Abstract
Les systèmes de navigation par satellites GNSS ne cessent d’évoluer et ils sont déjà utilisés dans de nombreuses applications. Avec la venue des nouveaux systèmes Galileo et BeiDou ainsi que la modernisation des systèmes GPS et GLONASS, de nouveaux satellites ainsi que de nombreuses nouvelles fréquences et de nouveaux signaux feront leur apparition dans les prochaines années et qui vont encore ouvrir la porte à d’innombrables nouvelles applications. L’évolution rapide de la téléphonie mobile nécessite une meilleure exploitation des systèmes de navigation et de positionnement dans les environnements urbains.Jusqu'à maintenant, les signaux de navigation GPS ne peuvent pas être bien captés dans les environnements urbains. Les niveaux des signaux y sont très faibles et il est presque impossible d’acquérir et de poursuivre les signaux de façon autonome à cause de l'importance des obstacles. De plus, le positionnement à l’intérieur et dans les environnements urbains sont aussi soumis aux problèmes de multi-trajets, de masquage, d’interférences et de brouillages. Dans ces conditions, il faut pouvoir traiter des signaux très dégradés ou très courts qui ne permettent pas au récepteur d’effectuer le processus de poursuite. Ainsi, cela nous conduit à la nécessité de repenser l'architecture du récepteur GNSS pour les applications modernes.Ce projet de thèse consiste à développer de nouvelles méthodes et architectures de récepteur GNSS de haute sensibilité et robuste aux dégradations des signaux tout en concevant de nouveaux algorithmes intégrés dans un récepteur GNSS hybride capable de fonctionner dans les environnements urbains profonds ou « intérieurs ».La méthodologie prévoit l’utilisation de la nouvelle approche de « détection collective (CD) » ou « acquisition collaborative ». L'approche collaborative qui traite tous les signaux multi-satellites ouvre une solution intéressante. De nombreuses techniques existent dans la littérature pour résoudre les problèmes de positionnement dans les environnements urbains, mais nous proposons la nouvelle approche de détection collective en raison de sa performance en tant que méthode de positionnement direct et méthode d'acquisition de haute sensibilité, par l'application de la détection vectorielle de tous les satellites visibles. En effet, la bonne combinaison des valeurs de corrélation de plusieurs satellites peut réduire le niveau de C/N0 requis des signaux satellites par les algorithmes standards de traitement (acquisition et poursuite) qui ne peuvent pas être acquis individuellement mais permettent de contribuer de manière constructive à une solution collective de positionnement pour chaque utilisateur. L’objectif est de détecter collaborativement les satellites. La combinaison de différents signaux GNSS peut considérablement augmenter la sensibilité d'acquisition du récepteur. Malgré les avantages de cette approche, elle présente également des inconvénients tels que la charge de calcul élevée en raison du grand nombre de points candidats dans le domaine position/biais d’horloge. Ainsi, le travail proposé dans cette thèse consiste à réduire la complexité du CD en optimisant la recherche de points candidats dans le domaine position/biais d’horloge. Enfin, l'objectif est d'appliquer l'approche de détection collective au positionnement GNSS coopératif pour la navigation moderne dans des environnements difficiles. Pour cela, des algorithmes d'exploitation optimale des ressources du récepteur en sélectionnant les meilleurs satellites ou la station de référence seront développés selon certains critères tels que le niveau du rapport signal sur bruit (C/N_0), l’angle d’élévation des satellites ainsi que la configuration géométrique des satellites visibles. L’objectif final est de proposer une nouvelle architecture de récepteur cognitif de haute sensibilité permettant de recevoir de façon optimale les nouveaux signaux GNSS.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".