Overordnede kursusmål
At give de studerende et godt kendskab til de matematiske modeller,
der ligger til grund for konventionel kodebaseret
positionsbestemmelse med GNSS (GPS, Galileo eller Glonass).
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- skrive Matlab-kode til positionsberegning med en nøjagtighed på
5-10 m baseret på GNSS-satellitobservationer (pseodoafstande)
- skrive og afprøve Matlab-kode til transformation af positioner
mellem geodætiske koordinatssystemer
- beregne GNSS satellitpositioner i WGS84 fra
Kepler-elementer
- beregne og evaluere elevation og azimut for
satellitpositioner
- implementere og anvende konventionelle modeller for
atmosfæriske effekter på GNSS-satellitsignaler
- implementere simulation af satellitpositioner fra
Kepler-elementer
- forklare teori for og implementere ikke-lineær, vægtet mindste
kvadraters regressionsanalyse til satellitpositionsbestemmelse
(udjævning)
- forklare og implementere mål for "Dilution of
Precision" (DOP).
Kursusindhold
Kursets udgangspunkt er, at de nødvendige forudsætninger for
udvikling af den matematiske del af det software, der anvendes i
konventionelle kode baserede GNSS modtagere, tilvejebringes. Derfor
implementeres gennem kursets øvelser en række rutiner og modeller,
der ofte anvendes i praksis.
Forelæsningerne gennemgår positioneringsteorien, og de bygges op,
så de understøtter øvelserne.
Der arbejdes med følgende elementer: Bestemmelse af satellit
positioner, modellering af urfejl og atmosfærisk påvirkning,
positionsbestemmelse ved mindste kvadraters udjævning af
pseudoafstande, bestemmelse af DOP-værdier, transformation af
positioner og kovarianser, differentiel GNSS.
Yderligere gennemgås eksempler på brugen af Kalman filtrering til
GNSS-positionering, fasebaseret positionering introduceres, og
udfordringer ved løsning af ambiguities ved fase observationer
diskuteres.
Øvelserne udføres i Matlab.
Bemærkninger
Kurset omhandler ikke GNSS-hardware. Kurset indeholder ikke
praktisk dataindsamling.
Sidst opdateret
30. august, 2017