Akademik Veri Yönetim Sistemi
Harita Dergisi, cilt.86, sa.164, ss.29-42, 2020 (Hakemli Dergi)
Hassas Nokta Konumlama (Precise Point Positioning, PPP) çözümlerinde bilinmeyenlerin tahmini için genellikle ideal kestirici olarak Kalman filtresi kullanılır. PPP için fonksiyonel ve stokastik modellerin uygun bir şekilde tanımlanması Kalman filtresinden daha güvenilir sonuçlar elde edilmesi anlamına gelmektedir. Ancak ölçülerin ve bilinmeyen parametrelerin stokastik davranışlarını modelleyebilmek oldukça güçtür. Dahası ölçüler ve dinamik modeldeki kaba hatalar, düzeltilemeyen küçük faz kesiklikleri ve modellenemeyen donanım hataları Kalman filtresi performansını kötü yönde etkilemektedir. Bu olumsuzlukların filtre sonucuna etkisini en aza indirebilmek için robust Kalman filtresi yöntemleri kullanılmaktadır. Literatürde GNSS (Global Navigation Satellite System) uygulamalarında kullanılmış çeşitli robust Kalman filtresi yöntemleri mevcuttur. Bu çalışmanın temel amacı PPP çözümlerine uygulanabilecek başlıca robust Kalman filtresi yöntemlerini tanıtmak ve ilgili yöntemlerin PPP konum belirleme performansına olan etkisini araştırmaktır. Bu amaçla çalışma kapsamında farklı robust yöntemler içeren beş farklı PPP filtreleme yaklaşımı oluşturulmuştur. Daha sonra 1-10 Eylül 2019 tarihleri arasında on IGS (International GNSS Service) istasyonunda toplanmış gözlem verileri beş farklı yaklaşımla ayrı ayrı işlenmiştir. İlgili yaklaşımlara ait PPP çözümleri konum doğruluğu ve yakınsama süresi açısından değerlendirilmiş ve sonuçlar robust Kalman filtresi kullanımının geleneksel Kalman filtresi ile kıyaslandığında PPP konum doğruluğunu iyileştirdiğini göstermiştir. Öte yandan sonuçlar incelendiğinde PPP performansının uygulanan robust Kalman filtresi modeline göre önemli değişiklikler gösterdiği görülmüştür. Son olarak, bu çalışmada iyileştirilmiş IGG III (Institute of Geodesy and Geophysics) fonksiyonunu içeren uyarlı robust Kalman filtresi hem statik hem de kinematik PPP çözümleri için en başarılı sonuçları üretmiştir.
For estimating unknown parameters in Precise Point Positioning (PPP) solutions, the Kalman filter is usually used as an optimal estimator. Defining appropriate functional and stochastic models for PPP stands for acquiring more reliable results from the Kalman filter. However, it is very challenging to model the stochastic behavior of measurements and unknown parameters. Besides, gross errors in measurements and dynamic model, undetected small cycle slips, and unmodelled hardware biases degrades the Kalman filter performance. Robust Kalman filter methods are utilized to minimize the negative influences of these drawbacks on the filter results. In the literature, there exist several robust Kalman filter methods that have been employed in GNSS (Global Navigation Satellite System) applications. The main objective of this study is to introduce the essential robust Kalman filter methods that can be applied to PPP solutions and to investigate their effects on the PPP positioning performance. For this purpose, five different PPP filtering approaches which include various robust methods were constructed as a part of this study. Then, the observation data collected at ten IGS (International GNSS Service) stations during ten days between September 1-10, 2019 were processed separately with these five different approaches. The PPP solutions obtained from the related approaches were assessed in terms of positioning error and convergence time and the results showed that the employment of robust Kalman filters improves the positioning accuracy of PPP compared with the traditional Kalman filter. Moreover, when the results were analyzed, it was observed that the PPP positioning performance alters significantly depending on the applied robust Kalman filter model. Finally, the adaptive robust Kalman filter method containing improved IGG III (Institute of Geodesy and Geophysics) function provided the most successful solutions for both static and kinematic PPP solutions in this study.