Multipath Parameters Estimation in Physically Based Synthetic Environment Using Robust Deep Neural Regression

Convolutional Neural Networks correlator output images distributional loss GNSS Kullback-Leibler divergence multipath multi-channel regression synthetic environment truncated Gaussian Von Mises distribution

Domaines

Machine Learning [stat.ML]

Fichier principal

ITM2023_paper.pdf (3.75 Mo)

Origine	Fichiers produits par l'(les) auteur(s)

Nicolas COUELLAN : Connectez-vous pour contacter le contributeur

https://enac.hal.science/hal-04099716

Soumis le : mercredi 17 mai 2023-09:56:01

Dernière modification le : vendredi 3 mai 2024-13:46:47

Archivage à long terme le : vendredi 18 août 2023-18:43:38

Dates et versions

hal-04099716 , version 1 (17-05-2023)

Identifiants

HAL Id : hal-04099716 , version 1
DOI : 10.33012/2023.18654

Citer

Thomas Gonzalez, Antoine Blais, Nicolas Couellan, Christian Ruiz. Multipath Parameters Estimation in Physically Based Synthetic Environment Using Robust Deep Neural Regression. 2023 International Technical Meeting of The Institute of Navigation, Jan 2023, Long Beach, United States. pp.808-822, ⟨10.33012/2023.18654⟩. ⟨hal-04099716⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-TLSE2 ENAC CNRS INSA-TOULOUSE INSMI IMT TELECOM TELECOM-SIGNAV UT1-CAPITOLE OPTIM INSA-GROUPE UNIV-UT3 UT3-TOULOUSEINP

88 Consultations

197 Téléchargements