Conditioning and PPP processing of smartphone GNSS measurements in realistic environments
Notice bibliographique
Résumé
Abstract Smartphones typically compute position using duty-cycled Global Navigation Satellite System (GNSS) L1 code measurements and Single Point Positioning (SPP) processing with the aid of cellular and other measurements. This internal positioning solution has an accuracy of several tens to hundreds of meters in realistic environments (handheld, vehicle dashboard, suburban, urban forested, etc.). With the advent of multi-constellation, dual-frequency GNSS chips in smartphones, along with the ability to extract raw code and carrier-phase measurements, it is possible to use Precise Point Positioning (PPP) to improve positioning without any additional equipment. This research analyses GNSS measurement quality parameters from a Xiaomi MI 8 dual-frequency smartphone in varied, realistic environments. In such environments, the system suffers from frequent phase loss-of-lock leading to data gaps. The smartphone measurements have low and irregular carrier-to-noise (C/N0) density ratio and high multipath, which leads to poor or no positioning solution. These problems are addressed by implementing a prediction technique for data gaps and a C/N0-based stochastic model for assigning realistic a priori weights to the observables in the PPP processing engine. Using these conditioning techniques, there is a 64% decrease in the horizontal positioning Root Mean Square (RMS) error and 100% positioning solution availability in sub-urban environments tested. The horizontal and 3D RMS were 20 cm and 30 cm respectively in a static open-sky environment and the horizontal RMS for the realistic kinematic scenario was 7 m with the phone on the dashboard of the car, using the SwiftNav Piksi Real-Time Kinematic (RTK) solution as reference. The PPP solution, computed using the YorkU PPP engine, also had a 5–10% percentage point more availability than the RTK solution, computed using RTKLIB software, since missing measurements in the logged file cause epoch rejection and a non-continuous solution, a problem which is solved by prediction for the PPP solution. The internal unaided positioning solution of the phone obtained from the logged NMEA (The National Marine Electronics Association) file was computed using point positioning with the aid of measurements from internal sensors. The PPP solution was 80% more accurate than the internal solution which had periodic drifts due to non-continuous computation of solution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».