Stochastic Modeling of Smartphones GNSS Observations Using LS-VCE and Application to Samsung S20
Notice bibliographique
Résumé
In recent years, numerous smartphones have been equipped with global navigation satellite system (GNSS) technology, enabling individuals to utilize their own devices for positioning and navigation purposes. In 2016, with the launch of a mobile app by Google, namely GnssLogger, smartphone users with Android version 7 or higher were able to record raw GNSS measurements (i.e., pseudorange, carrier phase, Doppler, and carrier-to-noise density ratio (C/N0)). Since then, enhancing the accuracy and efficiency of smartphone positioning has become an interesting area of research. Precise point positioning (PPP) is a powerful method providing precise real-time positioning of a single receiver, and it can be applied to smartphone observations as well. Achieving high-precision PPP requires selecting appropriate functional and stochastic models. In this study, we investigate the development of more reliable stochastic models for smartphone GNSS observations. The least-square variance component estimation (LS-VCE) method is applied to double-difference (DD) pseudorange and carrier phase observations from two Samsung S20s to obtain appropriate variances for GPS and GLONASS. According to the results, there is no significant correlation between the pseudorange and carrier phase observations of GPS and GLONASS on the L1 frequency. Furthermore, the quality of GLONASS carrier phase observations is comparable to that of GPS. The model's performance is then assessed with respect to single-frequency precise point positioning (SF-PPP) using a dataset collected in kinematic mode from a Samsung S20 smartphone. A significant improvement of 25.1% and 32.7% on the root-mean-square (RMS) of horizontal positioning and the 50th percentile error, respectively, was achieved when employing the obtained stochastic model.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».