Improving Smartphone GNSS Positioning Accuracy Using Inequality Constraints
Notice bibliographique
Résumé
To improve smartphone GNSS positioning performance using extra inequality information, an inequality constraint method was introduced and verified in this study. Firstly, the positioning model was reviewed and three constraint applications were derived from it, namely, vertical velocity, direction, and distance constraints. Secondly, we introduced an estimator based on the density function truncation method to solve the inequality constraint problem. Finally, the performance of the method was investigated using datasets from three smartphones, including a Huawei P30, a Huawei P40, and a Xiaomi MI8. The results indicate that the position and velocity accuracy can be improved in the up component using a vertical velocity constraint. The horizontal positioning accuracy was increased using a heading direction constraint with dynamic datasets. Numerically, the root mean square error (RMSE) improvement percentages were 16.77%, 14.57%, and 31.09% for HP40, HP30, and XMI8, respectively. Using an inter-smartphone distance constraint could enhance the horizontal positioning of all participating smartphones, with improvement percentages of 34.27%, 75.58%, and 23.66% for HP40, HP30, and XMI8, respectively, in the static dataset. Additionally, the improvement percentages were 15.90%, 5.55%, and 0.17% in dynamic datasets. In summary, this study demonstrates that utilizing inequality constraints can significantly improve smartphone GNSS positioning.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 tête enseignante, 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 ».