Tightly Integrated Smartphone GNSS and Visual odometry for Enhanced Urban Pedestrian Positioning
Notice bibliographique
Résumé
Precise smartphone-based positioning service is challenging in dense urban areas due to significant multipath effects in GNSS signals received by smartphone devices. The raw GNSS measurements will be contaminated by non-line-of-sight (NLOS) signals, severely deteriorating the smartphone positioning accuracy. Many methods have been proposed to mitigate the GNSS NLOS problem, including 3D mapping-aided GNSS, RAIM, and machine learning-based methods. But these methods have limitations such as the need for 3D city models or external devices, high false-alarm chances, and training processes. In this study, we have developed a new approach to improve smartphone positioning accuracy in dense urban areas by coupling the smartphone GNSS and camera sensors, which are already available in most smartphones. Wholly based on themselves, the proposed method tightly integrates GNSS pseudorange, carrier-phase and Doppler measurements, and a visual odometry (VO). The GNSS measurements undergo preprocessing, DD normal equations, and velocity estimations. The smartphone images are processed using a KLT optical flow method, where GNSS velocities are applied to estimate the coordinate rotation and scale between them based on a sliding-window least-squares scheme using Horn’s method. Importantly, a quad-tree-based outlier searching (QTOS) algorithm is applied to ensure the healthiness of estimation processes throughout the integration. The data from DD GNSS normal equations, GNSS velocities, and VO velocities are input to an FGO algorithm for final positioning estimations. A field test in the dense urban area of Calgary showed an improvement of 25% in horizontal accuracy and a reduction of velocity estimation error by 30%, where the chance of positioning outliers (> 30 m) is significantly reduced by 76%. Therefore, the proposed method provides an effective solution for precise smartphone positioning in dense urban areas without the need for external data sources or training.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».