Enhancing Smartphone Relative Positioning With Partial Wide-Lane Ambiguity Resolution: Path to Real-Time, Decimeter-Level Positioning in User Environments
Notice bibliographique
Résumé
The ubiquity of smartphones catalyzes myriad smartphone-based Internet of Things (IoT) applications, amongst which smartphone positioning which utilizes global navigation satellite system (GNSS) observations to provide spatial information plays a crucial role. However, noisy smartphone GNSS measurements prevent decimeter-level positioning performance in user environments. Recovering the integer property of GNSS carrier phase measurement ambiguities shows great potential in achieving high-accuracy positioning solutions. However, inaccurate ambiguity estimates and short signal wavelengths are the main barriers to successful ambiguity resolution (AR). Therefore, a partial AR with wide-lane (WL) ambiguities and an automatic ambiguity hold strategy is proposed. Simulated results show that, for single-epoch WL AR, even with one WL ambiguity correctly fixed, the positioning solution can be improved by 3 cm. With actual static and kinematic datasets, the proposed algorithm is evaluated and validated. Static results show an improvement of 83% in horizontal position when the WL AR approach is applied, and positioning accuracies can reach 6.8, 2.9, and 11.5 cm in the E, N, and U direction components, respectively. For kinematic data collected in highly variable realistic driving environments, the time series of positioning errors of WL AR solutions exhibit less variation than float solutions. And with fixed WL ambiguities, solutions can be improved to varying degrees, ranging from several centimeters to up to 8 dm depending on the environment. The largest improvement of 8 dm is observed for 95th percentile horizontal positioning errors under a suburban environment.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».