Improving smartphone positioning accuracy by adapting measurement covariance with t-test on innovations
Notice bibliographique
Résumé
Abstract Smartphone-based location-based services (LBS) require enhanced horizontal position accuracy with integrity. Due to the mass-market nature and compact design of smartphones, they utilize low-cost antennas and receivers, making them susceptible to multipath effects and other errors, which complicates the differentiation between reliable and unreliable measurements. To address these challenges, this paper explores the application of an adaptive Kalman filter technique to improve smartphone positioning accuracy. Adaptive Kalman filters adjust parameters such as process noise covariance or measurement noise covariance to modify the filter gain. When augmented with outlier detection mechanisms, the filter becomes more robust. This paper introduces a robust adaptive Kalman filter to enhance smartphone position accuracy. Outliers are detected using standardized innovations as a learning statistic, and a t-test is applied to these statistics to identify and mitigate outliers and adapt the measurement noise covariance accordingly. While previous research used empirical values for thresholds to adapt measurement noise covariance matrix, this study derives thresholds from t-tests, contingent on the normal distribution of learning statistics. By eliminating clock reset effects, innovations are transformed from bimodal to a normal distribution. Testing across multiple datasets demonstrates reductions of up to 42% in horizontal positioning root mean square error, with 50th, 68th, and 95th percentile statistics showing improvements of up to 53%, 41%, and 61%, respectively.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».