Smartphone GNSS Lane-Level Navigation With Galileo HAS Corrections and an Iterative PPP Algorithm
Notice bibliographique
Résumé
The last decade has seen substantial advancements in Internet of Things (IoT)-based transportation and smart city networks, fueling the growth of Global Navigation Satellite System (GNSS) industries and GNSS-enabled smartphones that deliver real-time, precise location-based services for mass-market applications. However, achieving decimeter-level smartphone positioning with GNSS processing techniques, such as precise point positioning (PPP) with real-time corrections in urban environments remains challenging due to the noisy and unstable nature of smartphone GNSS measurements. Key issues include low signal strength, high multipath effects, frequent cycle slips, and phase discontinuities, all of which degrade PPP accuracy and extend convergence times. To address these challenges, this study introduces a two-step clock bias preprocessing method to reduce Galileo High Accuracy Service outliers and biases. Additionally, an innovative iterative PPP algorithm integrated with a moving window approach is proposed to mitigate cycle slip false alarms and preserve ambiguity estimation continuity under difficult GNSS signal reception conditions. Validated through extensive vehicle experiments across eight datasets in diverse multipath environments, the proposed method demonstrates significant positioning accuracy improvements with four-constellation support. Results show a 95th percentile error and overall rms of 1.8 and 1.2 m, respectively, in horizontal positioning, with submeter lateral rms (0.8 m) and 99% lane-determination success rate in realistic driving scenarios. These findings indicate the potential of smartphone-based real-time PPP in enabling lane-level navigation, paving the way for next-generation IoT-integrated location services.
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 | 0,000 |
| 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 ».