Enhancing Smartphone Positioning with Galileo HAS Corrections and an Environmentally-Aware PPP/IMU Approach
Notice bibliographique
Résumé
With the increasing demand for high-precision positioning in smartphone-based navigation applications, such as smart transportation, autonomous driving, and urban mobility, achieving real-time lane-level accuracy remains a significant challenge due to noisy Global Navigation Satellite System (GNSS) observations, frequent signal outages, and cycle slip false alarms. To address these issues, this study extends the iterative Precise Point Positioning (PPP) algorithm by integrating an environmentally-aware approach, which adaptively selects ambiguity candidates based on historical data and environments to mitigate errors in ambiguity estimation. Additionally, this study incorporates multi-constellation GNSS processing by integrating HAS corrections for GPS and Galileo (GE) constellations with broadcast ephemeris for GLONASS and BeiDou (RC) constellations, enhancing observation redundancy and positioning stability. To further improve GNSS outage mitigation, smart-phone Inertial Measurement Unit (IMU) data are fused with GNSS observations to bridge signal interruptions. The proposed approach is validated through three real-world vehicle datasets. Results demonstrate that the environmentally-aware iterative PPP algorithm with multi-constellation (GREC) support reduces overall horizontal rms from 2.3 m to 1.4 m for dataset 1 and achieves sub-meter accuracy for dataset 2. By further integrating smartphone IMU data, maximum positioning errors in severe GNSS outages are reduced from 10.9 m to 2.9 m, with overall horizontal rms improving from 1.4 m to 1.3 m for dataset 3. These findings highlight the potential of real-time smartphone-based PPP in achieving sub-meter lane-level navigation, paving the way for next-generation smartphone-based positioning 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 ».