第一名解决方案

我很高兴能再次在这个比赛中获得第一名。我是GNSS和机器人领域的研究员，去年的比赛非常受启发，许多人提出了我从未想过的想法。如果您也能分享您的解决方案和想法，我会非常高兴。

智能手机的GNSS观测噪声非常大，输出数据有许多缺失值和异常值，很难准确估计位置。我也很难处理不同类型智能手机的观测差异。有很多细节需要处理，很多事情要做，我觉得这次比赛对我们要么来说都不寻常且艰难。

概述

我解决方案的基本思路与去年相同：通过因子图优化（FGO）利用伪距、伪距率（多普勒）和ADR（载波相位）对位置和速度进行全局优化。关于FGO的更多内容请参阅去年的解决方案。今年方法的关键点在于将速度和位置估计分开，分两个阶段处理，这对精度的提高做出了贡献。所提方法的流程如下图所示，结构非常简单。

输入

• gnss_log.txt

• 基准站的GNSS观测数据和卫星轨道数据（广播星历）

  • 对于GNSS基准站，我使用了NGS CORS的30秒间隔数据。我使用的是单个基准站，但我认为@saitodevel01的多基准站分析结果集成的方法可能有助于提高精度。我应该尝试一下的...

速度估计阶段

准确的相对位置（速度）可以从ADR时间差计算得出，但由于易受信号屏蔽和频繁的周跳影响，可用性较低。首先利用更稳健的多普勒估计速度，然后剔除异常值、进行插值，并在下一阶段的位置估计中作为宽松的约束条件。同时，它也可以用来判断车辆是否停止。如果速度与位置同时包含在优化中，这种插值和停止位置的判断将变得困难。在有许多缺失异常值、高架桥、隧道等数据的情况下，分阶段估计和修正速度非常有效。

位置估计阶段

通过构建图并利用基准站修正偏差分量的伪距、ADR时间差以及上一阶段估计的速度进行优化，从而估计位置和接收机时钟。对于因红绿灯而有许多停顿的城市驾驶数据，根据上一阶段估计的速度，在停止时观测到的伪距数据会被剔除。在每个状态（位置）之间，利用估计的速度约束相对位置，并在ADR有效时加入高精度的相对位置约束。此外，作为绝对位置约束，使用了经基准站修正的伪距。没有进行后处理，优化估计的位置即作为最终估计提交。

优化

与去年一样，使用了GTSAM。这次我们使用简单的M-Estimator进行鲁棒优化，而不是去年使用的Switchable Constraint。Switchable Constraint的优点是可以可视化和调整权重的值，但缺点是收敛性低和处理时间长。由于性能几乎相同，我使用了带有Huber函数的M-Estimator，该函数适用于噪声较大的智能手机GNSS观测，因为权重不会完全为零。整个测试数据运行的处理时间约为30分钟，允许在有限的时间内进行大量的试错。

技巧

• device_gnss.csv中的伪距有缺失，所以我自己从gnss_log.txt转换伪距更准确。
• 正如@saitodevel01指出的，XiaomiM8存在多普勒时间不对齐的问题。显然，只有XiaomiM8的多普勒与Android系统时钟以及IMU匹配，而不是GPS时钟。正如讨论中所述，当添加600毫秒的偏移量时，速度估计效果最好。
• SamsungGalaxyS20和XiaomiMi8在手机提供的伪距率和ADR不确定性方面与其他手机有很大不同。我使用了基于卫星仰角的误差模型，而不是手机提供的不确定性。
• 关于速度的插值方法，Akima插值方法比使用样条插值更准确。样条插值容易出现过冲现象。
• 当HardwareClockDiscontinuedCount标志改变时，会发生周跳，ADR变得不连续。这种情况只发生在Pixel4/4XL的某些运行中。在这种情况下，ADR几乎不可用。

尝试过但未奏效的想法

• 利用加速度计积分进行速度估计。我花了不少时间，但结果对精度没有贡献。