第15名方案

我们是 Kaggle 竞赛的新手，这是我们第一次获得银牌。
在参加这次比赛后的第一个月里，我们学到了很多关于 GNSS 分析的知识，因为之前我们对此一无所知。了解如何利用接收器发现的 GNSS 卫星来确定精确位置是一件非常令人愉快的事情。
我们非常感谢主办方举办这次激动人心的比赛，也感谢参赛者分享优秀的代码笔记本，特别是 @taroz1461 和 @timeverett。

概览

• 将每条行驶路线标注为“高速公路”、“树木”或“市区”之一
• 使用 Optuna 优化卫星选择标准
• 停车时，将传入卡尔曼平滑器的估计位置协方差乘以 3 倍
• 由 @taroz1461 提供的鲁棒加权最小二乘法（WSL）用于确定位置和速度以及卡尔曼平滑器，详见 此笔记本
• 由 @timeverett 提供的 RTKLIB 用于确定位置，详见 此笔记本

我们将在本文中介绍前三个主题。（跳过其他看起来与其他顶级方案重复的内容）

行驶路线标注

我们按照 @taroz1461 在上次比赛讨论中展示的方法，使用 Google Earth Pro 调查并标注了每条行驶路线。
这些标注的分布如下所示。

卫星选择标准的优化

所有的卫星选择标准都是通过 Optuna 优化针对每条行驶路线标注确定的。
我们认为卫星选择标准应该根据不同的环境情况而变化，因此对每 3 个行驶路线标注应用了优化。
最终，在没有卡尔曼平滑器的情况下，我们将公共 LB 分数从 2.65 提高到了 2.64（私有 LB 分数从 2.140 提高到了 2.132）。

但不幸的是，我们在比赛结束后注意到，通过独立于标注的后处理，我们可以获得 1.784 的私有分数。

停车时将估计位置协方差乘以 3 倍

我们对行驶路线的可视化告诉我们，停车时估计位置的波动看起来非常大，特别是在“树木”或“市区”环境中。
我们简单地在接收器速度小于 1 米/秒时，将位置协方差乘以 3 倍（针对除“高速公路”以外的行驶路线标注），这使得公共分数从 2.41 提高到了 2.38（私有分数从 1.904 提高到了 1.863）。