第三名方案

看来我应该介绍一下我的解决方案。

首先，请原谅我糟糕的英语，但希望文字不会太多。

我没有对数据进行任何预处理或后处理，只有一个例外——我必须过滤掉 DeltaRange，因为在某些轨迹上它们完全是错误的。此外，我没有使用任何复杂的算法。

我从数据中使用的只有伪距和增量。

为了过滤掉增量，我计算了到下一个历元的位置偏移，并且只保留那些提供了足够数量一致卫星的历元。

我算法的主要思想是，我在轨迹上获得的位置必须与伪距和增量非常吻合，此外，它们必须满足某些物理定律。

为此，我构建了一个 TensorFlow 模型，其中包含位置和时间偏移作为权重。然后我最小化损失，该损失由卫星距离误差和增量变化误差之和组成。另外，我添加了对不必要加速度的惩罚——以避免轨迹抖动。

这使我在公开排行榜上获得了第一名，在私有排行榜上获得了第三名。
如你所见，我完全没有使用地面真实位置的数据。

比赛结束后，我又花了一点时间，添加了来自基站的伪距校正以及相对于地面真实位置的计算偏移，这大大改善了结果，现在的结果如下：

在训练数据上，误差下降到了 1.1。

我打算再添加一些来自 IMU 的数据——也许这将使我们能够突破一米误差的大关。