第19名方案
团队方案
首先，非常感谢主办方举办这次比赛。在这里我们将介绍团队 TOKYO 的解决方案。
遗憾的是，我们的方案经历了排名下滑（Public榜第8名，Private榜第19名）。我们猜测原因之一是我们过于针对市中心和树木茂密的区域，而高速公路区域构成了Private数据集的主要部分。
我们的方案由几个算法组成，其中一些是由其他竞争对手引入并公开的，另一些则是我们自己开发的。
1. 基于GNSS的定位 (链接)
第一个模块是基于 *_derived.csv 中提供的 GNSS 数据进行位置估计。通过以下简单的技巧，我们在Public榜上达到了 6.665 的分数。
- 在最小二乘优化中使用柯西损失
- 引入高度掩膜
2. 增量预测 (链接)
在这里，我们训练了一个模型，基于提供的训练数据来估计估计位置 ((lat^i_{est}, lng^i_{est})) 与对应真实位置 ((lat^i_{gt}, lng^i_{gt})) 之间的差异。我们引入了几个特征，并使用 LightGBM 进行估计。
3. 异常值剔除与卡尔曼平滑
基于 @dehokanta 在此处引入的想法，我们引入了一种基于规则的异常值检测算法。通过几次实验，我们发现通过剔除以下点，估计精度显著提高：
- 估计速度（=相邻点之间的距离）高于
45 [m/s]的点 - 估计加速度（=相邻两点之间的速度差）高于
1.8 × 9.81 [m/s^2]的点
在此之后，我们应用了 @emaerthin 在此处引入的卡尔曼平滑。
4. 手机均值
我们使用了几种类型的手机均值方法。扩展自此处引入的想法，我们使用了多种手机均值方法，例如：
- 将来自不同智能手机的所有点对齐到一条线上
- 通过引入基于估计轨迹“锯齿状”程度的权重，将来自不同智能手机的所有点对齐
5. 停止检测与滤波
正如在几次讨论和Notebook中所讨论的，车辆停止期间的噪声显然是基线估计中的主要噪声之一。
我们使用惯性测量以一种基于规则的方式开发了停止检测算法。
对于一些不包含传感器数据的集合，我们仅根据位置数据估计停止状态。
6. 吸附到网格
我们对树木区域使用了吸附到网格的方法。对于市中心区域，我们应用了如下所述的不同方法。
7. 基于动态时间规整的吸附到网格 (链接)
为了克服简单吸附到网格方法中的一些严重问题，我们将该算法与动态时间规整（DTW）相结合。该算法尤其在市中心区域效果显著。
8. 移除三星数据
我们使用了其他团队在此处引入的方法。