22.10.27 以下のURLのGPSWorld最新号に，千葉工大鈴木先生スマートフォンRaw data測位SDC2022における連続優勝記事が掲載されました．素晴らしい快挙です！
https://editions.mydigitalpublication.com/publication/?m=59713&i=762178&p=18&ver=html5
以下にDeepLでの記事和訳を記録しておきます．
ーーーーーーーーーーーーーーーーーーーーーー
スマートフォンの位置情報を改善する方法
グーグルスマートフォンのデシメーションチャレンジ2022
BY Frank van Diggelen、Mohammed Khider、Michael Fu
Googleスマートフォン・デシメーター・チャレンジは、Institute of Navigationと共催で開催されました。
スマートフォンのGNSSと慣性計測を利用し、最高の位置精度を達成することを競いました。
Googleが提供するスマートフォンのGNSS＋慣性計測ユニットのデータセットを使って、最高の位置精度を達成することを競いました。優勝チームには賞金と、9月19日～23日にデンバーで開催されるION GNSS+ 2022会議へのスポンサー付き出席が授与されました。
9月19日～23日にデンバーで開催されるION GNSS+ 2022会議に出席し、成果を発表します。
起源
SDCの原点は、オープンソースのプラットフォームであるAndroid OSにあります。
システム（オープンソースプラットフォーム）である。2016年に
GoogleはGNSS生測定を公開アプリケーションプログラミングインターフェース（API）として、すべての
Android携帯電話で利用できるようにしました。それ以来、利用可能な測定値
はより洗練され、より正確になっています。例えば、2周波の搬送波位相データは、現在では多くのAndroid端末で利用可能です。
2周波キャリアフェーズのデータを利用できるようになりました。これにより、新たな研究領域が生まれます。
目標
このコンペティションの目的は2つあります。
携帯電話でサブメーターの位置精度を実現する高精度なアルゴリズムの研究開発を促進する。
位置精度を実現する高精度アルゴリズムの研究開発を促進する。
一般にアクセス可能なラベル付きデータのリポジトリを確立する。
今後の位置情報アルゴリズムの研究において、標準的な
標準的なデータに対して一貫した方法で判断できるようにする。
これらを確立することです。
最初の目標は、私たちの期待以上に達成されました。
2021年、2022年の2大会に計1,381チームが参加しました。
大会プラットフォーム（kaggle.com）での議論は多岐にわたり、非常に友好的で、コミュニティ全体にとって有益なものでした。
コンペティターは詳細な説明を書き、共有し、それを他のコンペティターが確認し，他のコンペティターもそれについてコメントします。さらに受賞者は、正式に査読された論文を書きました。
ION GNSS+ カンファレンスでプレゼンテーションを行いました。
これらはion.orgから入手可能です。
第二の目標は、現在進行中であり、イベントのレガシーとなることを意図しています。
レガシー
機械学習のような学問分野では、新しいものを比較するための
新しいアプローチと従来のアプローチを適切に定量的に比較することを可能にするベンチマークを
を確立しています。GNSSコミュニティでは、この慣習が欠落しています。
カンファレンスで発表される論文に目を通すと，異なるアルゴリズムが異なるテストデータと異なる測定基準で発表される傾向があることがわかるでしょう。
著者はこのデータを収集しますが、それはしばしばかなりまばらなものです。(例えば、1つか2つのドライブテストなど）。
また、読者は、データが選択されたものであるかどうかを知ることができません（悪い結果が記載されていないか？）
SDCのデータでは：
206種類のドライブテスト
合計86時間の2周波（L1、L5）データ（コード、搬送波位相計測を含む
コードと搬送波位相の測定
すべてのデータは、グラウンド・ツルースの位置と速度でラベル付けされています。
NovAtel SPAN ISA-100Cを使用して収集され、レバーアーム補正を行い、Googleの解析ツールで検証しました。
Kaggleのサイトでは、ユーザーが結果を送信すると、その結果を地上真値に対して自動的に採点してくれます。
自動的に採点されます。私たちは、すべてのGNSS研究者がこのリソースを使用することを推奨しています。
位置情報アルゴリズムの改良を標準的な方法で測定するために，標準的な方法で測定することを提唱します。
これにより、公表された結果に対する信頼が生まれます。
本当に素晴らしい改良の認識と採用を加速させ，業界全体と世界中のGNSSユーザーの利益のために，世界中のGNSSユーザーのためになります。
ーーーーーーーーーーーーーーーーーーーーーー
鈴木太郎 千葉工業大学
技術
1位：スマートフォンを用いた速度・位置の2段階最適化
キャリア位相観測による速度・位置の2段階最適化
◎ あなたの研究テーマとコンテストとの関係を教えてください。
私が現在取り組んでいる研究は，都市環境における車両や移動ロボットの正確な位置・移動ロボットの高精度測位
GNSSマルチパスが発生する都市環境における車両や移動ロボットの正確な位置決めです。
私は通常、市販のGNSS受信機を使用していますが，この大会は、私の現在の研究と非常に関係があります。
スマートフォンが受信機の代わりになっていることを除けばです。
◎コンテストで優勝するために使用した技術やアプローチは、いつから開発されているのですか？コンペティションに参加したのはいつですか？
コンテストは3ヶ月間開催されましたが、この3週間に集中しました。
ただし、過去の研究で開発した技術やリソース（例えば、昨年のコンペティションで開発したソースコード）を使用しました。
◎ このコンテストの過去の大会に参加したことがありますか？
はい、前回も参加し優勝しました。
今年のコンペティションの手法は、昨年のコンペティションで優勝した手法をベースに、さらに
工夫と改良を加えています。
◎どこで、どのようなGNSS信号の状況で、どのような速度でテストデータを収集したのですか？
コンペティションはトレーニングデータセットを提供してくれます。
スマートフォンから取得した生のGNSS観測データを含む観測データです。
実際の道路を走行する車両に搭載されたGNSS観測に加え，観測データに加えて、学習データセット
スマートフォンの位置のグランドトゥルースを含むスマートフォンの位置が含まれています。
トレーニングデータセットには、さまざまなGNSS信号の状況、例えばサンフランシスコやロサンゼルス周辺の高速道路での走行
の高速道路での走行、都会の並木道での走行、トンネルや高架橋の下での走行などや，トンネルや高架下での走行など、さまざまなGNSS信号の状態が含まれています。
学習データセットを用いて，スマートフォンの位置を正確に推定するアルゴリズムを開発しました。
◎ どのような精度を得ることができたのでしょうか？
コンペティションの評価指標は「平均値」です。50%および95%水平誤差の平均誤差です。
この指標は、以下のように計算されます。
テストデータセットに含まれる36回の実行のそれぞれについて計算されています。
公開グループと非公開グループに分けて計算し、各グループで平均化することで
各グループで平均化され、最終的なスコアが計算されます。
私の最終スコアは、publicが1.382mで、プライベートでは1.229mでした。この競技終了後のベストスコアは公開が1.372m、非公開が1.197mでした。
最終結果のサブメーターの精度は中央値(50パーセンタイル)を達成しました。
◎ 御社の手法の特徴は何でしょうか。
私の手法のキーポイントはグラフを用いた全体最適化です．従来のカルマンフィルタや最小二乗法とは異なり、グラフ最適化による大域的な最適化を行うことにあります。さらに高精度相対位置推定を用いた高精度な相対位置推定が可能です。
また、スマートフォンの搬送波位相の時間差を利用した高精度な相対位置推定も精度に寄与しています。
というのも，競技データセットにはトンネルや高架下など，GNSSが全く受信できない環境も含まれていたため
最適化を2回行うアルゴリズムを考案しました。速度最適化、位置最適化という２つのアルゴリズムを考案し
競技に適用しました。この手法により，様々なGNSS信号の受信環境において，スマートフォンのGNSS観測データのみで、車両走行データの高精度な位置推定が可能となります。
ーーーーーーーーーーーーーーーーーーーーーー
www.DeepL.com/Translator（無料版）で翻訳しました。
