2022年的谷歌智能手机分米级定位比赛（Google Smartphone Decimeter Challenge (SDC) ），是该比赛举办的第二届。本次比赛是与美国导航协会联合（Institute of Navigation (ION)）举办，并且获胜者的论文已被收录到2022 ION论文集里。

笔者也一直关注着这个比赛，作为为数不多的GNSS比赛（印象里好像是唯一的一个），谷歌确实给GNSSer一个更好的展示自己算法水平的机会，更是提供了一个大家相互交流的平台。

本文将介绍该大赛的一些基本情况，并对今年获奖的一些技术进行分析。感兴趣的小伙伴也可以去阅读top3的ION论文或者文章末尾的参考链接。

比赛基本情况

简单总结就是，谷歌发布了一套手机采集的数据，GNSSer可以下载然后优化算法，并将结果上传到指定网站上，使用统一的规则进行打分评判。

这样就可以防止现在的论文自说自话的情况，都说自己的算法提升了很多，但是程序不开源，数据不开源，没有太大说服力。

同时kaggle还有讨论区，大家可以交流各自使用的方法，相当于为全球对GNSS感兴趣的同学建立了一个平台，同时对该定位比赛感兴趣的不仅仅是GNSS领域的同学，不同领域更能带来新的技术创新，更进一步挖掘GNSS算法潜力。

2021和2022年共有1381支队伍参加了比赛，虽然可能有很大一批人就是注册了账号划了一次水。比如像笔者，也花了两天时间，使用python和rtklib将所有数据跑了一遍，然后也将结果提交到了kaggle上，得到了一个吊尾的成绩。

截至发稿，kaggle网站得分情况排名中，得分3.0的队伍数目超过了100支，至少这100支队伍还是比笔者要认真的，我的结果正好掉出了前100。

个人还是比较建议感兴趣的同学参加，尤其是在校研究生，专注自己课题的同时，也可以作为业余爱好。如果能得到top10的好成绩，我相信在择业过程中也是加分项。

下面将简单分享top3所使用的技术。

第一名

1st Place Winner of the Smartphone Decimeter Challenge: Two-Step Optimization of Velocity and Position Using Smartphone’s Carrier Phase Observations

第一的获得者使用了两步图优化，分别进行速度和位置的估计。

整体流程如下图所示，其中两个绿色框中的，即两次图优化的流程。

第一次图优化为了计算得到每个位置的速度。其输入为doppler和星历数据。

以上图速度优化为例，简单介绍什么是图优化。不同于卡拉曼滤波，一般是一个正向递推的过程，图优化则是将所有的状态以及观测量统一进行平差处理，就是一个维数比较大的最小二乘。

上图中每个历元均有一个3维速度，那么n个历元就有3*n个速度状态量，相邻状态量之间存在相关性，可以构建观测方程。

比如如果我们假定1-3历元是常加速运动，那么就有

v3-v2=v2-v1

同时每个历元的状态量还有相关的doppler观测，构建相应的观测方程。

图优化在SLAM中使用较多。

第二次图优化则会利用已计算得到的速度计算相邻位置状态的约束，联合双差伪距，统一进行优化。其输入为双差伪距、第一步的速度信息，以及历元载波变化量。

历元差分载波（TDCP）对位置变化量的约束更加强大，在载波可用时，同时会增加该优化因子。

经过两次的图优化，使得作者获得了第一名。

第二名

2nd Place Winner of the Smartphone Decimeter Challenge: Improving Smartphone GNSS Positioning Using Gradient Descent Method

第二名也是使用图优化进行全局的定位优化。只是在一些观测方程或者约束选择上存在一定的差异，在此不再展开。

但除了使用图优化，作者还使用了深度学习的方法，将定位误差与载体的朝向、速度、加速度，以及与基准站的距离和手机型号进行相关性分析，得到点位的矫正模型。

从实验结果来看，是存在提升的。在2021年的比赛中，一些小组并未使用GNSS技术，而是直接采用机器学习的方法来参加比赛，也取得了不错的成绩。

笔者在机器学习方面没有太多经验，但除了论文中提到的一些分析方向，我感觉DOP值、卫星数、或者信噪比与定位误差也会存在一定的相关性。

第三名

3rd Place Winner: 2022 Smartphone Decimeter Challenge: An RTKLIB Open-Source Based Solution

第三名的获得者就是rtklibexplorer的开发者。他是基于rtklib深度修改的算法代码进行参赛，使用GNSS传统的PPK技术进行定位，PPK(post-processing kinematic)即后处理RTK，与RTK最大的区别就是，PPK采用正反向kalman滤波，即RTK是前向kalman滤波，适合实时进行。后向kalman滤波就是从最后一个历元开始到最后一个历元结束。最后将前后向滤波结果相融合，可以极大的提升定位精度。国内的GNSS服务商也基本都提供PPK服务，注意对标产品为IE软件。

PPK技术细节不做展开，仅列举论文中所提到的一些优化细节。

基本上优化都是围绕粗差剔除以及观测值噪声设置等方向，算法工作的核心就是给予每个观测量合理的方差信息。

公众号

有时会将代码或者资源放在个人公众号上，有问题，在公众号后台回复，也回答的比较快一些，欢迎关注 GNSS和自动驾驶

参考链接

gps world 杂志对该比赛的总结 Smart ways to improve smartphone location accuracy - GPS World : GPS World
kaggle 2022比赛链接 Google Smartphone Decimeter Challenge 2022 | Kaggle
相关论文