Smartphones typically compute position using duty-cycled Global Navigation Satellite System (GNSS) L1 code measurements and Single Point Positioning (SPP) processing with the aid of cellular and other measurements. This internal positioning solution has an accuracy of several tens to hundreds of meters in realistic environments (handheld, vehicle dashboard, suburban, urban forested, etc.). With the advent of multi-constellation, dual-frequency GNSS chips in smartphones, along with the ability to extract raw code and carrier-phase measurements, it is possible to use Precise Point Positioning (PPP) to improve positioning without any additional equipment. This research analyses GNSS measurement quality parameters from a Xiaomi MI 8 dual-frequency smartphone in varied, realistic environments. In such environments, the system suffers from frequent phase loss-of-lock leading to data gaps. The smartphone measurements have low and irregular carrier-to-noise (C/N0) density ratio and high multipath, which leads to poor or no positioning solution. These problems are addressed by implementing a prediction technique for data gaps and a C/N0-based stochastic model for assigning realistic a priori weights to the observables in the PPP processing engine. Using these conditioning techniques, there is a 64% decrease in the horizontal positioning Root Mean Square (RMS) error and 100% positioning solution availability in sub-urban environments tested. The horizontal and 3D RMS were 20 cm and 30 cm respectively in a static open-sky environment and the horizontal RMS for the realistic kinematic scenario was 7 m with the phone on the dashboard of the car, using the SwiftNav Piksi Real-Time Kinematic (RTK) solution as reference. The PPP solution, computed using the YorkU PPP engine, also had a 5–10% percentage point more availability than the RTK solution, computed using RTKLIB software, since missing measurements in the logged file cause epoch rejection and a non-continuous solution, a problem which is solved by prediction for the PPP solution. The internal unaided positioning solution of the phone obtained from the logged NMEA (The National Marine Electronics Association) file was computed using point positioning with the aid of measurements from internal sensors. The PPP solution was 80% more accurate than the internal solution which had periodic drifts due to non-continuous computation of solution.

中文翻译：

---

现实环境中智能手机 GNSS 测量的调节和 PPP 处理

智能手机通常使用占空比的全球导航卫星系统 (GNSS) L1 代码测量和单点定位 (SPP) 处理在蜂窝和其他测量的帮助下计算位置。这种内部定位解决方案在现实环境（手持、车辆仪表板、郊区、城市森林等）中具有几十到几百米的精度。随着智能手机中多星座、双频 GNSS 芯片的出现，以及提取原始代码和载波相位测量的能力，可以使用精确点定位 (PPP) 来改善定位，而无需任何额外设备。本研究分析了小米 MI 8 双频智能手机在各种真实环境中的 GNSS 测量质量参数。在这样的环境中，系统经常出现相位失锁，导致数据间隙。智能手机测量具有低且不规则的载噪比 (C/N0) 密度​​比和高多径，导致定位解决方案不佳或无定位解决方案。这些问题是通过实施数据差距预测技术和基于 C/N0 的随机模型来解决的，该模型为 PPP 处理引擎中的可观测值分配现实的先验权重。使用这些调节技术，在测试的郊区环境中，水平定位均方根 (RMS) 误差降低了 64%，定位解决方案的可用性为 100%。在静态开放天空环境中，水平和 3D RMS 分别为 20 cm 和 30 cm，并且在汽车仪表板上有电话的情况下，真实运动场景的水平 RMS 为 7 m，使用 SwiftNav Piksi Real-Time Kinematic (RTK) 解决方案作为参考。使用 YorkU PPP 引擎计算的 PPP 解决方案的可用性也比使用 RTKLIB 软件计算的 RTK 解决方案高 5-10%，因为记录文件中缺少测量会导致纪元拒绝和非连续解决方案，通过对 PPP 解决方案的预测来解决的问题。从记录的 NMEA（美国国家海洋电子协会）文件中获得的手机内部独立定位解决方案是在内部传感器测量的帮助下使用点定位计算的。PPP 解决方案比内部解决方案准确 80%，内部解决方案由于解决方案的非连续计算而具有周期性漂移。使用 YorkU PPP 引擎计算的，也比使用 RTKLIB 软件计算的 RTK 解决方案的可用性高 5-10%，因为记录文件中缺少测量会导致纪元拒绝和非连续解决方案，这个问题已解决通过对 PPP 解决方案的预测。从记录的 NMEA（美国国家海洋电子协会）文件中获得的手机内部独立定位解决方案是在内部传感器测量的帮助下使用点定位计算的。PPP 解决方案比内部解决方案准确 80%，内部解决方案由于解决方案的非连续计算而具有周期性漂移。使用 YorkU PPP 引擎计算的，也比使用 RTKLIB 软件计算的 RTK 解决方案的可用性高 5-10%，因为记录文件中缺少测量会导致纪元拒绝和非连续解决方案，这个问题已解决通过对 PPP 解决方案的预测。从记录的 NMEA（美国国家海洋电子协会）文件中获得的手机内部独立定位解决方案是在内部传感器测量的帮助下使用点定位计算的。PPP 解决方案比内部解决方案准确 80%，内部解决方案由于解决方案的非连续计算而具有周期性漂移。由于记录文件中缺少测量值会导致纪元拒绝和非连续解决方案，因此通过对 PPP 解决方案的预测来解决这个问题。从记录的 NMEA（美国国家海洋电子协会）文件中获得的手机内部独立定位解决方案是在内部传感器测量的帮助下使用点定位计算的。PPP 解决方案比内部解决方案准确 80%，内部解决方案由于解决方案的非连续计算而具有周期性漂移。由于记录文件中缺少测量值会导致纪元拒绝和非连续解决方案，因此通过对 PPP 解决方案的预测来解决这个问题。从记录的 NMEA（美国国家海洋电子协会）文件中获得的手机内部独立定位解决方案是在内部传感器测量的帮助下使用点定位计算的。PPP 解决方案比内部解决方案准确 80%，内部解决方案由于解决方案的非连续计算而具有周期性漂移。