Indoor positioning of mobile devices with agile iBeacon deployment
Notice bibliographique
Résumé
Position of mobile devices and their users provides a great amount of added value and opportunities. The penetration of tracking devices with sensory such as GPS devices, accelerators and specifically smart phones has impacted human lives extensively. Nowadays, many applications on smart phones and mobile devices exploit different techniques and inputs for positioning. Wireless positioning is generally divided into two categories: outdoor positioning and indoor positioning, depending on not only where they are used but also how they work. Powerful as it is, indoor positing is still a challenging problem because satellite-based approaches do not work properly inside buildings. Therefore, for indoor positioning, we need to use other technologies creatively. iBeacon, the focus of this paper, is a new technology which provides a higher level of location awareness in indoor positioning. iBeacon is a built-in, cross-platform technology for Android and iOS devices, which utilizes Bluetooth Low Energy (BLE) for long-last services. This technology has significant advantages compared to other types of indoor positioning technologies, such as less expensive hardware, less energy consumption, needless to internet connection, and being capable of receiving notifications in background. This technology will provide huge benefits for future location awareness applications. It will change the way retailers, event organizers, and educational institutions communicate with people indoors. In this paper, we aim to provide a more accurate, cost efficient approach to indoor positioning of mobile devices using iBeacon.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».