Using Inertial Sensors in Smartphones for Curriculum Experiments of Inertial Navigation Technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Inertial technology has been used in a wide range of applications such as guidance, navigation, and motion tracking. However, there are few undergraduate courses that focus on the inertial technology. Traditional inertial navigation systems (INS) and relevant testing facilities are expensive and complicated in operation, which makes it inconvenient and risky to perform teaching experiments with such systems. To solve this issue, this paper proposes the idea of using smartphones, which are ubiquitous and commonly contain off-the-shelf inertial sensors, as the experimental devices. A series of curriculum experiments are designed, including the Allan variance test, the calibration test, the initial leveling test and the drift feature test. These experiments are well-selected and can be implemented simply with the smartphones and without any other specialized tools. The curriculum syllabus was designed and tentatively carried out on 14 undergraduate students with a science and engineering background. Feedback from the students show that the curriculum can help them gain a comprehensive understanding of the inertial technology such as calibration and modeling of the sensor errors, determination of the device attitude and accumulation of the sensor errors in the navigation algorithm. The use of inertial sensors in smartphones provides the students the first-hand experiences and intuitive feelings about the function of inertial sensors. Moreover, it can motivate students to utilize ubiquitous low-cost sensors in their future research.
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.
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 | 0,001 |
| 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 découle