Particle-Filter-Based WiFi-Aided Reduced Inertial Sensors Navigation System for Indoor and GPS-Denied Environments
Notice bibliographique
Résumé
Indoor navigation is challenging due to unavailability of satellites-based signals indoors. Inertial Navigation Systems (INSs) may be used as standalone navigation indoors. However, INS suffers from growing drifts without bounds due to error accumulation. On the other side, the IEEE 802.11 WLAN (WiFi) is widely adopted which prompted many researchers to use it to provide positioning indoors using fingerprinting. However, due to WiFi signal noise and multipath errors indoors, WiFi positioning is scattered and noisy. To benefit from both WiFi and inertial systems, in this paper, two major techniques are applied. First, a low-cost Reduced Inertial Sensors System (RISS) is integrated with WiFi to smooth the noisy scattered WiFi positioning and reduce RISS drifts. Second, a fast feature reduction technique is applied to fingerprinting to identify the WiFi access points with highest discrepancy power to be used for positioning. The RISS/WiFi system is implemented using a fast version of Mixture Particle Filter for state estimation as nonlinear non-Gaussian filtering algorithm. Real experiments showed that drifts of RISS are greatly reduced and the scattered noisy WiFi positioning is significantly smoothed. The proposed system provides smooth indoor positioning of 1 m accuracy 70% of the time outperforming each system individually.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».