Ubiquitous indoor vision navigation using a smart device
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
GPS-based technology has served the positioning and navigation industry for decades with outstanding reliability and accuracy. However, limitations for location-based services in indoor scenarios remain where GPS signal reception suffers from severe degradation or even outages. Wi-Fi-based positioning is currently the most popular indoor location solution, with an availability and time-to-first-fix that are significantly better than GPS. However, the achievable position accuracy is only at the level of tens of meters on average depending on database density and signal reception quality. In order to improve positioning accuracy and availability, motion sensors like accelerometers, gyros, and magnetic compasses are increasingly integrated into smart devices. However, their position solutions suffer from the effects of significant accumulative errors. In this paper, a vision-based indoor positioning method is developed to overcome the limitations above. The proposed vision-based system relies on a single camera, widely available on smart phones and tablets. The derivation of the absolute 3D position from 2D snapshots of a single camera requires the use of an external geo-reference database. In this research, a ubiquitous floor plan database has been used to provide accurate geodetic information. Unlike other popular geo-reference databases, the database used in this work can easily be generated with existing resources. The proposed system has been developed as an iOS App and was tested on iPad for various indoor scenarios. The results show that the performance of the proposed system is superior to Wi-Fi-based positioning systems.
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 | 0,008 |
| 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 | 0,001 |
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