Potential risks of WiFi-based indoor positioning and progress on improving localization functionality
Notice bibliographique
Résumé
Much effort has been expended to develop and improve indoor positioning. Many wireless sensor technologies have been used for indoor positioning systems; however WiFi has been the most widely employed sensor system as an alternative to Global Positioning System (GPS). Many commercial indoor positioning services such as those developed for and available on Apple and Android systems are hardly satisfying users' demand, primarily because of their inaccurate positioning. The Saskatchewan Enhanced Positioning System (SaskEPS) has been developed to provide reliable indoor positioning as a complement to GPS. SaskEPS successfully produces very reliable 2.5-Dimensional positioning (X-Y and floor) information at randomly selected fixed locations across an extensive indoor environment at the University of Saskatchewan. SaskEPS produces GPS-like positioning accuracy (sub 10 metre error) during testing; however there are several additional limitations that reduce the ability of non-GPS systems to provide accurate and reliable positioning indoors as compared to GPS. SaskEPS and other trilateration-based WiFi-based Positioning Systems can improve their positioning abilities with techniques commonly used in GPS-based positioning systems; therefore, SaskEPS has integrated a map-matching technique (Post-positioning correction) with its trilateration-based algorithm (Pre-positioning determination). In this paper we explore some limitations for WiFi-based indoor positioning with an explicit examination of SaskEPS in a complex multi-building environment. As well, some add-on localization functionalities are tested for reducing positioning errors and increasing reliability of SaskEPS.
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 ».