MétaCan
Menu
Retour à la cohorte
Enregistrement W2078433651 · doi:10.1109/plans.2014.6851508

Vision-based context and height estimation for 3D indoor location

2014· article· en· W2078433651 sur OpenAlexaff
Bashir Kazemipur, Zainab Syed, Jacques Georgy, Naser El‐Sheimy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIndoor and Outdoor Localization Technologies
Établissements canadiensTrusted Positioning (Canada)University of Calgary
Organismes subventionnairesnon disponible
Mots-clésGNSS applicationsComputer scienceInertial navigation systemInertial measurement unitContext (archaeology)Mobile deviceAccelerometerInertial frame of referenceGlobal Positioning SystemBarometerReal-time computingComputer visionArtificial intelligenceTelecommunicationsGeography

Résumé

récupéré en direct d'OpenAlex

Today's smartphones are powerful devices whose continually increasing processing power and wide array of sensors make them well suited for use as personal navigation devices. In the absence of information from the Global Navigation Satellite System (GNSS), the onboard inertial sensors can be used to provide a relative navigation solution. However, these onboard inertial sensors suffer from the effects of different sensor errors which cause the inertial-only solution to deteriorate rapidly. As such, there is a need to constrain the inertial positioning solution when long term navigation is needed. GNSS positions and velocities, and WiFi positions are the most important forms of updates available for the inertial solution. However, updates from these two sources depend on external signals and may not always be available. A rich source of information about the outside world can be obtained using the device's camera. Nearly all devices have at least one camera which has thus far been largely neglected as a navigation aid for these mobile devices. There are many indoor scenarios that require accurate height estimates. Traditionally, barometers have been used to provide height information. However, not all mobile devices that are equipped with inertial sensors are also equipped with a barometer. As nearly all devices are equipped with at least one camera, it is our aim to use information from the camera to aid the inertial-only solution with appropriate height estimates. Different pattern analysis techniques are used to identify the different scenarios. The results are presented for the following common use cases: (1) single floor texting mode, (2) stairs texting mode, (3) single floor calling mode, (4) stairs calling mode, and (5) fidgeting the phone while standing still on a single floor (i.e. “fidgeting”). For each of these use cases, first the context will be determined and then the relevant information will be used to calculate the height accordingly. This work is patent pending.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,963
Score d'incertitude au seuil0,267

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,213
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIndoor and Outdoor Localization TechnologiesTravaux en français237 207