Characterization of the impact of indoor Doppler errors on Pedestrian Dead Reckoning
Notice bibliographique
Résumé
Indoor pedestrian navigation is a very challenging task because self-contained sensors are affected by instrumentation errors corrupting the navigation solution and GNSS signals, which could be used for calibrating the latter, are barely available. Doppler measurements are found to be more accurate than pseudoranges in these harsh indoor environments, especially with narrowband receivers. Therefore the impact of indoor Doppler errors on a Pedestrian Dead Reckoning (PDR) navigation filter is investigated. Doppler errors are simulated using experimental data post-processed with the high sensitivity GSNRx-ss™ software receiver and a derived Doppler error model. Step length and heading errors are simulated for a 500m pedestrian walk. All these controlled errors are introduced in a novel tight PDR/Doppler coupling Extended Kalman filter for assessing the impact of Doppler indoor errors on the navigation solution. It is found that even biased Doppler measurements control the errors' growth in the navigation solution, principally in the attitude angles estimates but also in the norm of the velocity vector. With a 15° error in the walking direction, the horizontal position error equals 10% of the travelled distance for the coupled PDR/Doppler solution and 20% for the MEMS only solution. The analysis highlights also the need for designing new methods to discard outliers in the set of indoor Doppler measurements and benefit from new indoor GNSS observations.
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 | 0,003 |
| 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 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 ».