Autonomous WLAN heading and position for smartphones
Notice bibliographique
Résumé
In recent years, indoor positioning systems have become important and WiFi positioning based on fingerprinting has been gaining a lot of attention in this field. However, surveying for the WiFi fingerprints in a specific area is a labor and time consuming process. In this work, an innovative method is proposed to automatically generate geo-referenced radio maps for Wireless Local Area Networks (WLAN). The Trusted Portable Navigator (T-PN) was used to provide an integrated navigation solution using inertial sensors and Global Navigation Satellite System (GNSS), when GNSS is available. The T-PN provided positions were used to automatically build a radio map when the solution was reliable. Building a radio map by using this method alleviates the cost of expensive surveys and does not require additional time or manual labor. After the radio map is built, it is used for typical fingerprinting-based WiFi positioning. The experimental results show that reasonable positioning accuracy can be obtained with this automatic fingerprint collection method in indoor environments. Nevertheless, the positions calculated in this manner are not accurate enough to calculate a useful heading of the user. In this paper, we propose another innovative method that estimates user heading based on WLAN signals. This estimation technique is based on the mathematical relationship between the rate of change of RSS for the different access points (APs) and the user velocities, and consequently the user heading.
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 ».