PDR/INS/WiFi Integration Based on Handheld Devices for Indoor Pedestrian Navigation
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
Providing an accurate and practical navigation solution anywhere with portable devices, such as smartphones, is still a challenge, especially in environments where global navigation satellite systems (GNSS) signals are not available or are degraded. This paper proposes a new algorithm that integrates inertial navigation system (INS) and pedestrian dead reckoning (PDR) to combine the advantages of both mechanizations for micro-electro-mechanical systems (MEMS) sensors in pedestrian navigation applications. In this PDR/INS integration algorithm, a pseudo-velocity-vector, which is composed of the PDR-derived forward speed and zero lateral and vertical speeds from non-holonomic constraints (NHC), works as an update for the INS to limit the velocity errors. To further limit the drift of MEMS inertial sensors, trilateration-based WiFi positions with small variances are also selected as updates for the PDR/INS integrated system. The experiments illustrate that positioning error is decreased by 60%–75% by using the proposed PDR/INS integrated MEMS solution when compared with PDR. The positioning error is further decreased by 15%–55% if the proposed PDR/INS/WiFi integrated solution is implemented. The average accuracy of the proposed PDR/INS/WiFi integration algorithm achieves 4.5 m in indoor environments.
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 | 0,000 |
| 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 découle