Tightly-Coupled Integration of WiFi and MEMS Sensors 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
The need for indoor pedestrian navigators is quickly increasing in various applications over the last few years. However, indoor navigation still faces many challenges and practical issues, such as the need for special hardware designs and complicated infrastructure requirements. This paper originally proposes a pedestrian navigator based on tightly coupled (TC) integration of low-cost microelectromechanical systems (MEMS) sensors and WiFi for handheld devices. Two other approaches are proposed in this paper to enhance the navigation performance: the use of MEMS solution based on pedestrian dead reckoning/inertial navigation system (PDR/INS) integration and the use of motion constraints, such as non-holonomic constraints, zero velocity update, and zero angular rate update for the MEMS solution. There are two main contributions in this paper: TC fusion of WiFi, INS, and PDR for pedestrian navigation using an extended Kalman filter and better heading estimation using PDR and INS integration to remove the gyro noise that occurs when only vertical gyroscope is used. The performance of the proposed navigation algorithms has been extensively verified through field tests in indoor environments. The experiment results showed that the average root mean square position error of the proposed TC integration solution was 3.47 m in three trajectories, which is 0.01% of INS, 10.38% of PDR, 32.11% of the developed MEMS solution, and 64.58% of the loosely coupled integration. The proposed TC integrated navigation system can work well in the environment with sparse deployment of WiFi access points.
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