Context Aware Mobile Personal Navigation Services Using Multi-Level Sensor Fusion
Notice bibliographique
Résumé
Human movement makes personal navigation system (PNS) a challenging topic which as compared to other navigation platforms. Therefore, using customized and context-aware navigation services which are capable of detecting the user activity and device placement is necessary for various aspects of personal mobile navigation services. The main issue in such systems is detecting available context information using embedded mobile sensors in an implicit way. The proposed system in this research can detect user activity modes (e.g.walking, stationary, driving, and etc.) and the placement of the mobile device (e.g. in hand, on the belt, and etc.) to find the most appropriate navigation solution. The context detection algorithm proposed in this study is based on a multi-level sensor fusion algorithm which will improve the current intelligent navigation context detection solutions in the following ways: feature-level integration of multi-sensor data coming from different device sensors such as accelerometer and gyroscope using pattern recognition techniques (e.g. ANN), and high-level information fusion to detect context information from multiple information sources using knowledge discovery techniques (e.g. fuzzy inference system). Extensive pedestrian field tests have been performed using a portable prototype device developed by the MMSS research group at the University of Calgary. These tests have proved that the hybrid multi-level sensor fusion algorithm improves the mean total accuracy from 85% to 97% for user motions and device placement.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| 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 ».