A Hybrid Method to Improve the BLE-Based Indoor Positioning in a Dense Bluetooth Environment
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
Indoor positioning using Bluetooth Low Energy (BLE) beacons has attracted considerable attention after the release of the BLE protocol. A number of efforts have been exerted to improve the performance of BLE-based indoor positioning. However, few studies pay attention to the BLE-based indoor positioning in a dense Bluetooth environment, where the propagation of BLE signals become more complex and more fluctuant. In this paper, we draw attention to the problems resulting from the dense Bluetooth environment, and it turns out that the dense Bluetooth environment would result in a high received signal strength indication (RSSI) variation and a longtime interval collection of BLE. Hence, to mitigate the effects of the dense Bluetooth environment, we propose a hybrid method fusing sliding-window filtering, trilateration, dead reckoning and the Kalman filtering method to improve the performance of the BLE indoor positioning. The Kalman filter is exploited to merge the trilateration and dead reckoning. Extensive experiments in a real implementation are conducted to examine the performance of three approaches: trilateration, dead reckoning and the fusion method. The implementation results proved that the fusion method was the most effective method to improve the positioning accuracy and timeliness in a dense Bluetooth environment. The positioning root-mean-square error (RMSE) calculation results have showed that the hybrid method can achieve a real-time positioning and reduce error of indoor positioning.
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