Belief Condensation Filtering for RSSI-Based State Estimation in Indoor Localization
Notice bibliographique
Résumé
Recent advancements in signal processing and communication systems have resulted in evolution of an intriguing concept referred to as Internet of Things (IoT). By embracing the IoT evolution, there has been a surge of recent interest in localization/tracking within indoor environments based on Bluetooth Low Energy (BLE) technology. The basic motive behind BLE-enabled IoT applications is to provide advanced residential and enterprise solutions in an energy efficient and reliable fashion. Although recently different state estimation (SE) methodologies, ranging from Kalman filters, Particle filters, to multiple-modal solutions, have been utilized for BLE-based indoor localization, there is a need for ever more accurate and real-time algorithms. The main challenge here is that multipath fading and drastic fluctuations in the indoor environment result in complex non-linear, non-Gaussian estimation problems. The paper focuses on an alternative solution to the existing filtering techniques and introduces/discusses incorporation of the Belief Condensation Filter (BCF) for localization via BLE-enabled beacons. The BCF is a member of the universal approximation family of densities with performance bound achieving accuracy and efficiency in sequential SE and Bayesian tracking. It is a resilient filter in harsh environments where nonlinearities and non-Gaussian noise profiles persist, as seen in such applications as Indoor Localization.
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 ».