Research on the Improved Data Processing Method for Foot-Mounted Inertial Pedestrian Positioning System
Notice bibliographique
Résumé
Foot-mounted Inertial Pedestrian Position System (FIPPS) plays an important role for indoor position application. It can be used in the environment without GNSS such as firefighting and military. However, the accumulating position error produced by the MIMU measurement noise, makes the system for long time position impossible. Zero Velocity Update (ZUPT) is a proposed algorithm to reduce position error for FIPPS. For ZUPT, Kalman filter is used to estimate and compensate the position error. However, because the heading misalignment angle cannot be observed by ZUPT, part of the position error caused by heading misalignment angle cannot be compensated. According to the problem above, this paper shows the improving FIPPS position algorithms we proposed in recent years, including: a) Adaptive Gradient Descent Fast-Initial Alignment Algorithm for solving the problem of the inaccuracy initial attitude resulting in the position error; b) the FR-data algorithm for solving the stable problem when the pedestrian walking fast; c) Adaptive Inertial/Magnetometer Positioning Algorithm and Improved Attitude Algorithm for improving the heading misalignment angle observability; d) Dual-foot positioning algorithm based on Adaptive Inequality Constraints Kalman filter for correcting the position error. Finally, performance of the FIPPS improve algorithm is tested using MTi-G710 MIMU.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».