Using BIM and Sensing Mats to Improve IMU-based Indoor Positioning Accuracy
Notice bibliographique
Résumé
Using BIM and Sensing Mats to Improve IMU-based Indoor Positioning Accuracy Chia-Hsien Chen and I-Chen Wu Pages 818-823 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: Currently, numerous approaches to Indoor Positioning Systems (IPSs), such as RSSI (Received Signal Strength Indication), fingerprint, PDR (Pedestrian Dead-Reckoning), and image recognition, have been developed. But each individual positioning method has unique drawbacks. In this study, we provide an IPS with a novel combined positioning method that applies Building Information Modelling (BIM) and Internet of Things (IoT). We employ an Inertial Measurement Unit (IMU) to track peoples positions. We then utilize a BIM model that has information (semantic and geometric) and a sensing mat to eliminate IMU drift error in the positioning process. The demonstration field is a research office, and test results show that the BIM based positioning constraint can effectively filter IMU cumulative error along with time; thereby, positioning accuracy can be controlled to a range of 30cm × 30cm. In sum, this paper proposes a new positioning method that compensates for the weakness of the IMU. In the future, this system can be applied to people management, such as telecare for older adults. Keywords: BIM; Indoor Positioning System; IoT; IMU; Sensing Mat DOI: https://doi.org/10.22260/ISARC2019/0110 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».