Using BIM and Sensing Mats to Improve IMU-based Indoor Positioning Accuracy
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
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.
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