Optimization of BLE Beacon Density for RSSI-Based Indoor Localization
Notice bibliographique
Résumé
Location Based Services (LBS) and Proximity Based Services (PBS) can play an important role in our daily life by simplifying tasks. Functions such as turning on and off lights can occur automatically or locking and unlocking doors can be done using LBS. By knowing the location of a user, appliances can be automated to function once the user is near them. Through the use of indoor localization, a user's position can be calculated. When designing an indoor localization system the density of transmitters plays an important role in maximizing the accuracy obtained. Increasing the number of references can improve the accuracy by providing additional information that the system can use in calculating a location. However, placing too many transmitters in the area can create interference in signals and negatively impact the localization results, while not having enough transmitters will hinder localization as not enough information is available. In this paper, we examine the optimal number of Bluetooth Low Energy (BLE) beacons to be used for indoor localization to optimize localization accuracy. Two algorithms were compared: trilateration and nonlinear least squares applying two types of filtering: moving average, and Kalman. Nine different types of systems were developed and compared in terms of accuracy and precision. According to experimental results placing six beacons in an environment will produce the optimal results. Using a nonlinear least squares algorithm with the three closest references with a moving average filter produced the lowest error of 1.149 meters with a standard deviation of 0.698 meters.
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 ».