Assessment of a GNSS/INS/Wi-Fi Tight-Integration Method Using Support Vector Machine and Extended Kalman Filter
Notice bibliographique
Résumé
Abstract Wi-Fi derived positions have been used in the past few years as a complementary source of positioning information for GNSS and Inertial Systems (INS). Ubiquitous positioning that transitions from indoors to outdoors and vice-versa is currently a hot topic of research. In this context, this study aims to analyze the potential of directional antennas sequentially tracking Wi-Fi signals on the 11 channels around the 2.4 GHz frequency in order to serve as an integrated signal for GNSS and INS positioning. Considering, as an example, a single point positioning (SPP) strategy coupled with an INS, the use of directional antennas can be beneficial in order to provide absolute directions of travel by the means of a Support Vector Machine (SVM) lane matching. In order to test the given hypothesis, real-world experiments were performed in areas with and without obstruction in an urban environment. Using a post-processed, smoothed in both forward and backward modes, and finally edited post-processed kinematic (RTK) solution as a reference, the solution integrating SPP GNSS, INS and Wi-Fi was assessed in terms of accuracy. Preliminary results show that such a combination of the directional antennas along with GNSS and INS and their respective SVM and EKF filters, can provide sub-meter accuracy at all times without the need of precise orbits or differential corrections, increasing solution availability, reliability and accuracy on a scalable and cost-effective way.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».