Pseudo-Zero Velocity Re-Detection Double Threshold Zero-Velocity Update (ZUPT) for Inertial Sensor-Based Pedestrian Navigation
Notice bibliographique
Résumé
Zero-velocity update method (ZUPT) is widely used in inertial measurement unit (IMU)-based pedestrian navigation systems for mitigating sensor drifting error. In the basic pedestrian dead reckoning (PDR) system, especially in the foot-tie PDR system, zero-velocity update method with Kalman filter are two core algorithms. In the basic PDR system, ZUPT usually uses a single threshold to judge the gait of pedestrians. A single threshold, however, makes ZUPT unable to accurately judge the gait of pedestrians in different road conditions. In this paper, we propose a new, redesigned ZUPT method without using additional equipment and filter algorithms to further improve the accuracy of correction results. The method uses a sliding detection algorithm to help re-detect the zero-velocity intervals, aiming to remove the pseudo-zero velocity interval and the pseudo-motion interval, as well as improving the performance of the ZUPT method. The method was implemented in a shoe-mounted IMU-based navigation system. For walking step detection tests, the accuracy of the proposed modified ZUPT method reached 87.24%, 25% higher than the conventional methods. In a long-distance walking path tracking test, the mean error of the estimated path of our method is 0.61 m, an 81.69% reduction compared to the conventional ZUPT methods. The details of the improved ZUPT method presented in this paper not only enable the tracking technology to better track a pedestrian’s step changes during walking, but also provide better calculation conditions for subsequent filter operations.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».