Passive Indoor Visible Light Positioning System Using Deep Learning
Notice bibliographique
Résumé
A passive indoor visible light positioning system is proposed that does not require active participation from the user and is suitable for IoT sensor networks. This approach does not require a line-of-sight path and measures the impulse response (IR) between sources and receivers installed in the room. The presence of an object of interest (OI), i.e., a person to be localized, disrupts the IRs among the source–receiver pairs, which can be related to its position. A deep learning framework is developed that learns the relationship between changes in sets of IRs and the OI position through a set of training data obtained by placing the OI at random locations in the room. This approach shows that the OI can be localized using a very limited set of training data under a wide range of illumination levels. In order to represent a realistic scenario, a room with furniture is modeled in the optical system design software. The ray trace information of the modeled room is used to construct IR measurements among different source–receiver pairs that include multiorder reflections. The results show that localization performance is crucially related to the signal-to-noise ratio and the number of training data points used in the learning process. A root-mean-square error (RMSE) near 30 cm is possible in the case of high SNR and a large training set. However, even with a very limited training set and over a range of dimming levels, RMSEs of near 80 cm were obtained without the need for explicit user involvement.
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 | 0,001 |
| 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 ».