Periodic Extended Kalman Filter to Estimate Rowing Motion Indoors Using a Wearable Ultra-Wideband Ranging Positioning System
Notice bibliographique
Résumé
Rowing depends on weather conditions and athletes rely heavily on dryland training, specifically, on rowing machines. Past research implemented methods using inertial measuring systems to study the rower’s biomechanics and oar dynamics, mostly for outdoor rowing. Tracking the oar dynamics is of great significance to coaches and athletes because it is correlated to the rower’s technical skills and boat speed (on-water). Ultra- wideband (UWB) ranging as an indoor localization method is one of the most accurate and precise among available radio frequency technologies. UWB has been used in game and individual sports to track athletes and their performance during training and competition. This paper proposes an UWB indoor positioning system to track the periodic motion of a rowing machine’s handle at varying frequencies. Furthermore, it introduces a periodic extended Kalman filter to estimate the motion as a non-sinusoidal wave. The proposed UWB positioning system is based on the double sided two-way ranging time of arrival between two anchors and a single tag. The ranging measurements are processed using three mathematical models, trilateration, extended Kalman filter with constant velocity, and a periodic extended Kalman filter. The results are compared to a reference trajectory obtained from a Vicon 8 camera motion capture system. The periodic Kalman filter outperforms the other two models, however, the accuracy and precision of the predicted position of the handle depends on the accuracy of the ranging measurements. The proposed indoor rowing positioning system is able to effectively track rowing motion using UWB ranging and a periodic extended Kalman filter.
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 | 0,000 | 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 ».