3-D Indoor Positioning Based on Passive Radio Frequency Signal Strength Distribution
Notice bibliographique
Résumé
In recent years, indoor positioning systems (IPSs) have received attention from many research fields, such as robotics, navigation, human–computer interaction, etc. However, IPS based on passive radio frequency (PRF) technology is still rare. This article proposes a 3-D IPS based on received signal strength (RSS) distribution and Gaussian process regression (GPR). Traditional RSS-based positioning systems have a transmitter with known frequencies, while in the proposed PRf signal of Opportunity—3D IPS (PRO-3DIPS), the system neither deploys new transmitters nor uses any a priori knowledge of transmitters. Furthermore, PRO-3DIPS integrates multiple Signal of Opportunity (SoOP) sources, shadowing, fading, and also captures scenario signatures. Data collection and analysis of PRF-based RSS distribution in 3-D space enables the capability of 3-D positioning. Three methods are applied and compared to find the frequency band most impacted by the scenario to achieve the best positioning performance as well as used in the estimation of RSS distribution. The RSS distribution is estimated by measuring the PRF spectrum on a fixed grid in the scenario. Using the RSS distribution, the GPR can accurately locate the receiver position. RSS at 90-gridded positions were collected in the experiment scenario, with one hundred samples at each position. The experimental result shows that a root-mean-square error (RMSE) of the proposed PRO-3DIPS is 0.292 m when the sampling distance is 1 m. The result demonstrates that the PRF spectrum is a new modality for the positioning task, which demonstrates better performance than most existing RF-based technologies.
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 ».