A Secure ZUPT-Aided Indoor Navigation System Using Blockchain in GNSS-Denied Environments
Notice bibliographique
Résumé
This paper proposes a novel Blockchain-based indoor navigation system that combines a foot-mounted dual-inertial measurement unit (IMU) setup and a zero-velocity update (ZUPT) algorithm for secure and accurate indoor navigation in GNSS-denied environments. The system estimates the user's position and orientation by fusing the data from two IMUs using an extended Kalman filter (EKF). The ZUPT algorithm is employed to detect and correct the error introduced by sensor drift during zero-velocity intervals, thus enhancing the accuracy of the position estimate. The proposed Low SWaP-C blockchain-based decentralized architecture ensures the security and trustworthiness of the system by providing an immutable and distributed ledger to store and verify the sensor data and navigation solutions. The proposed system is suitable for various indoor navigation applications, including autonomous vehicles, robots, and human tracking. The experimental results provide clear and compelling evidence of the effectiveness of the proposed system in ensuring the integrity, privacy, and security of navigation data through the utilization of blockchain technology. The system exhibits an impressive ability to process more than 680 transactions per second within the Hyperledger-Fabric framework. Furthermore, it demonstrates exceptional accuracy and robustness, with a mean RMSE error of 1.2 m and a peak RMSE of 3.2 during a 20 min test. By eliminating the reliance on external signals or infrastructure, the system offers an innovative, practical, and secure solution for indoor navigation in environments where GNSS signals are unavailable.
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 ».