Enhancing Indoor Navigation Accuracy with a Smartphone-Based Pedometer System
Notice bibliographique
Résumé
The prominence of Indoor Navigation Systems (INS) has been on an upward trajectory in recent years.While the Global Positioning System (GPS) commonly utilizes radio waves from artificial satellites for positioning information, its precision is compromised indoors due to potential radio wave obstruction by buildings.In contrast, pedometers, a critical component of INS, can provide invaluable insights into health, exercise, and user itineraries by detecting the number of steps and pinpointing optimal indoor positions.This paper proposes the development of a high-accuracy pedometer system.The proposed tracking system capitalizes on data harvested from accelerometers, sensors integrated into mobile devices, to furnish indoor tracking predicated on a straightforward pedometer approach.Online measurements and tests were conducted in residential settings, and the recorded tests were subsequently simulated offline via MATLAB.The performance of the system was evaluated in a real-world indoor residential scenario using an iPhone6 mobile device, with the discussion encompassing potential usability aspects of the approach.The devised system mitigated the drift of sensor readings by amalgamating the data from the gyroscope and accelerometer.The experimental results revealed a percentage error of 4.33% for the proposed method, translating to an error of 0.65 meters from an average walking distance of approximately 3 meters, out of 15 meters.Future research endeavors will concentrate on enhancing the accuracy of the approach by implementing data filtering and interference reduction techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».