Proximity Estimation with BLE RSSI and UWB Range Using Machine Learning Algorithm
Notice bibliographique
Résumé
Measuring the distance between two indoor mobile phones has recently become important in the context of pandemic contact tracing. Mobile phone location has improved as new technologies are added to smartphones. Ultra-wideband (UWB) ranging radios capable of centimetre-level ranging accuracies have been included in some flagship smartphone models beginning in 2019 but remain uncommon. The ranging radios compute distances using two-way time of flight approaches, providing up to centimetre-level accuracy in line-of-sight (LOS) conditions. Other mobile phones in the market today use Bluetooth Low Energy (BLE) to estimate proximity between two Bluetooth-enabled devices using the Received Signal Strength Indicator (RSSI). However, this technology suffers from drawbacks since the varying propagation environment inhibits stable RSSI. This paper presents a method where a subset of users are carrying high-end UWB-enabled smartphones. These users collect precise UWB ranges in addition to BLE RSSI. A classical machine learning (ML) algorithm is then trained with UWB ranges as truth values to estimate distances based on RSSI. A random forest ML technique is described for RSSI to distance modeling. The majority of the users, with only BLE, then estimate their relative distances using the trained model. The model was trained using UWB and BLE observations collected in an empty room environment. The model was then tested using RSSI measurements from the same empty and a second room containing typical office furniture. When testing on the training environment, 213 test samples were used. In the second office environment 200 RSSI samples were used to estimate distance in various locations.
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 | 0,000 |
| 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 ».