MLA-MFL: A Smartphone Indoor Localization Method for Fusing Multisource Sensors Under Multiple Scene Conditions
Notice bibliographique
Résumé
Scene-oriented multisource sensor fusion for smartphone pervasive indoor localization is the key to location-based services (LBS), which is of practical significance to addressing the limitations of indoor navigation satellite signals and facilitating accurate location services within the final 100 m. The rapid advancement of smartphone sensors and their performance provide a great opportunity for realizing smartphone indoor localization based on multisource sensors. However, the limited adaptability of current localization methods hinders their widespread applicability, necessitating the development of a smartphone-based indoor localization method tailored for complex indoor scenes. This article proposes a smartphone indoor localization method that integrates map location anchors (MLAs) with multisensor fusion location (MFL). The method identifies the sensor signal feature patterns of the smartphone’s built-in sensors in multiscenes and binds them to MLA to serve map matching. The MLA is also utilized to correct the cumulative error of pedestrian dead reckoning (PDR) to achieve indoor localization in multiple scenes by using fusion scheduling of different sensor modules. The experimental results show that the proposed method can achieve a localization accuracy of 1.01 m in multifloor scenes in collaboration with multisource sensor localization modules matched with MLA, with high robustness and usability. The code of this article is open source athttps://github.com/GHLJH/MLA-MFL.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».