A Robust Data-Model Dual-Drive Fusion for IMU and Visible Light Integrated Localization in Complex Changing Environments
Notice bibliographique
Résumé
Visible light positioning (VLP) has attracted considerable attention due to its widespread infrastructure, low energy consumption, and high precision. However, existing VLP methods often struggle to respond promptly to environment and receiver status changes, with fixed parameters throughout execution. This limitation hinders their ability to adjust system model parameters adaptively. In this article, we propose a robust data-model dual-driven tightly coupled integration of VLP and inertial navigation with uncertainty estimation to take complementary advantage of data-driven and model-driven methods. We develop a data-driven feature encoder that consists of VLP bidirectional encoder representations from transformers (VLP-BERT) and a VLP graph attention network (VLP-GAT), enabling the system to detect abnormal observations in a changing environment.The VLP-BERT is designed to effectively encode visible light signal features, while the VLP-GAT is developed to encode the correlation feature between the signal characteristics and the anchors' spatial configuration. These encoded features are then decoded into distance confidence. Subsequently, the data-driven results are incorporated into a tightly coupled integration model, allowing for the adaptive adjustment of system parameters. In addition, the receiver is inevitably subject to occlusion and slight tilting. To address these issues, we implement occlusion detection and error detection strategies based on signal-changed features. We further use the system state from the tightly coupled integration model to exclude low-accuracy observations and solve the receiver title in VLP. Extensive experiments have been conducted to validate the presented navigator and the effectiveness of VLP-BERT and VLP-GAT. Compared to existing methods, the proposed navigator achieves precise and robust navigation in complex changing environments.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».