A fast and accurate maximum likelihood particle filtering for the indoor DoA-based positioning
Notice bibliographique
Résumé
Indoor positioning using beacons is among the most accurate solutions. For beacon-based localization to remain advantageous, their cost should be reduced without a reduction in accuracy. One possible approach to achieve this is to rely on a smaller number of beacons. For robots that navigate on planar surfaces, two unknown position parameters and one unknown heading parameter need to be estimated. Thus, a minimum of three beacons is required, assuming each beacon provides a single observation. A reduction in the minimum number of beacons can only be achieved by incorporating other sources of information, such as a motion model that provides a prediction of the robot’s location. A common approach to fuse the observation and the motion model is based on an Extended Kalman Filter (EKF). EKF-based solutions assume that the distribution of errors in the input and output variables is Gaussian. Further, they assume that the initial position of the robot is known. These assumptions are very restrictive and can lead to large errors in the solutions or failure to converge. Due to these challenges, researchers have proposed particle filtering (PF) in such scenarios. The disadvantage of PF is the significant increase in computational cost as the number of dimensions increases. In this research, we developed a new theoretical framework that can decrease this computational cost. The solution is a two-pass approach, where particles are initially sampled in 2D space, excluding one dimension for the heading. This is achieved by using a function that approximates the maximum observation likelihood with respect to the robot’s heading. Once the final pose is derived, EKF is used to smooth the trajectory. The developed particle filter solution can achieve a 12.7 cm error while relying on only two beacons.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».