Location-Based Services in Complex Indoor Environments via Modern Smartphone Multi-Sensor Integrated Navigation
Notice bibliographique
Résumé
The problem of location-based services (LBS) in indoor environments, such as shopping malls, airports, and other large and complex buildings, has increasingly become more attractive.LBS are a type of service that utilizes the geographical location of a user or device to provide relevant information or functionality to that specific location or point of interest [Huang et al. (2018)].These services typically rely on technologies such as Global Navigation Satellite Systems (GNSS), which are usually inefficient in indoor environments, Wi-Fi, Bluetooth, or Wireless Sensor Networks to determine the user's position in real-time.Nowadays, modern smartphones are equipped with many useful sensors, some of which are particularly important for mapping, positioning, and navigation in indoor environments [Zhuang et al. (2016), Al-Balasmeh et al. (2024)].Recently, researchers have concentrated on enhancing the precision of positioning and navigation outputs through the integration of these sensors.The sensors used for integrated navigation are listed in the following, based on the type of measurement they provide.The first category is radio-based sensors that measure geometric quantities, such as distance or angle, either directly or indirectly.This includes GNSS, Wi-Fi, Bluetooth, including Bluetooth Low Energy (BLE), and, more recently, Ultra-Wideband (UWB).The second category is Inertial Measurement Units (IMUs), which measure physical quantities such as linear acceleration and angular velocity using Micro-Electro-Mechanical Systems (MEMS) accelerometers and gyroscopes, all within the smartphone's body frame.Finally, other sensors, such as the magnetometer (or magnetic compass), barometer, cameras, and pedometer, can also be used to determine location parameters through integrated navigation algorithms.For example, some useful Android and iOS applications collect this data simultaneously, allowing users to integrate it for LBS approaches.In this research, we introduce several of these applications based on the types of measurements, as shown in Table 1.App Android iOS Bluetooth Wi-Fi IMUs Magnetometer Barometer Pedometer Visual Sensor Logger Yes Yes Yes Yes Yes Yes Yes Yes Yes phyphox Yes Yes
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».