Benchmarking Transformer and Sequence Models for UWB Indoor Localization
Notice bibliographique
Résumé
Accurate indoor localization is a key enabler for many intelligent systems, including autonomous vehicles, service robots, smart infrastructure, and healthcare technologies. Ultra-Wideband (UWB) technology provides high-resolution range measurements and resilience to multipath, making it well-suited for such applications. However, in cluttered indoor environments, reflected signals under non-line-of-sight (NLoS) conditions can distort range estimates. These distortions are encoded in the Channel Impulse Response (CIR), which describes how signals propagate through the environment. This paper presents a comparative benchmark of learning-based models for predicting and correcting UWB ranging errors directly from CIR data. We evaluate three neural architectures—Transformer, BiLSTM, and CNN—within a unified pipeline and integrate their predictions into a classical Weighted Least Squares (WLS) localization algorithm via adaptive error weighting. Experiments on a publicly available UWB dataset spanning four diverse environments show that the Transformer-WLS model achieves the lowest average error in three out of four settings—including 1.08 m in an industrial space—outperforming BiLSTM-WLS (1.22 m), CNN-WLS (4.01 m), and traditional WLS (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\text{1. 3 3 m}$</tex>). These results highlight the effectiveness of attention-based sequence modeling for UWB localization and provide practical guidance for deploying robust learning-enhanced positioning systems in real-world 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 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 ».