A hybrid pedestrian dead reckoning and Bluetooth positioning framework for accurate indoor localization
Notice bibliographique
Résumé
As a growing share of human activities move indoors, there is a rising need for high-accuracy, real-time localization in enclosed environments.Although satellite-based Global Navigation Satellite Systems (GNSS) excels outdoors, it fails indoors because of signal attenuation and multipath.Pedestrian Dead Reckoning (PDR) is attractive for indoor positioning because it requires no external infrastructure, estimating step-wise motion from the accelerometers and gyroscopes already embedded in smartphones and wearable devices.However, the accumulation of minor step length and heading errors can lead to meter-level drift in PDR, especially during extended walks or abrupt turns.This thesis proposes a smartphone-centered framework that fuses PDR with short-range Bluetooth anchors-iBeacon Received Signal Strength Indicator (RSSI) ranging and the new Bluetooth Channel Sounding distance-within an Unscented Kalman Filter (UKF).The UKF predicts motion from inertial sensors and corrects it using three independent Bluetooth ranges, balancing non-linear dynamics and measurement noise.Experiments in a 30 m corridor and a 100 m warehouse reduced final positioning error from Abstract ii 2.8 m to 0.9 m and from 15 m to under 2 m, respectively-an improvement of up to 80% over PDR alone.These results demonstrate the method's effectiveness in complex indoor environments.By combining low-power Bluetooth anchors with inertial data in a unified sensor-fusion architecture, the system offers a practical and extensible solution for real-time indoor localization.iii Abrégé À mesure qu'une part croissante des activités humaines se déroule en intérieur, le besoin de systèmes de localisation précis et en temps réel dans les espaces clos ne cesse d'augmenter.Bien que les systèmes de navigation par satellite (GNSS) soient très performants en extérieur, ils échouent généralement en intérieur en raison de l'atténuation du signal et des phénomènes de multipath.Le Pedestrian Dead Reckoning (PDR) suscite un vif intérêt pour la localisation en intérieur car il ne requiert aucune infrastructure externe et estime le déplacement pas à pas à partir des accéléromètres et gyroscopes déjà intégrés aux smartphones et dispositifs portables.Cependant, l'accumulation de petites erreurs de longueur de pas et de cap peut engendrer une dérive de plusieurs mètres dans le PDR, notamment lors de trajets prolongés ou de virages brusques.La présente thèse propose une architecture centrée sur le smartphone qui fusionne le PDR avec des ancrages Bluetooth à courte portée -la mesure de la puissance du signal reçu (RSSI) via iBeacon et la nouvelle fonction de Channel Sounding Bluetooth -au sein d'un filtre de Kalman sans plongement (Unscented Kalman Filter, UKF).L'UKF prévoit le Abrégé iv mouvement à partir des capteurs inertiels et le corrige grâce à trois mesures Bluetooth indépendantes, conciliant la dynamique non linéaire et le bruit de mesure.Dans des expériences menées dans un couloir de 30 m et un entrepôt de 100 m, l'erreur de localisation finale est passée de 2,8 m à 0,9 m, puis de 15 m à moins de 2 m, soit une amélioration pouvant aller jusqu'à 80% par rapport au PDR seul.Ces résultats démontrent l'efficacité de la méthode dans des environnements intérieurs complexes.En associant des ancrages Bluetooth basse consommation et des données inertielles au sein d'une architecture de fusion de capteurs, le système offre une solution pratique et extensible pour la localisation en temps réel.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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 ».