मैं बस जोर से सोच रहा हूं, और मैंने अभी तक एंड्रॉइड एक्सीलेरोमीटर एपीआई के साथ नहीं खेला है, इसलिए मेरे साथ सहन करें।
सबसे पहले, पारंपरिक रूप से, एक्सीलरोमीटर से नेविगेशन प्राप्त करने के लिए आपको 6-एक्सिस एक्सेलेरोमीटर की आवश्यकता होगी। आपको एक्स, वाई, और जेड में त्वरण की आवश्यकता है, लेकिन एक्सआर, वाईआर, और जेडआर भी घुमाव। रोटेशन डेटा के बिना, आपके पास एक वेक्टर को स्थापित करने के लिए पर्याप्त डेटा नहीं है जब तक कि आप यह नहीं मानते कि डिवाइस कभी भी ऐसा नहीं बदलता है, जो कि बहुत सीमित होगा। वैसे भी कोई भी टीओएस नहीं पढ़ता है।
ओह, और आप जानते हैं कि INS पृथ्वी के घूर्णन के साथ बहती है, है ना? तो वह भी है। एक घंटे बाद और आप रहस्यमय तरीके से अंतरिक्ष में 15 ° ढलान पर चढ़ रहे हैं। यह मानते हुए कि आपके पास एक आईएनएस है जो उस स्थान को लंबे समय तक बनाए रखने में सक्षम है, जो एक फोन अभी तक नहीं कर सकता है।
एक्सेलेरोमीटर का उपयोग करने का एक बेहतर तरीका, 3-एक्सिस एक्सेलेरोमीटर के साथ-नेविगेशन के लिए जब भी संभव हो INS को कैलिब्रेट करने के लिए GPS में टाई करना होगा। जहां जीपीएस कम पड़ता है, आईएनएस तारीफ अच्छी तरह से करता है। जीपीएस अचानक आपको 3 ब्लॉक दूर शूट कर सकता है क्योंकि आप एक पेड़ के बहुत करीब पहुंच गए हैं। आईएनएस महान नहीं है, लेकिन कम से कम यह जानता है कि आप एक उल्का से नहीं टकराए थे।
आप क्या कर सकते हैं फोन एक्सेलेरोमीटर डेटा लॉग करें, और इसके बहुत सारे। सप्ताह के लायक। इसकी तुलना अच्छे से करें (मेरा मतलब वास्तव में अच्छा है) GPS डेटा और एक्सेलेरोमीटर डेटा और ज्ञात GPS डेटा के बीच रुझानों के सहसंबंध स्थापित करने के लिए डेटामाइनिंग का उपयोग करें। (प्रो टिप: आप अच्छे ज्यामिति और बहुत सारे उपग्रहों के साथ दिनों के लिए जीपीएस पंचांग की जाँच करना चाहेंगे। कुछ दिन आपके पास केवल ४ उपग्रह हो सकते हैं और यह पर्याप्त नहीं है) आप क्या कर सकते हैं यह पता लगाने में सक्षम है कि जब कोई व्यक्ति अपनी जेब में अपने फोन के साथ चल रहा है, एक्सेलेरोमीटर डेटा एक बहुत विशिष्ट पैटर्न लॉग करता है। डेटामाइनिंग के आधार पर, आप उस उपयोगकर्ता के साथ उस डिवाइस के लिए एक प्रोफ़ाइल स्थापित करते हैं, और उस तरह का वेग किस प्रकार का प्रतिनिधित्व करता है जब उसके साथ जाने के लिए जीपीएस डेटा था। आपको सीढ़ियों पर चढ़ने, नीचे बैठने, (0 वेग समय के लिए अंशांकन) का पता लगाने में सक्षम होना चाहिए! ) और विभिन्न अन्य कार्य। फोन को किस तरह से धारण किया जा रहा है, इसे पूरी तरह से अलग डेटा इनपुट के रूप में माना जाना चाहिए। मुझे एक तंत्रिका नेटवर्क की गंध आती है जिसका उपयोग डेटा खनन करने के लिए किया जा रहा है। कुछ अंधे जो इनपुट का मतलब है, दूसरे शब्दों में। एल्गोरिथ्म केवल पैटर्न में रुझानों की तलाश करेगा, और वास्तव में आईएनएस के वास्तविक मापों पर ध्यान नहीं देगा। यह सब पता चल जाएगाhistorically, when this pattern occurs, the device is traveling and 2.72 m/s X, 0.17m/s Y, 0.01m/s Z, so the device must be doing that now.और यह उसके अनुसार टुकड़ा आगे बढ़ाएगा। यह महत्वपूर्ण है कि यह पूरी तरह से अंधा है, क्योंकि आपकी जेब में एक फोन डालने से 4 अलग-अलग झुकावों में से एक में उन्मुख हो सकता है, और यदि आप जेब को स्विच करते हैं तो 8। और आपके फोन को पकड़ने के कई तरीके भी हैं। हम यहां बहुत सारे डेटा की बात कर रहे हैं।
आपको स्पष्ट रूप से अभी भी बहुत अधिक बहाव होगा, लेकिन मुझे लगता है कि आपके पास इस तरह से बेहतर भाग्य होगा क्योंकि डिवाइस को पता चल जाएगा कि आपने चलना कब बंद कर दिया है, और स्थितीय बहाव एक स्थायी नहीं होगा। यह जानता है कि आप ऐतिहासिक आंकड़ों पर आधारित हैं। पारंपरिक INS सिस्टम में यह सुविधा नहीं है। बहाव भविष्य के सभी मापों और यौगिकों तक तेजी से पहुंचता है। Ungodly सटीकता, या नियमित अंतराल पर जांच करने के लिए एक माध्यमिक नेविगेशन रखने, पारंपरिक INS के साथ बिल्कुल महत्वपूर्ण है।
प्रत्येक उपकरण, और प्रत्येक व्यक्ति को अपना प्रोफ़ाइल बनाना होगा। यह बहुत अधिक डेटा और बहुत सारी गणना है। हर कोई अलग-अलग कदमों के साथ अलग-अलग गति से चलता है, और अपने फोन को अलग-अलग जेब में रखता है, आदि। निश्चित रूप से वास्तविक दुनिया में इसे लागू करने के लिए नंबर-क्रंचिंग को सर्वर-साइड हैंडल करने की आवश्यकता होगी।
यदि आपने प्रारंभिक बेसलाइन के लिए GPS का उपयोग किया है, तो समस्या का एक हिस्सा यह है कि समय के साथ-साथ स्वयं के माइग्रेशन होते हैं, लेकिन वे गैर-स्थायी त्रुटियाँ हैं। एक स्थान पर एक रिसीवर बैठें और डेटा लॉग करें। यदि कोई WAAS सुधार नहीं है, तो आप आसानी से अपने चारों ओर 100 फीट की दूरी पर यादृच्छिक दिशाओं में बहते हुए स्थान सुधार प्राप्त कर सकते हैं। WAAS के साथ, शायद 6 फीट नीचे। आप वास्तव में कम से कम एएनएन के एल्गोरिथ्म को प्राप्त करने के लिए एक बैकपैक पर उप-मीटर आरटीके प्रणाली के साथ बेहतर किस्मत पा सकते हैं।
मेरी विधि का उपयोग करके आईएनएस के साथ आपको अभी भी कोणीय बहाव होगा। यह एक समस्या है। लेकिन, यदि आप एन उपयोगकर्ताओं के बीच हफ्तों तक जीपीएस और आईएनएस डेटा डालने के लिए एक एएनएन बनाने के लिए इतनी दूर चले गए, और वास्तव में इस बिंदु पर काम कर रहे हैं, तो आप स्पष्ट रूप से अब तक बड़े डेटा का बुरा नहीं मानते हैं। कोणीय बहाव को हल करने में मदद करने के लिए उस पथ को नीचे रखें और अधिक डेटा का उपयोग करें: लोग आदत के प्राणी हैं। हम बहुत कुछ वैसा ही करते हैं जैसे दरवाजे, सीढ़ियों के माध्यम से फुटपाथों पर चलना, और फ्रीवे के पार चलना, दीवारों के माध्यम से, या बालकनियों से पागल चीजों को न करना।
तो मान लें कि आप बिग ब्रदर से एक पेज ले रहे हैं और डेटा को स्टोर करना शुरू कर रहे हैं जहां लोग जा रहे हैं। आप मानचित्रण शुरू कर सकते हैं जहां लोगों को चलने की उम्मीद होगी। यह एक निश्चित यकीन है कि अगर उपयोगकर्ता सीढ़ियों से चलना शुरू कर देता है, तो वह सीढ़ियों के उसी आधार पर है जो व्यक्ति उसके चलने से पहले था। 1000 पुनरावृत्तियों और कुछ न्यूनतम वर्गों के समायोजन के बाद, आपका डेटाबेस बहुत अधिक जानता है कि उन सीढ़ियों को महान सटीकता के साथ कहां रखा गया है। अब आप कोणीय बहाव और स्थान को सही कर सकते हैं क्योंकि व्यक्ति चलना शुरू कर देता है। जब वह उन सीढ़ियों से टकराती है, या उस हॉल को ठुकरा देती है, या फुटपाथ से नीचे जाती है, तो किसी भी बहाव को सुधारा जा सकता है। आपके डेटाबेस में ऐसे क्षेत्र शामिल होंगे जो इस संभावना से भारित होते हैं कि कोई व्यक्ति वहां चल रहा है, या यह कि उपयोगकर्ता पूर्व में वहां चल चुका है। स्थानिक डेटाबेस इसके उपयोग के लिए अनुकूलित हैंdivide and conquerकेवल उन क्षेत्रों को आवंटित करना जो सार्थक हैं। यह उन एमआईटी परियोजनाओं की तरह होगा जहां लेजर से लैस रोबोट एक काले रंग की छवि के साथ शुरू होता है, और हर मोड़ को रोशन करके याद में भूलभुलैया को पेंट करता है, जहां सभी दीवारें हैं।
उच्च यातायात के क्षेत्रों को अधिक वजन मिलेगा, और ऐसे क्षेत्र जहां किसी को कभी 0 वजन नहीं मिला है। उच्च यातायात क्षेत्रों में उच्च रिज़ॉल्यूशन होते हैं। आप अनिवार्य रूप से हर जगह किसी के नक्शे के साथ समाप्त हो जाएगा और इसे एक भविष्यवाणी मॉडल के रूप में उपयोग करेंगे।
मुझे आश्चर्य नहीं होगा यदि आप यह निर्धारित कर सकते हैं कि इस पद्धति का उपयोग करके एक थिएटर में एक व्यक्ति ने कौन सी सीट ली। थिएटर में जाने वाले पर्याप्त उपयोगकर्ताओं और पर्याप्त रिज़ॉल्यूशन को देखते हुए, आपके पास थिएटर की प्रत्येक पंक्ति का डेटा मैप करना होगा, और प्रत्येक पंक्ति कितनी चौड़ी होगी। जितने अधिक लोग किसी स्थान पर जाते हैं, उतनी उच्च निष्ठा होती है जिसके साथ आप अनुमान लगा सकते हैं कि वह व्यक्ति स्थित है।
इसके अलावा, यदि आप इस तरह के सामान में वर्तमान शोध में रुचि रखते हैं, तो मैं आपको जीपीएस वर्ल्ड पत्रिका के लिए एक (फ्री) सदस्यता प्राप्त करने की अत्यधिक सलाह देता हूं। हर महीने मैं इसके साथ बाहर निकलता हूं।