PDF<我米g alt="" class="sc-EHOje jOLhQl sc-dREXXX cqhPZs" title="" role="presentation" src="data:image/svg+xml;base64,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" height="24">普及卫生保健服务和技术
把这个特殊的问题研究文章|开放获取
Youcef刺鼻,海琳Pigot,菲利普Mabilleau, ”<年代pan class="adjust-article-svg-size">智能家居的位置估计:系统实现使用实验数据和评价”,国际期刊的远程医疗和应用程序, 卷。2008年, 文章的ID142803年, 9 页面, 2008年。 https://doi.org/10.1155/2008/142803
智能家居的位置估计:系统实现使用实验数据和评价
在一个不断增加的背景下人口老龄化与认知不足,保险自治的长老在家里就变成了一个优先级。住所实验室是解决这个问题的构思一个智能家居可以帮助人们和保持他们的生活质量。显然,居住者的活动正确的监控能力,因此提供的援助在智能家居高度取决于位置信息。提出了一种解决方案本地化主人感谢贝叶斯过滤和一组匿名传感器传播整个房子。定位系统是专为一个人在房子里面。但是可能与其他定位系统结合使用,以防更多的人存在。我们的解决方案是功能在现实条件。我们设想一个实验准确地估计的准确性和评估其鲁棒性。实验由一个日常生活的场景意味着最大化乘员的运动有意义的活动。它是由14个主题,一次一个主题。 The results are satisfactory: the system’s accuracy exceeds 85% and is independent of the occupant’s profile. The system works in real time and behaves well in presence of noise.
1。介绍
老龄化在最近的爆发和即将到来的年了新的挑战为长者提供援助。此外,许多长老可能出现退化性疾病在他们的晚年可以影响他们的认知能力。例如,在加拿大<一个href="#B1">1),65岁以上的人将代表至少25%的人口在2030年和2021年,与老年痴呆症和其他相关疾病的患者数量将达到592 000人(与364年相比000年的1992)。因此,它成为迫切需要找到一个妥协之间需要经常照顾(在家里或机构)和需要减轻照顾者的负担。也,这是非常重要的,确保供职保健是个性化的和有效的。在这方面,智能辅助家庭的概念是一个适当的解决方案。的确,现在可以提供一个安全的环境,让人与认知缺陷(长老)都可以自主和感觉熟悉。智能家居也可以是一个很好的替代人颅外伤。这个群体通常是年轻和福利不如长老专门机构。
住所实验室提出了文献[<一个href="#B2">2),由怀孕计划,解决上述问题和测试一个智能家居。它位于路易斯塔里夫大学,加拿大。实验公寓包含一个卧室,一个浴室,一个客厅,一个餐厅,一个厨房。满屋子都是不同种类的传感器提供一个精确的主人的位置信息和活动。它还可以与主人交互通过触摸屏等不同的感受器,音频扬声器和可控的灯。健壮的用户系统交互是确保多亏了普适计算。
主人的位置可能是最重要的一个数据需要监控居住者的活动。事实上,这些信息是有用的交互时主人和防止危险(通过检测,例如)。住所的上下文中,这些信息是至关重要的,以推断出活动已经完成或正在处理,并提供帮助主人在哪里。我们的目标是构建一个健壮的和准确的定位系统使用可用的一组传感器已经安装在智能家居。它覆盖的情况下存在一个主人在家里,这是最相关的情况下帮助人们认知缺陷。我们首先分析当前定位技术对某些约束。然后我们现在的形式主义方法我们选择和实验设置。最后,我们提出我们进行的实验,旨在彻底评估我们的系统,我们获得的结果进行讨论。当前论文扩展(<一个href="#B3">3),侧重于评价,从而完成相应的结果与讨论部分。这里我们不讨论更高水平的援助旨在检测瀑布,推断出当前活动,或与主人交互,可以使用我们提供的信息实现定位系统。
2。技术和约束
只有少数人工智能和机器人定位技术可以应用在一个小规模的环境(<一个href="#B4">4]。此外,根据实验条件,提供解决方案的数量大大减少。这些约束来自两个原则住所内的应用技术。首先,必须保证主人的隐私。第二,技术必须不冒昧。这导致了四个约束。
(我)摄像机的使用,禁止为了保护主人的隐私。(2)传感器应在众议院仍掩饰提供一个熟悉的环境。(3)标签所穿的居住者的使用是可以避免的。这样可以减少焦虑和主人的感觉不断的监控。(iv)最经济的解决方案是首选。
第一个约束拒绝视频定位系统,如描述的一个(<一个href="#B5">5]。考虑第三种约束,解决方案,比如无线电频率识别(RFID)标签(<一个href="#B6">6]或wi - fi引擎[<一个href="#B7">7]也推到一边。这也是与红外(IR)或超声波徽章(<一个href="#B8">8]。成本约束消除大厅传感器,如[<一个href="#B9">9]。事实上,这使得我们廉价的解决方案,收集匿名数据。这包括红外探测器和其他一些传感器等设备已经安装在住所。即使在数量,基于这些传感器的系统很便宜比上述的解决方案。我们将讨论部分的完整列表<一个href="#subsec4.1">4所示。1。
定位错误诱导直接依赖于传感器时,因为后者可能有时发送虚假信息。这可能发生,因为一个内在的错误,可由于传感器的错误率或偶尔的错误在整个实验装置。外部因素也会导致错误的传感器信息。例如,一个草案可以关闭一扇门,从而触发一个错误事件。宠物有时候也会。因此,定位系统的可靠性取决于我们的能力来分析传感器数据。在这方面,最近的研究表明,传感器融合是一种有效的方式加强位置数据的有效性。无论是在机器人(<一个href="#B10">10)或在室内定位(<一个href="#B11">11),传感器融合是通过概率贝叶斯过滤等方法。
3所示。粒子过滤器
贝叶斯过滤器是有效地用于估计一个人的位置使用一组固定传感器。在这种方法中,最后的最后已知位置传感器事件都是用来评估一个新的位置。方法代表了一个有趣的精度和性能之间的妥协,并可以以不同的方式来实现。福克斯等人描述一些技术来实现贝叶斯过滤器和比较他们的表演<一个href="#B11">11]。根据比较的结果,我们决定使用粒子滤波器的方法实现定位系统。事实上,卡尔曼滤波器是一种精确的方法。然而,它变得不合适当不同类型的传感器。这是相同的多假设跟踪。同时,基于网格的方法是健壮的但是他们的低效率不包括他们。最后,拓扑方法不符合标准,除了鲁棒性。另一方面,粒子过滤器是一种有效的技术是准确的,健壮的,容易实现。这种技术也足够使用不同类型的传感器时,这是我们的案例。我们将简要描述技术。 Refer to [<一个href="#B11">11,<一个href="#B12">12为进一步阅读]。
在任何时刻,主人的位置的估计可以建模为他/她的信念是位于位置<年代vg height="11.025" id="M1" style="vertical-align:-3.21404pt;width:12.7625px;" version="1.1" viewbox="0 0 12.7625 11.025" width="12.7625" xmlns="http://www.w3.org/2000/svg">
基于粒子滤波器算法估计位置由于一组<年代vg height="7.1374998" id="M19" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
之前使用这种技术位置估计的智能家居,我们需要做一个库存的所有传感器我们使用然后属性概率密度函数。我们也需要主人的运动模型。下一节处理这些方面。
4所示。实验配置
4.1。传感器
传感器的列表我们考虑,哪些是已经安装并插入住所公寓包括以下。
(我)红外探测器。(2)触觉地毯(如稍后部分中所示<一个href="#subsec6.1">6.1为本研究的目的,这些传感器只作为位置的参考,而不是用于推断出主人的位置)。(3)聪明的电灯开关。接收到一个事件每次主人把灯打开或关闭。(iv)电接触门(包括衣柜、抽屉、站等)。接收到一个事件每次打开或关闭一扇门。(v)压力探测器。这些可以放置在床垫下,例如,为了检测如果主人躺在床上。
安装传感器的数量的变化取决于房间和感兴趣的领域(见表<一个href="//www.newsama.com/journals/ijta/2008/142803/tab1/" target="_blank">1)。例如,在卧室里只有一个红外探测器覆盖整个房间面积而两个安装在厨房里:一个覆盖全球厨房,另一只针对炉子。值得注意的是,这些传感器能给识别误触发的人相对于摄像机等设备。他们也很低调的。显然我们的方法的一个优势,因为它提供了所需的隐私规定约束。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
4.2。概率密度
我们为每个传感器分配一个概率密度函数。这个函数依赖于传感器类型,主要在传感器覆盖范围。例如,红外探测器有一个广泛的概率密度,考虑他们覆盖大部分的房间(当然,这取决于他们如何安装;他们也可以被安装到小区域)。此外,他们可以比其他更容易触发传感器。灯的开关触发传感器通常更可靠和在一个有限的地区。门联系人,也是触觉地毯,压力探测器。这就是为什么我们分配给他们更紧凑的概率密度比红外探测器。我们这些函数表的属性列表<一个href="//www.newsama.com/journals/ijta/2008/142803/tab2/" target="_blank">2。这些函数是函数定义为2 d广场<年代pan class="equation" id="eq2"> 或二维循环功能<年代pan class="equation" id="eq3">
|
|||||||||||||||||||||||||||
我们不添加噪声,这些函数本身。然而,我们保证,每一步,大约10%的粒子被吸引随机从所有可用的空间。我们注意到添加噪声密度函数可能会导致一个静态粒子云在同一个地方连续的传感器事件之后。换句话说,云可以收敛在一个相对较小的区域,无论新的传感器事件。通过添加统一的噪音,我们确保有足够的粒子在环境中避免云的固定。至于动力学,乘员的运动是由一个二维建模正常密度标准偏差包括公寓的面积的一半。虽然这个函数是相当粗糙的,但它模型非常好,瞬间之间<年代vg height="10.825" id="M32" style="vertical-align:-0.11285pt;width:30.487499px;" version="1.1" viewbox="0 0 30.487499 10.825" width="30.487499" xmlns="http://www.w3.org/2000/svg">
5。实现
在Java和连接我们的系统实现客户端到服务器的聚合物传感器和转发事件一旦发生。我们还实现了一个GUI显示客户机的状态和当前系统的预测。图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig1/" target="_blank">1显示了典型的利用我们的系统在现实条件。这些都是基于观察的行为执行期间短的情况下,类似于我们描述的一个部分<一个href="#subsec6.1">6.1。我们执行场景和观察系统的预测,知道主人的位置。在图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig1/" target="_blank">1(一),我们启动系统。主人已经在客厅里。然而,没有检测到传感器事件以来,主人可能是任何地方的房子。因此,粒子云均匀扩散。在图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig1/" target="_blank">1 (b),主人走向厨房和客厅红外传感器被激活。系统因此计算,主人在客厅里有91%的概率。粒子云包含在相应的区域。在图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig1/" target="_blank">1 (c),主人进入厨房和红外传感器有激活。系统总结道,主人在厨房里为91%。最后,主人打开冰箱的门,一个门触点事件。云迅速集中在相应的区域。的概率也在这里,厨房里的主人是高:81%。概率小于在前面的情况下,因为相关的概率密度函数(感知模型)冰箱的门触点传感器包括一个小区域外的厨房。粒子云非常动态和顺利跟随主人的路径。计算时间(需要推断出主人的位置当收到一个新的事件)不如1秒,因此该系统实时响应。
(一)系统开始
(b)的主人在客厅里
(c)主人进入厨房
(d)的主人打开冰箱门
6。系统评价
初步结果是令人鼓舞的,重要的是彻底评估系统的准确性和鲁棒性。就那么必要的监控方式在现实生活中。因此,我们设想一个实验收集数据与人们搬到公寓里,一个人。受试者没有之前熟悉的公寓。
6.1。实验场景
每个主题执行场景的长约50分钟。它由简约的常规的晚上回到家里,在第二天早上离开。这种情况下最大化乘员的运动在每一个房间的公寓,同时允许执行所有有意义的活动。它还最大化激活传感器任务执行期间的数量。这将确保我们的系统能够定位精度在实际条件的人。广泛的场景
(1)进入房子;(2)在浴室洗手;(3)在厨房里准备一个三明治;(4)在餐厅吃三明治;(5)准备咖啡在厨房里;(6)在客厅里读一本杂志,喝咖啡;(7)去卫生间;(8)躺在床上(主题是允许读取时在床上);(9)起床,化妆在浴室;(10)离开这所房子。
为了避免认知负荷,我们要求受试者执行这个场景的时间大约10分钟。例如,一分之三的步骤的场景融入这样一个时期。在每个时期,我们停止数据收集和解释下一组任务。我们验证整个场景在preexperimentation 3团队成员。这帮助我们调整的步骤,使场景更加流利。
位置估计的准确性检查由于摄像机和触觉地毯。相机位于厨房和用于记录主题的活动在准备的三明治。五个触觉地毯安装在厨房的地板上。视频的分析验证触觉地毯精度(因为我们使用触觉地毯在一个复杂的采集系统的框架下,我们测量的精度是不严格等于我们会获得如果地毯使用这个系统分开)。知道这个精度,我们使用触觉公寓的每个房间都有地毯的可靠指标。我们比较参考位置信息与我们的系统的输出。这给系统的精度,位置信息的准确性产生的贝叶斯过滤使用的传感器。
6.2。样例
的样品14人参加了10个女性和4男性组成的实验。他们的年龄分布在图所示<一个href="//www.newsama.com/journals/ijta/2008/142803/fig2/" target="_blank">2。年龄分布在22日,73年,50岁的平均值。然而有一个轻微的多数人50岁以上。以反映人口研究的目标在住所,我们招募了至少一半的受试者年龄。
7所示。结果与讨论
首先,我们观察的分布系统的信念。如图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig3/" target="_blank">3信念是88%,标准差为8%的所有数据从我们的样品。系统有一个上限的信念接近90%。噪音是由于10%的粒子,我们随机在每个迭代。这些是智能家居中均匀分布,因此粒子的浓度在一个房间里不能明显超过90%。
事件与低信念通常发生在当主人从一个房间到另一个地方。以下事件,相信得到显著提高,表明粒子云取代本身迅速、正确。此外,全球体系的准确性为85%。这是事件的百分比,系统预测准确的主人的位置,独立于系统的信仰的价值。然而有一个预期关联系统的准确性和它的信念。事件具有高的信仰不太容易是假的,反之亦然。我们因此可以增加系统的准确性与最小的信仰被拒绝的事件。图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig4/" target="_blank">4显示精度的变化与拒绝削减的价值系统的信念。通过拒绝事件与信念不到80%,系统变得88%的准确性。这减少拒绝只有6%的真实事件和三分之一的假的。切当然可以更激烈:通过拒绝事件信念不足90%,精度可以增加到95%。然而,削减80%更为合理,因为这个值是错误的事件意味着信仰。在工作条件,可以改变取决于关键的位置信息,也就是说,根据上下文和应用程序需要的信息。
最重要的限制是,正如预期的那样,我们的系统可以不连贯的结果中存在不止一个人在房子里。事实上,当两个人同时(或更多)激活传感器,各自之间的粒子云往往交替位置。一个上层的解决方案然后必要为了识别和处理这一趋势。这种限制的一个直接后果是,我们收集的信息是匿名的。这是因为我们避免使用设备,危及使用者的熟悉监控的环境或让他/她感觉穿着一个RFID标签,例如(这种系统也有一个缺点,如果主人决定撤回标签。)。在这方面,我们的系统注定是用来定位一个人在房子里。当游客存在,我们的系统可以与另一个系统一起使用:例如,要求游客穿一个RFID标签来区分它们的主人。在这种情况下,定位比主人还可能被视为重要当主人独自在家(住所是专为只有一个人认知缺陷/智能家居。游客主要照顾者或家庭成员)。
为了进一步评估我们的系统,我们对于其他实验方面研究它的行为,如可能的相关性分析居住者的概要文件。我们也调查最好的传感器配置每个活动和他们比较,居住者的动力学,行为存在的噪声,最后系统的性能。
7.1。相关性与居住者的概要文件
我们研究的主要目标之一是评估系统是否应该个性化根据居住者的概要文件。唯一profile-dependent参数影响了动态贝叶斯滤波公式。由于受试者健康,没有显著的变化,最精确的变量与动力学是年龄。因此,假设是,如果系统取决于居住者的年龄或动力,因此在他们的个人档案,系统需要调整部署适合它。图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig5/" target="_blank">5显示精度和年龄之间没有显著相关性(相关系数<年代vg height="13.675" id="M36" style="vertical-align:-2.29482pt;width:54.712502px;" version="1.1" viewbox="0 0 54.712502 13.675" width="54.712502" xmlns="http://www.w3.org/2000/svg">
7.2。传感器配置
在解决经济问题的目的,我们研究传感器配置最优。这个信息是非常重要的,如果一个人有限制冗余,尽管后者可能有助于提供一个健壮的环境。因此,我们使用不同的传感器测量系统的精度。完整的信息表<一个href="//www.newsama.com/journals/ijta/2008/142803/tab3/" target="_blank">3。为了实现这一比较,我们使用的数据只有一个主题,代表我们选择基于平均年龄(<年代vg height="12.2375" id="M37" style="vertical-align:-1.09097pt;width:49.037498px;" version="1.1" viewbox="0 0 49.037498 12.2375" width="49.037498" xmlns="http://www.w3.org/2000/svg">
|
||||||||||||||||||||||||
7.3。传感器/活动
相比,传感器是基于一个活动标准。我们选择两个活动:步行和准备一个三明治。其他活动——例如餐饮、阅读和睡眠不产生足够的传感器数据与当前场景需要考虑这种比较。表<一个href="//www.newsama.com/journals/ijta/2008/142803/tab4/" target="_blank">4显示了结果我们获得使用不同的传感器。步行活动,红外传感器是最准确的,因为主人很少激活其他传感器在移动的房子。然而,当准备三明治,主人经常打开冰箱,厨房里各种抽屉。因此,门触点传感器一样准确的红外的。这对于本地化变得有用的活动执行。在前一节中,我们看到红外传感器定位系统的核心,尽管它们可以带来的可靠性问题。准备晚餐,门联系人可以尽可能准确和更可靠的红外传感器,因此更适合于定位主人在这活动。
|
||||||||||||||||||||||||||||||||||||||||||
7.4。动态模型
为了测试的影响的动力学模型,分析了系统的准确性,同时修改动态高斯函数。系统的精度保持稳定的长期高斯的大小(图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig6/" target="_blank">6)。然而,当标准差的高斯变得太小,粒子云惯性增加,模型未能反映自然的运动。相反,大功能似乎表现得很好。但这种变化时应对噪音。
7.5。行为存在的噪音
在实验室实验发生。因此,即使设置类似于公寓,扰动控制。总是独自一人和执行预定义的主题活动。因此重要的是要分析的行为定位系统的噪音。首先,由于没有明显的噪声是存在于我们收集的数据,我们为了完成我们的测试生成随机噪声。表<一个href="//www.newsama.com/journals/ijta/2008/142803/tab5/" target="_blank">5显示的准确性和信仰是如何影响当与随机传感器噪声污染数据。系统非常稳定,仍然是准确的在84%甚至2.5%的存在噪音。增加的百分比噪音不影响定位精度5%。值得注意的是,由于没有可观察到的噪音数据,1%的噪音已经是一个保守的价值。
|
||||||||||||||||||||||||
在第二个步骤中,我们分析噪声的影响变化的动态模型。我们因此引入2.5%噪声而修改动态(图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig7/" target="_blank">7)。小高斯函数仍然无法重现居住者的动力学。然而,在噪声的存在,更大的高斯函数也成为问题。更大的高斯函数模型更快的运动,因此未能拒绝虚假事件即使他们几年遥远的比实际的主人的位置。高斯函数的大小相当的公寓,以确保最佳的系统的准确性。
7.6。理想的粒子数
最后,为了优化,我们想推断出最好的算法参数的设置。因此,我们研究如何使用的粒子数量可能会影响预测精度(图<一个href="//www.newsama.com/journals/ijta/2008/142803/fig8/" target="_blank">8)。正如所料,使用更多的颗粒,最好的预测。然而,粒子数的增加会导致计算时间的增加。因此,云动力学未能复制乘员的运动。系统的精度是相当稳定的粒子数量在500到2000之间。因此,最小值(500)成为了最好的选择,因为它是最接近实时复制乘员的运动。
8。结论
我们提出了定位系统在实验室的住所。该系统检测到一个人的位置通过各种匿名传感器安装在智能家居。我们设置一个实验场景为了评估的准确性,在智能家居与人执行重要任务。这些数据得到的结果非常令人满意。基于贝叶斯过滤算法显示了一个意味着定位精度为85%。关于噪声系统快速、健壮。此外,因为它是profile-independent,它可以很容易地部署在未来家庭在实验室正在构思。这将是有趣的观察我们的系统的行为一旦集成应用程序旨在提供高水平的援助。最重要的是,它是至关重要的测量定位精度需要为不同的应用程序。可能继续这项工作将是检查的可能性来定位两个或两个以上的人使用相同的实验装置(宠物的存在也是有趣的调查)。 This would enable to respect the cost and anonymousness constraints when several people are present. A multiagent approach is being investigated at DOMUS and already is giving promising results. Moreover, using data from people with cognitive deficiencies, in a real setting, would help in consolidating the results from the present study.
承认
作者要感谢欧内斯特Monga路易斯塔里夫大学数学系的有价值的讨论本文提供的数据的统计特性。
引用
- 麦克道尔,g·希尔,j·林赛et al .,”加拿大健康和衰老的研究:研究方法和痴呆的患病率,”<我>加拿大医学协会期刊,卷150,不。6,899 - 913年,1994页。<年代pan class="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Canadian%20study%20of%20health%20and%20aging:%20study%20methods%20and%20prevalence%20of%20dementia&author=I. McDowell&author=G. Hill&author=J. Lindsay et al.&publication_year=1994" target="_blank">谷歌学术搜索
- h . Pigot吉鲁,a . mayer b . Lefebvre诉Rialle,“智能栖息地和日常生活活动支持”<我>学报在Biomedecine第五届模拟国际会议卢布尔雅那,页507 - 516年,斯洛文尼亚,2003年4月。<年代pan class="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=The%20intelligent%20habitat%20and%20everyday%20life%20activity%20support&author=H. Pigot&author=S. Giroux&author=A. Mayers&author=B. Lefebvre&author=&author=V. Rialle" target="_blank">谷歌学术搜索
- y刺鼻,p . Mabilleau和h . Pigot“贝叶斯过滤和匿名传感器定位的智能家居,”<我>21国际会议的程序先进信息网络和应用研讨会(AINAW ' 07),1卷,页793 - 797,尼亚加拉大瀑布,加拿大,2007年5月。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1109/AINAW.2007.108">出版商的网站|谷歌学术搜索
- j .高塔和g·博列洛,”位置系统无处不在的计算”,<我>电脑,34卷,不。8日,57 - 66,2001页。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1109/2.940014">出版商的网站|谷歌学术搜索
- 塔巴a . m ., a . Keshavarz和h . Aghajan”智能家居护理网络使用传感器融合和分布式推理,建立”<我>《第四届ACM国际研讨会上视频监控和传感器网络(VSSN 06年)圣芭芭拉分校,页145 - 154年,加州,美国,2006年10月。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1145/1178782.1178804">出版商的网站|谷歌学术搜索
- j . Werb和c . Lanzl”设计在室内定位系统寻找事物和人,”<我>IEEE频谱,35卷,不。9日,第78 - 71页,1998年。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1109/6.715187">出版商的网站|谷歌学术搜索
- “本周定位引擎,”<一个target="_blank" href="http://www.ekahau.com/">http://www.ekahau.com/。<年代pan class="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Ekahau%20Positioning%20Engine" target="_blank">谷歌学术搜索
- h·s·李,b的歌,h . y .梦想和k .钟”位置错误检测和校正的方法在智能家居环境中,”<我>《国际会议上混合信息技术(ICHIT 06年),卷2,页432 - 438,济州岛,韩国,2006年11月。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1109/ICHIT.2006.241">出版商的网站|谷歌学术搜索
- y Kaddourah, j·王,a·希拉勒、“Cost-precision毫无羁绊地权衡在大厅室内位置跟踪,”<我>诉讼第三智能家居与健康国际会议远程信息处理(ICOST ' 05)2005年7月,路易斯塔里夫,加拿大魁北克,。<年代pan class="reflinks">视图:<一个href="https://scholar.google.com/scholar_lookup?title=Cost-precision%20tradeoffs%20in%20unencumbered%20floor-based%20indoor%20location%20tracking&author=Y. Kaddourah&author=J. King&author=&author=A. Helal" target="_blank">谷歌学术搜索
- 杜伦,w . Burgard d·福克斯,“概率并发映射和移动机器人定位方法,”<我>自主机器人,5卷,不。3 - 4、253 - 271年,1998页。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1023/A:1008806205438">出版商的网站|谷歌学术搜索
- d·福克斯,j .高塔l .廖d·舒尔茨和g .妓院”位置估计、贝叶斯过滤”<我>IEEE普适计算,卷2,不。3 - 33,2003页。<年代pan class="reflinks">视图:<一个href="https://doi.org/10.1109/MPRV.2003.1228524">出版商的网站|谷歌学术搜索
- 美国j·拉塞尔和p . Norvig<我>人工智能:一种现代方法美国新泽西,新世纪,恩格尔伍德悬崖,第二版,2002年版。<年代pan class="reflinks">
版权
版权©2008 Youcef刺鼻et al。这是一个开放的分布式下文章<一个rel=”l我cense" href="http://creativecommons.org/licenses/by/3.0/">知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
