室内本地化基于GSM信号:多层的建筑研究

文摘

精确的室内定位系统中使用WiFi,蓝牙,或红外技术,是基于GSM的依赖于一个稳定的外部基础设施,甚至在紧急情况下可以使用。提出一个准确GSM室内定位系统,达到4.39米的平均误差在水平坐标和地板预测的准确率可达到64%(84%的情况下,地板的预测是错误的,不超过一个地板)。测试和参考测量是在七楼学术建设,形状不规则,尺寸大约有50米的70米。本地化算法使用GSM信号最强读数从7细胞可以在GSM标准(或更少,如果少于7是可用的)。我们估计的位置通过三步法。首先,我们提出一个本地化的解决方案(即。基于只有一个测量),本地化。然后,通过应用集中趋势过滤器和多层感知器,我们建立一个本地化的系统使用一个序列的估计当前和过去的位置。我们还讨论主要精度因素如观测信号的数目或类型的空间。

1。介绍

今天,户外本地化是一个我们生活的一部分。然而,等有用的本地化方法全球定位系统(GPS)建筑物内失败。受欢迎的替代品使用收到无线网络信号强度(RSS),可在室内。测量来自多个接入点的无线信号的强度在不同的位置,我们创建一个地图的指纹。在本地化过程的位置可以发现通过电流信号的比较优势创建地图。

使用WiFi信号内部建筑与许多不同的接入点,其范围覆盖整个建筑允许一个非常准确的本地化解决方案。然而,这种方法可能会失败在建筑物可怜的网络基础设施。此外,在火灾等紧急情况下的建筑,当地基础设施可能会损坏和本地化系统将会失败。

另一个是一个本地化的系统基于外部基础设施。我们现在一个室内定位系统基于全球移动通信系统(GSM)的信号。拟议的本地化系统可以实现在大多数Android手机。不过,也有例外。我们的测试表明,三星Galaxy S三世返回数据有限,不能使用。我们测试了该系统在七楼学术建设三维对象的本地化。提出了以下结果:水平本地化解决方案中值误差小于4.39米,地板检测解决方案的准确性达64%。

本工作的其余部分组织如下:部分2描述了数据和数据采集过程。部分3介绍了两级本地化过程。部分4给出了测试结果。提出了讨论部分5,主要精度因素进行了分析,部分6与其他算法相比,我们的结果。这是紧随其后的是结论部分7。

2。数据

2.1。数据描述

收集的数据统计模型使用三种不同的手机,索尼爱立信E15i,索尼爱立信MT11i,和HTC欲望,他们运行Android操作系统2.1(或更新)。测量是用手工手机水平放置在离地面1米。所有手机都是附加到GSM (2 g)移动网络在实验。应该注意的是,在手机收集数据的同时,网关移动位置中心——(GMLC)基于终端的位置估计,这可能导致更频繁的细胞重新选择请求发送到移动站(与纯粹的空闲状态的终端操作操作)。这将导致一个更完整的表示可能提供细胞在一个给定的位置,虽然我们的模型需要直接利用这一事实,只接收信号向量的优势。

数据聚集在所有公众开放地区的七楼学术建设(包括一楼)。建筑有一个不规则的形状,其外层尺寸大约50到70米,高度24米。一个3 d建筑草图如图1。建筑物的更详细的计划你可能访问的门户进行室内本地化项目(http://lokkom.mini.pw.edu.pl: 8080 / miniLocal.php)。

为目的的培训和测试本地化预测的统计模型,我们聚集在三个独立的一系列测量数据(每个系列发生在另一个星期)。为了准确的建筑内部的坐标信息,我们定义了一个0.75 - 0.75米的网格和为每个点分配一个惟一的标识符(用POI)。所有测量的点被定义的网格和他们相应POIs的标记。一个单一的测量(指纹)是一个实值向量,在那里的RSSI吗th BTS,通常从113−−51 dBm dBm。维度空间的指纹是所有bts的数量,我们决定包括创建本地化时模型。在我们的例子中,这是所有bts的数量被观察到在建筑内部,也就是说,。在没有信号的th BTS,我们组。

数据收集的三个人,每个系列的测量平均花了9天。每个系列的测量是在1200年左右POIs。使最终的结果更独立于时空的RSSI波动,在每个POI测量了40倍。这导致一个ca总数48000的指纹。

第一个和第二个系列在同一组POIs,命令一般在1.5 - 1.5米网格(表示),而第三系列用于测试了另一组POIs形成另一个1.5 - 1.5米网格(表示由0.75米)转移在每个方向偏移。例外从1.5 - 1.5米的网格是大型讲座大厅,3.0 - 3.0米的电网使用。在本文的其余部分,我们将表示第一,第二,第三个系列,,,分别。很明显,为。特征向量的元素)被贴上标签(我)的值和坐标(米)(2)地板上号码,(3)手机的四个方向之一是面向(平行于水平轴);应该注意的是,定位信息没有传递到预测模型,但用于人工路径的生成。

在整个建筑BTS我们观察到39个不同的标识符。RSSI值7 bts注册在一个单一的测量,它对应于GSM标准。特别是,根据无线资源控制协议(1),允许普通移动电子报告1份细胞的信号强度和6邻近的细胞在一个测量报告。表1礼物选择统计每层建筑的bts的数量,相对样本大小,标准偏差在水平方向,和任意选择的区域(房间、独特的走廊,大厅,等等)。

尽管适当的标准,我们发现手机中使用的实验报道RSSI值标准是不允许的。特别是,RSSI水平从113 dBm−−11被观察到,而3 gpp规范定义最大值为−51 dBm(即被视为−51 dBm或更高)。这样测量形成0.4%的数据集。此外,未知的RSSI值报告0.7%的移动终端的测量。总结,数据集验证后,总数为683 258注册为GSM bts RSSI值被用于这项工作的目的。直方图显示有效的RSSI值的分布如图注册在我们的数据库2。

测量范围是专注于建筑的大厅和走廊,外加几个讲座房间和电脑实验室,因为这些是最经常访问地点建筑物内。图1提供了一个全面的观点建立的标记表示点和。

在这一节中描述的数据也被用于分析提出了(2,3),包括无线访问点的数据中没有讨论(这项工作)。

2.2。人工路径生成

虽然基本预测模型过程只有一个指纹,更好的结果(尤其是确定地板)可以实现多点方法(即。,考虑到过去的测量)。在每个系列的测量,在每一个POI我们把10个指纹在一年的四个主要方向平行于坐标轴的建筑。我们使用一个给定的指纹点构建人工随机选择两个点之间的路径从定义和测量的网格点。

我们500的路径生成和测量系列和1000的路径测试测量系列。选择的路径是遍历图由给定的点张成系列(或)。点的附近是一组所有的点的距离是1.5米。如果在一个给定的方向没有这样的点,一个点在一个3.0米的距离(大型讲座大厅),随后一个点在一个0.75米的距离(狭窄的走廊)被选为其邻国。

建筑的拓扑结构没有考虑在社区的建设,除了楼梯间的位置信息,这是用于改变地板。

的路径系列()的帮助下生成R软件使用以下算法:(1)随机选择的一个起点系列。(2)随机选择的终点系列。(3)找到最短路径图的点(地板的改变是可能的只有主楼梯附近)。(4)选择一个指纹的方向聚集在路径遍历,有RSSI至少两个bts。

提出了发电机,如果开始点和结束点是来自两个不同的地板,该算法搜索最短路径从起点到楼梯,然后再插入预定义的点之间的开始和结束点地板,然后搜索最短路径从楼梯到终点。

被发现使用贪婪的最短路径算法(cf。4])。当前点的邻居,最小化距离终点(或楼梯),被选为下一个点的路径。

3所示。方法

我们的任务是跟踪对象的当前位置的检测。被描述为一个三位置,在那里和水平跟踪对象的坐标和吗是当前的数量。的坐标和属于,而属于。本地化系统作为输入了一系列的指纹,在那里。连续的指纹被点的运动路径协调是最后一个指纹。

图3介绍了模式的本地化过程分别为每个坐标的(即。,因为,,)。这个过程是每个层次和有三个步骤th坐标()。

步骤1。的坐标估计指纹是每。这样我们得到估计(所谓的点估计)代表的运动路径终端。这个过程被详细描述部分3.1。部分4.1描述了几种机器学习方法和我们选择表现最好的一个。最后一节5提供了一个分析主要精度因素的点估计方法,因为这是整个本地化过程的主要组成部分。

步骤2。两个估计和的坐标位置的最后一个指纹拍摄。这一步是基于第一步的结果。获得的点平均估计的结果吗。为选定的,这样的平均估计的位置是能带来更好的结果比基于单一指纹,估计中所描述的步骤1。显然,参数不能太大(路径长度)。减少不估计点的影响,我们可以做一个估算计算加权单估计的集中趋势。重量应该选择压力的影响以及分,估计是基于数量的报道bts的指纹(即。,a number between 0 and 7), which we found to be an important estimation reliability factor. The details are presented in Section3.2。

步骤3。最后估计一个指纹功能过去观测到的指纹,返回的估计th坐标()的点的指纹拍摄。它是基于结果的步骤1和2。在这个阶段,我们有三个位置的估计拍摄:,,。我们可以假设估计会带来最好的结果在所有提供的估计重量是好选择。然而,我们可以改善我们的使用方法,汇集了所有估计结果。可以使用多层感知器。估计构成的多层感知器的一个输入计算最终的评估的位置指纹拍摄。描述的细节部分4.3。

本地化模式(图3)是相同的所有坐标。然而,也有一些差异估计离散地板上和连续的估计坐标和。主要的区别在于所使用的集中趋势的指标。地板上的估计,使用模式滤波器,而对于坐标平均滤波器的估计。本地化过程的所有组件的详细信息在下面几节中给出。

3.1。估计一个指纹

三个函数在哪里这个估计本地化的坐标的基础上一个指纹被实现为一个决策树。套装包含多个估计或预测树的基础上创建各种碎片的学习集。结合树生成最终结果,聚合估计或预测。

我们比较几种提高算法分别估计本地化地板和坐标。我们的测试包括演算法、装袋和最小二乘法提高(LSBoost)。演算法是一种分类方法(5),装袋可用于分类或回归6],LSBoost回归方法(7]。地板上估计可以作为分类或回归任务执行。坐标的估计是一个回归的任务。

演算法被实现为AdaBoostM2算法,计算加权pseudoloss观察和类: 在哪里预测的信心,观察重量,是真正的类标签。Pseudoloss是衡量任何一个分类器的分类精度。

装袋袋等弱分类器决策或回归树的数据集,生成许多引导副本的数据集,决策树生长在这些副本。找到的预测响应作为一个训练有素的合奏,预测的平均算法需要单独的树木。

LPBoost执行多级分类,试图最大化最小区别真正的软分类评分预测类和最大的分数错误类的训练集,这个操作应该提高概括能力(8]。

3.2。估计的指纹序列

这部分描述了一步2我们的方法;我们找到两个估计的位置指纹拍摄。我们表示他们和基于一系列的点估计在前一节中。

3.2.1之上。模式过滤器

模式滤波器计算地板中最受欢迎的结果估计为一个指纹:

的过滤器是parameterised系数定义的大小考虑历史估计。公式背后的想法是一个平等的另一个地板上一个序列估计估计是错误的,而不是一个预期的运动。

避免强烈的影响估计的最远的点,估计是重复次,是估计的位置估计序列和是去年估计的位置点。

方程(2)假设所有的点估计相同的精度。以下公式引入了额外的系数这象征着质量的评估:

在修改后的公式,每个估计是另外复制次了。的价值应设置实验作为衡量与评估质量。

3.2.2。平均滤波器

平均滤波器具有相同的角色模式滤波器处理连续数据。的和坐标估计可以使用以下公式:

的元素正常化的平均,以减少的影响估计分计算。

同样的模式滤波器,我们介绍滤波器的第二种形式,包括知识的质量评估:

加权平均使用重量这个估计的质量和估计。正常化的因素是。

与常用的复杂的方法,如卡尔曼滤波器(9),该过滤器是非常简单的。过滤器可以用于所有数据与计算权重。此外,该方法可用于数据没有分工到学习集和测试集,如果参数已经是固定的。

3.3。聚合由多层感知器

评估后我们有指纹序列,,估计的点在最后一个指纹拍摄。虽然我们认为,正确的选择重量、将是最好的估计,剩下的估计可以给一些额外的知识。

使用所有可用的知识时,我们决定聚合所有的估计。对于这个任务,我们使用了多层感知器。

我们创建了两个独立的延时模型。第一个模型检测到地板上,第二个模型检测的水平坐标。

首先网络的输入和输出都是二进制。因此,所有的功能都是由一组神经元和每个神经元的一个可能的值定义的特性。

只有一个神经元从集合可以活跃在任何时候。如果地板是由数量的数量,输出层神经元,只有其中一个是活跃的。相同的是输入功能。网络认为估计地板,重量的模式(2),加权模式(3)。所有功能,除了权重,描述层;因此输入神经元的总数

坐标的模型更加简单。所有的输入和输出是连续的。输入神经元表示估计的值(或)和重量,,(或,),所以输入层神经元。输出结果是一个连续的值或根据输入。

中长期规划位置估计应该给更好的结果比纯倾向过滤器。然而,创建网络将安装问题所描述的学习。在学习的过程中,必须创建两组。一套学习定义了网络结构和一组验证控制学习过程,防止过度学习。虽然这些部门允许概括,创建的网络不能使用一个测试集,不同数量的地板,而模式过滤器适用于任何数据。

4所示。测试

本节介绍了在建筑中所描述的部分结果2。地板的结果检测和坐标近似的结果分别给出的三个阶段:评估一个指纹,指纹序列的估计,MLP聚合。

4.1。估计一个指纹

测试数据被分成学习集,验证集和测试集创建的第一个系列的测量,第二个系列的测量,第三个系列的测量,分别。估计了地板和坐标分别使用不同的算法。

以下4.4.1。地板上检测

我们测试了四个分类提高算法来估计当前的跟踪对象。我们的测试包括演算法、装袋分类、装袋discretisation回归的结果,和最小二乘法提高。

表2介绍了平均误差和精度的方法。装袋算法分类任务给最好的结果。获得的错误级别相当高,但平均误差的值表明,在大多数情况下,预测误差不大于1楼。

4.1.2。坐标近似

水平位置估计是回归的任务。我们检查了两个回归模型来解决这个问题:包装方法和LS提高方法。结果在表3。

包装方法更好的结果。装袋的平均误差方法可以接受室内本地化,但是总错误非常频繁。20%的测试的位置估计的指纹被错误的水平超过12米。

4.2。估计的指纹序列

让我们考虑一个序列拍摄的指纹在已建成的人工路径(一节中描述2.2)。对于每一个指纹,让我们表示一个点估计的位置拍摄。估计是使用装袋创建的方法中描述的部分3.1和部分4.1。

本节的目的是描述的实验计算点的位置拍摄的基础上吗序列的读数。为,我们将继续通过序列的长度。下面,我们分析不同的值为了选择一个提供最佳的准确性。

指纹的定义序列的长度让我们应用部分中描述的方法3.2。

4.2.1。准备权重选择

我们介绍了公式(3)和(6)操作信号有不同的质量。在应用程序中,有必要找到一个准确的估计的质量。

我们将有一个更好的准确性更bts时可见。我们说一个特定的BTS可见对于一个给定的指纹,当BTS设备一个信号从报道。值得回顾的是,常用的设备报告7信号(通常是最强的)和灵敏度−113 dBm(信号较弱的不报道)。图4(一)代表了地板的结果分类的测试集指纹对bts的数量是可见的。我们预期的结果。

例如,当7 BTS随处可见,准确度高达66%,而只有1可见BTS精度低至34%。这表明当本地化是基于历史的阅读我们的算法在接下来的步骤中,一个人应该给予更多重视的指纹bts,是可见的。

同样在地板上估计的例子中,我们调查的准确性装袋方法对基础设施的密度。结果呈现在图4 (b)。

我们预计的数量相同的误差之间的关系和信号,如地板检测。实际上,精度随bts,是可见的。然而,是有区别的水平和垂直的情况下,我们可以看到在图4 (b)。主要改善准确性发生当我们考虑与2和3套指纹bts,是可见的。这个不应该是一个惊喜,因为3 bts所需的最少数量提供理想的完全本地化,假设条件与天线和接收机之间没有障碍。另一方面,没有很大的不同精度时可见bts数量的增加从4到7(这是完全不同的情况下地板检测)。

总之,在数据的结果4(一)和4 (b)显示可见的bts数量越大越高水平的准确性,可以获得。因此,在进一步考虑我们定义数量的bts报告的终端指纹。

评估中使用的信号的影响权重加权模型,我们比较三组的权重。第一组包含权重相等。因此,估计计算根据(2)和(4)。

第二组包含权重由观察bts的数量。根据获得的结果在评估一个指纹,观察bts的数量与准确性。估计是根据计算(3)和(6)。

第三组包含随机权重的域覆盖的范围观察bts的数量。这组是一套参考检查观察bts的数量是一个更好的比随机值系数。

估计了地板和坐标分别使用不同的过滤器的倾向。

4.2.2。地板上检测

在本节中,我们执行本地化解决方案上面描述的分析层预测的问题。基于本地化以前的RSS阅读和我们考虑三个变体。其中两个对应后面的地板分类方法(2)和(3)。第三个是类似于(3),但权重从一组随机选择吗。

本地化模式被训练使用则将设置并优化使用验证集。学习和获得的准确性提出了数据验证集5(一个)和5 (b),分别。

在所有情况下,我们看到相应权重的加权方式可见bts带来最好的结果。系列验证和测试系列,加权方法提供实质性改善相比,基于一个指纹(路径长度的本地化)。只是为了学习集得到更糟糕的结果考虑本地化的路径长度的增加。然而,这是一个可以期待的东西。

有趣的是,是什么随机权重给出更好的结果比相等的权重。可能是随机的影响减少最远的点的影响路径。

图5 (b)显示结果筛选最适合的模式。我们修复5,显然,小是更好的选择。

学习过程和验证之后,获得的模型上进行测试测试集。6(一)显示模式过滤精度从57%上升到61%。图6 (b)表明,加权模式滤波器获得精度在62.8%的水平。改善的准确性地板检测相比,使用加权模式检测基于一个指纹。

4.2.3。坐标近似

类似于前一节中,我们表现的本地化解决方案的分析水平本地化(估计的问题和坐标),依赖以前的RSS阅读。和之前一样,我们考虑三个变体。其中两个对应于(4)- (7)中所描述的部分3.2.2。第三个是类似于(6)- (7),但权重从一组随机选择吗。

中位数水平误差提出了数字7(一)和7 (b)表明,加权模型提供了最好的结果,观察信号的数量考虑在内。随机权重的结果是最坏的打算。

作为学习设置之前,我们得到更糟糕的结果增加(见图7(一))。然而,图7 (b)显示结果的验证和测试集与路径的长度,从而提高我们获取一个精度改进方法相比,基于一个指纹()。可以获得最好的结果。

数据8(一个)和8 (b)算法得到的结果进行比较。路径的长度6水平平均误差从6.75米为一个基于指纹的方法()至5.40米()。我们还可以观察到超过一个两米长的总值减少错误。权重加权平均滤波器(信号)不会带来很大的误差减少平均滤波器相比(相等的权重)。这是大约10厘米的意思和严重错误。

4.3。聚合由多层感知器

地板上的聚合过程分别进行了检测和坐标近似,因为不同的输入的神经网络。区别在于不同的数据和输入的不同结构层。

4.3.1。地板上检测

可用于多种方式向MLP在地板上检测任务。首先,网络可以用来估计当前活动地板的基础上单独的估计。第二,可以向MLP总前面的步骤的结果。第三,可以合并这两个输入创建一个新的模型。

在我们的测试中的延时带来了59.54、64.21和55.37%的水平估计的准确性的基础上单估计,聚合,分别和合并模型。这说明建议的解决方案比神经网络建模工作。它还表明,获得的结果的加权模型强烈不同结果基于单一的模型估计,因此合并后的模型不能正常工作。

图9介绍了聚合结果的神经网络和表4介绍了各个楼层的结果。

网络给好的结果前三层。上层,结果更糟,但错误的主要来源是三楼,在精度约为40%。此外,第四和第五层,平均误差在一层。

4.3.2。坐标近似

水平坐标近似的延时是tested-similar地板检测记录做三种不同的输入:单独的估计,聚合,合并后的模型。

在我们的测试中,延时带来了6.80,5.22,和5.18平均误差估计的基础上单独的估计,聚合,分别和合并模型。

错误减少根据路径的长度的增加。然而,长度是固定在6之前的测试。平均误差、平均误差和总误差小于加权平均滤波器。

图10介绍了聚合结果的神经网络和表5为个人,结果收集层。获得错误不是与地板(表错误4)和点的数量。二楼,最多数量的测量,平均误差。最好的结果获得了4楼,有相对较高的地板分类错误。一楼地板分类误差最低的任务。同一层的坐标估计任务最严重的结果。最糟糕的结果是五楼。

5。主要精度因素的分析

在这一部分,我们将讨论的主要因素可能影响本地化算法的准确性。为了做到这一点,我们将看看我们的算法的第一步(见部分3.1分估计),因为接下来的步骤强烈依赖于第一个。我们称这一步“点估计”,它提供本地化的算法是基于一个RSS阅读(指纹)。让我们回顾;我们测试了几个统计模型(见章节4.1。1和4.1。2)和基于装袋表现最好的方法。可以看出,主要问题是地上的预测仍然是一个主题进行进一步的改进。另一方面,横向(估计的性能和坐标)是足够好的考虑可能的应用程序。水平距离误差累积分布在图给出11。你会发现算法的结果略好地板测试指纹的情况协调预测正确。让我们也提到的错误坐标的误差小于坐标。然而,这种现象应该预期的范围协调远远小于坐标。在本节的其余部分,我们将尝试确定上述因素可能会导致错误。

5.1。数量的信号

在部分4.1。1和4.1。2,我们讨论了算法的性能对基础设施密度。分析给了我们一些线索如何进行部分3.2.1之上。然而,为了完整性,我们也提供一些具体的数字阅读从图表可以是相当困难的。这些可以在表中找到6。

5.2。地板上

在本节中,我们分析错误的层数。这不是一个天然精度因子,虽然下面的表显示了错误随层数。我们将试图找到这种现象的原因。

表7显示统计数据对测量的层数。

首先,让我们看看地上的本地化的有效性,因为这是最重要的问题在本地化的问题。

让我们观察到的有效性有显著差异地板数字0到2,我们的算法更有效,和地面数字3 - 5,该算法得到更糟糕的结果。毫不奇怪,最好的效果是获得地板2,因为这就是最指纹被当收集学习资料。然而,我们没有简单的解释为什么其他楼层的有效性是如此不同,尽管他们在同样表示指纹的收集收集用于学习目的。

现在让我们看看图12 (b),我们可以看到每一层的水平距离误差和地板没有假设预测是正确的。再一次,我们看到,垂直的指纹预测是正确的,我们得到了一个轻微的改善水平精度。

5.3。区域类型

在本节中,我们分析的有效性地板预测的平均水平距离误差以及不同的空间类型。我们表明,更多的定期的空间覆盖的测量分(POIs)的指纹被大多是由POIs好。这里,通过规律性我们意味着之间没有显著差异的宽度和长度。另一方面,长长的走廊,在指纹只是沿着他们(而不是在相邻的房间)通常被坏POIs覆盖。应该提到的POIs的指纹被用于学习目的(而不是测试)覆盖同一区域POIs用于测试目的。这让我们猜想POIs覆盖面积的形状的指纹在哪里是很重要的。换句话说,如果更紧凑的形状然后我们获得更好的结果。这就解释了为什么3到5层不同有效性。使用可视化的方法,我们能够找到的区域建立本地化的算法应该改进。这样的地图也表明,好的和坏的区域并不是随机分布的。 They actually give us a reasonable partition into easily identified and somehow natural sectors of the building.

5.4。其他因素

旁边的准确性因素讨论了在上面的部分中,有几个其他影响精度的因素。这一切都是在[覆盖10]。然而,最重要的因素是不稳定的信号强度沿时间轴。这可能是由于天气的变化或占用的建筑,或其他各种原因。很显然一天天变化但也可以观察到在时间要短得多。应当指出,由于数据收集很耗费时间,在不同的日子里进行了测量。这绝对是影响算法的准确性。图13显示了来自10个关键bts的信号变化在每层楼的三大系列,从地板到地板上,每个系列覆盖同一区域的建筑。这可能表明,经典的指纹方法不足地板识别问题。也许GSM-based本地化应该被认为是一种补充方法,而不是一个独立的方法在考虑现实生活multifloor环境中的应用。另一方面,我们的算法的水平精度似乎已经足够的本地化解决方案在大型单层建筑。

6。与其他方法相比

获得的结果与随机算法的结果以及结果呈现在其他作品。

6.1。与随机选择

参考水平以下定义的算法描述算法。一组组成的(创建、地板)三胞胎。一组包含三胞胎从所有测量第一和第二系列。接下来,路径被削减重叠的子序列的长度从观察。这个测试集创建路径定义为测量从第三系列;测试集是一样的在上面描述的评价模式和加权算法。在每个子序列的最后一点的测试路径——算法产生一个随机选择的三联体从学习三胞胎上面定义的集合。

地板上识别获得的平均误差为80%。意味着错误坐标估计分别为8.97和12.82米和,分别。一个点的总平均误差为17.21米。这个测试证明我们的算法得到的结果是合理的。

6.2。与其他作品

定位方法及其精度已成为近年来研究的重要问题。户外的解决方案主要是基于GPS / agp与GSM相结合的方法。遗憾的是,他们不适合室内大气环境重大损失的GPS信号强度。因此,许多不同的方法来定位在室内的情况下提出了:[9,11- - - - - -17]。这些使用不同的技术,例如,WiFi,蓝牙、红外线,和各种算法的位置计算,使用距离、距离或角度的估计,和复杂的现场分析。现有的无线室内定位解决方案的全面研究和分类提出了论文(18,19]。此外,(20.]包括深入评估不同的方法、工具和技术,有前途的领域的研究室内跟踪。

6.2.1。本地化与GSM网络

几乎所有现有的室内定位算法是基于指纹。在本节中,我们专注于基于广泛使用GSM网络的方法。这种方法不需要额外的安装和维护,因此它已被证明是有前途的室内定位移动终端。这里的主要限制因素是多径和衰落。接收信号的功率,因为它从一个固定的接入点的位置可能会改变由于用户的取向或环境变化。我们首先关注位置的准确性近似,以米和需求(例如,输入数据)开发的方法。

一个精确的GSM室内定位系统在多层的建筑提出了(21]。它是基于广泛的信号强度超过6的指纹和读数最强的细胞用于GSM标准。GSM指纹收集在一个密集的网格粒度的1米到1.5米。四个方法,不同结构的指纹(WLAN,最强的GSM细胞,6最强GSM细胞,和35 GSM频道)和均值聚类算法,实现了。实验验证,该方法与WLAN的方法(实现一个2.2米和4.8米)之间的准确性。中位数为multifloor定位精度达到5米;只有一个地板上,达到2.5 - -5.5米。最强的6细胞,它的范围从3.4米至11米根据环境属性,如材料的建筑是由时间组成的。这证明了扩展的指纹,包括信号强度最强6细胞以外的信息渠道,可显著提高定位精度,此外,可以区分在木制地板和钢筋混凝土建筑,与无线局域网的信号不够削弱了木质结构层之间。错误地板分类的百分比变化从20到65%还不到10个指纹和减少3-11百分比超过30 GSM频道。

在室内定位系统提出了(22),GSM和WLAN信号被用来估计终端位置用近邻法。三个metrics-Euclidean Mahalanobis和概率(基于极大似然估计量)测量之间的距离指纹在GSM, WLAN,由信号数据空间进行调查。测试是在一个室内办公室约38米×42米,仅限于一层(7日9-storey建筑)。WLAN和GSM数据收集在同一时间。信号强度数据库始建与180年的测量信号强度的61个不同的点沿着走廊的间距大约1.5米和4方向被收集。训练集由80%的随机选择的数据。实验结果表明,该方法使用GSM和WLAN网络是稳定的和可以达到centimetre-level准确性,这比只利用一个网络系统。当只使用GSM数据,欧几里得的平均误差,Mahalanobis,和概率距离低至1.69米,0.87米,0.65米,在最糟糕的情况下37.3米,16.76米,9.14米,分别。平均误差似乎超过7倍,在我们的方法;然而,这里的情况下测试要简单得多。 The sample points formed a polygonal path, similar to the letter P. Therefore, matching the estimated points is performed in practice in 1-dimensional space, not 2-dimensional or even 3-dimensional space, as in our algorithm.

GSM-based本地化方法的有效性取决于可用的数量和检查GSM运营商。工作(23)提出了一个算法基于full-band GSM指纹。测试是在一个城市5-room公寓地板上第五(上)。RSS和基站标识代码(BSIC)记录一天两次一个月,498年完整的可用集的GSM运营商使用显微镜跟踪移动系统。241扫描数据集包含分配给5个房间。训练集包括169个例子,验证集包括72例。三种类型的分类器进行比较:近邻,支持向量机(SVM)和高斯过程。降低分类器的复杂性,3指纹类型(数量有限的航空公司与最强的RSS值)定义相比,然后被一个包含所有GSM运营商。常用7-carrier-based测量分类59.3 - -78.8%正确的指纹,指纹长度35和有效性是86 - 93.3。很好的表现(97.8%的正确的电台指纹分类)得到的线性支持向量机方法对所有活跃的运营商,包括和RSS值。应该指出的是,本地化是有限的一层只room-level; but the results confirm that the greater the extent of the fingerprints available, the higher the accuracy provided. Further extensions of this method combined with inertial sensors and a site map are the subject of [24),一个总体70%获得正确的分类与误分类主要覆盖相邻的房间。作者报告,本地化执行在一个所谓的短的时间与一个非常小的训练集。

选择一个子集的问题相关的GSM运营商提供良好的房间之间的区别也在检查(25]。测量也进行了超过一个月5 8个房间的2 nd-floor办公室,使用TELIT通用汽车- 862调制解调器,检测到534个不同的运营商。601年测量的输入数据包括分配给5个房间。两个排名算法对输入变量进行调查:向前回归使用gram - schmidt正交化和SVM消除递归特性。获得的结果证明了60个最相关的运营商已经足够正确定位97%的扫描一个独立的测试集的算法。

6.2.2。地板的分类

地板本身的主题分类研究[26]。介绍SkyLoc, GSM fingerprinting-based系统,它决定了用户的当前地板用手机所在地。的算法预测地板使用最小欧氏距离。改善性能和内存使用,指纹的大小减少;不恰当的信号来源消除通过以下特征选择技术:向前选择、淘汰落后、和一个新的每层楼的选择。下一个优化是通过使用滑动窗口算法,首先将每个单独测量,然后选择当前的地板上,地板最常出现在一系列的5,10或20的结果。测试3高(9 - 12 -,和16-storey)建筑,110年使用的数据集,30日分别和每层130指纹。的指纹收集用户路径间距约2米分别与不同的硬件为训练集和测试集,在一个时间间隔2天或一个月,根据建筑。20个测试点的滑动窗口,系统分类地板在50%到73%的情况下正确。5测试点,而我们的测试4分的历史估计和64%的准确率,结果越系统正确分类从45%到60%的病例。 Surprisingly, the number of training fingerprints per floor had little impact on the localisation accuracy.

正如我们之前确认的,三维的有效性本地化可能改善的阶段识别的地板,和二维坐标的估计在给定(单一)地板,是分开的。地板检测可以显著增强通过使用额外的传感器嵌入到移动设备。工作(27)描述了一个无缝的结合三维定位系统使用一个大气压力传感器来计算用户的高度,因此,在真正的时间。测试进行了4-storey建筑。压力精度比2 Pa,海拔比0.5的分辨率;因此,该系统可以准确地确定地板。

摘要(28]提出了一种只使用手机的加速度计的方法和分析用户试验,绘制当前地板水平。它不需要任何基础设施或建筑物的任何先验信息。领域的研究涉及10个手机用户三个小时10-floor建筑有两个电梯。每个智能手机配备嵌入式硬件加速计。2小时达到97%的准确率接近90%在三个小时。作者报道进一步改进基于众包的本地化工作(29日]。然后,(30.)描述系统还利用利用众包和建立一个晴雨表指纹地图包含每层的大气压强值水平。实验结果显示该方法精度很高,超过98%。

在描述的所有作品,不是给定的复杂性提出了解决方案。作者所写的,算法在短时间内甚至实时工作。只有在(26)是绩效评估。平均而言,它花费了0.002秒的时间来匹配一个测试指纹一个培训指纹;因此,当前手机指纹匹配整个训练集需要大约一秒钟的时间。

总之,错误为我们解决方案(4.62米的水平本地化地板检测多层的建筑和64%)相媲美,甚至比那些获得了工作和只基于GSM信号强度。结果发表在文献方法使用额外的传感器在移动系统似乎是一个正确方向的一步对改善我们的本地化系统的准确性。

7所示。结论

本工作描述和分析一个本地化的解决方案在一个学术大楼七楼。本地化是基于全球移动通信系统的信号收发站。局部对象的手机是很常见的。我们证明了,基于一个指纹本地化,我们获得一个水平平均误差约6.5米,地板检测精度约为56%。我们不仅提出了三步法,使用一个单一的指纹也是之前的。这种方法提高了精度。我们获得一个水平值误差约4.4米,地面检测的准确性超过64%。表8总结了错误分别为每个步骤在本地化过程中获得的。这表明,该方法提高本地化在每一个案例。

坐标得到的本地化错误在我们的工作类似于获得的结果在不同的作品,使用额外的信息,比如无线局域网信号或加速度计数据。平均误差低于5米在室内本地化是可以接受的。然而,地板检测算法的准确性相对较低。使用无线局域网信号可以解决这个问题。我们的测试证明,通过使用GSM和WLAN的组合信号,目前地板可以检测到超过90%的准确性。这项工作侧重于GSM信号,在这种情况下,一个纯粹的GSM信号似乎不足以本土化的地板多层的大楼。

进一步工作我们希望收集更多的相同的数据和其它建筑研究长期不同的信号映射,收集额外的数据,如加速度计数据,并应用该方法对各种建筑物。

相互竞争的利益

作者宣称没有利益冲突。

确认

作者要感谢Le Dinh东Łukasz Wrzesiński,和Bogusław Zaręba进行测量和橙色实验室波兰提供Android操作系统的手机和应用程序。这项研究支持的国家研究和发展中心,批准号PBS2 / B3/24/2014,应用程序没有。208921年。

引用

1. 3 gpp,“移动无线电接口层3规范;无线资源控制协议”,3 gppTS 04.18 V8.27.0 (2006 - 05), 3 gpp, 2006年。视图:谷歌学术搜索
2. m . Grzenda”地板识别信誉的预测基于rss的定位技术,”最近的趋势在应用人工智能m·阿里·t·博斯,k . v . Hindriks m .例如,c·m·彼特和j . Treur Eds。卷,7906在计算机科学的课堂讲稿,第619 - 610页,2013年。视图:出版商的网站|谷歌学术搜索
3. j . Karwowski m . Okulewicz, j . Legierski”应用粒子群优化算法的神经网络训练过程的定位移动终端”神经网络的工程应用卷,383通信在计算机和信息科学施普林格,页122 - 131年,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
4. d·德尔·桑德斯·d·舒尔特,d·瓦格纳在“工程路径规划算法,”大而复杂的网络的算法j·勒纳,d .瓦格纳和k·a·茨威格,Eds。卷,5515在计算机科学的课堂讲稿施普林格,页117 - 139年,柏林,德国,2009年。视图:出版商的网站|谷歌学术搜索
5. y弗洛伊德和r·e·Schapire”决策理论泛化的在线学习和提高应用程序,”计算机与系统科学杂志》上,55卷,不。1,第139 - 119页,1997。视图:出版商的网站|谷歌学术搜索|MathSciNet
6. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学
7. t . Hastie r . Tibshirani和j·弗里德曼,统计学习的元素,施普林格系列统计,施普林格,纽约,纽约,美国,2001年。视图:出版商的网站|MathSciNet
8. r . e . Schapire和y歌手”,改善提高算法使用confidence-rated预测,”机器学习,第91 - 80页,1999年。视图:谷歌学术搜索
9. f . Evennou和f .马克思”,先进的集成无线和惯性导航系统为室内移动定位,“EURASIP应用信号处理》杂志上文章ID 86706卷,2006年,2006年。视图:出版商的网站|谷歌学术搜索
10. c .盒饭,t·苏亚雷斯、m维罗索和b·巴普蒂斯塔”研究GSM签名是否适合室内位置,”欧洲会议环境情报学报》(AmI ' 07)施普林格,页108 - 123年,2007年。视图:谷歌学术搜索
11. f . Zampella a·r·吉梅内斯鲁伊斯,f·格兰哈入股事宜,“室内使用高效的地图匹配定位,rss测量,和一种改进的运动模式,”IEEE车辆技术,卷64,不。4、1304 - 1317年,2015页。视图:出版商的网站|谷歌学术搜索
12. d . Pastina f .栏,马特利t和p,“寄生开发室内无线信号的雷达监视,“IEEE车辆技术,卷64,不。4、1401 - 1415年,2015页。视图:出版商的网站|谷歌学术搜索
13. p . Wawrzyniak p·戈倍尔,p . Skulimowski, p . Poryzala”混合模式的无线室内定位系统使用近距离探测和数据库相关,”联邦会议程序计算机科学和信息系统(FedCSIS 14)2014年9月,页1035 - 1042。视图:出版商的网站|谷歌学术搜索
14. c·吴、杨z和y . Liu“室内定位、基于智能手机的众包”IEEE移动计算,14卷,不。2、444 - 457年,2015页。视图:出版商的网站|谷歌学术搜索
15. k . Piwowarczyk p·戈倍尔,和t . Kacprzak”分析的影响无线电信标放置在室内定位系统的准确性”联邦会议程序计算机科学和信息系统(FedCSIS 13),页889 - 894年,克拉科夫,波兰,2013年9月。视图:谷歌学术搜索
16. a Papapostolou和h . Chaouchi场景分析室内定位的改进,”《电信,卷66,不。9 - 10,519 - 533年,2011页。视图:出版商的网站|谷歌学术搜索
17. x y赵、问:沈和l . m .张“一种新型高精度室内定位系统基于无线局域网,“在电磁学的研究进展,24卷,25-42,2011页。视图:出版商的网站|谷歌学术搜索
18. h . h . Liu Darabi、p·巴纳吉和j .刘”无线室内定位技术和系统的调查,“IEEE系统,人与控制论C部分:应用程序和评论,37卷,不。6,1067 - 1080年,2007页。视图:出版商的网站|谷歌学术搜索
19. y顾,Lo, i Niemegeers,“室内定位系统无线个人网络的调查,“IEEE通信调查和教程,11卷,不。1,13-32,2009页。视图:出版商的网站|谷歌学术搜索
20. d . Dardari p Closas, p . m . Djuric”室内跟踪:理论、方法和技术,”IEEE车辆技术,卷64,不。4、1263 - 1278年,2015页。视图:出版商的网站|谷歌学术搜索
21. 诉Otsason a . Varshavsky a LaMarca, e . de劳拉,“准确的GSM室内定位,”主要2005:无处不在的计算:第七届国际会议,主要2005年,东京,日本,2005年9月11日至14日举行,。诉讼卷,3660在计算机科学的课堂讲稿施普林格,页141 - 158年,柏林,德国,2005年。视图:出版商的网站|谷歌学术搜索
22. j .周w . M.-C。杨,j . K.-Y。Ng”,提高室内定位精度,利用信号从移动电话网络和无线局域网”22日学报》国际会议上先进信息网络和应用程序(AINA 08年)冲绳,页138 - 145年,日本,2008年3月。视图:出版商的网站|谷歌学术搜索
23. b . Denby y Oussar、i Ahriz和g .德雷福斯“高性能与full-band GSM指纹,室内定位”《IEEE国际会议交流研讨会(ICC ' 09)德国德累斯顿,页1 - 5,2009年6月。视图:出版商的网站|谷歌学术搜索
24. Denby b . y .田Ahriz, p . Roussel g·德雷福斯,“混合室内定位使用GSM指纹、嵌入式传感器和粒子滤波,”学报》第11届国际研讨会在无线通信系统(ISWCS 14)西班牙巴塞罗那,页542 - 547,,2014年8月。视图:出版商的网站|谷歌学术搜索
25. Denby b Ahriz, y Oussar g·德雷福斯,“航母使用GSM相关性研究室内定位,”第七届研讨会学报定位、导航和通信(WPNC 10)德累斯顿,页168 - 173年,德国,2010年3月。视图:出版商的网站|谷歌学术搜索
26. a . Varshavsky a . LaMarca j .高塔和e . de劳拉,“skyLoc楼定位系统,”学报》第五届IEEE国际会议上普适计算和通信(PerCom ' 07),页125 - 134,白色平原,纽约,美国,2007年3月。视图:出版商的网站|谷歌学术搜索
27. n .他j .霍y, y, y, y任,“大气pressure-aware无缝移动互联网设备的三维定位和导航,”清华科技,17卷,不。2、172 - 178年,2012页。视图:出版商的网站|谷歌学术搜索
28. h .你们,t·顾x朱et al .,“FTrack: infrastructure-free地板通过手机定位传感、”第十届IEEE国际研讨会论文集在普适计算和通信(PerCom 12)瑞士卢加诺,页2 - 10,2012年3月。视图:出版商的网站|谷歌学术搜索
29. h .你们,t·顾x道,j . Lu“F-Loc:地面定位通过众包,”20 IEEE国际会议的程序并行和分布式系统(ICPADS 14)页47-54新竹,台湾,2014年12月。视图:出版商的网站|谷歌学术搜索
30. h .你们,t·顾x道,j . Lu”B-loc:可伸缩的地板本地化智能手机上使用气压计,”IEEE学报》11日国际会议上移动Ad Hoc和传感器系统(大规模的14)135年,页127 -费城,宾夕法尼亚州,美国,2014年10月。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 RafałGorak等。这是一个开放的分布式下文章知识共享归属许可,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。