文摘

许多室内定位技术,依靠收到wi - fi接入点的信号已经探索了在过去的十年。最近,众包wi - fi指纹吸引了太多的关注,导致自组织定位系统避免痛苦的调查工作。然而,这种参与式的方法引入了新的挑战,没有先前提议的技术,如异构设备,测量时间短,为单个和多个值的位置。本文提出了一个有效的定位方法打击三个基于众包的系统的主要技术问题。我们评估我们的室内定位方法使用5处不同的无线环境和8种不同的手机。实验结果表明,该方法提供了一致的定位精度,优于现有的定位算法。

1。介绍

导航能力的智能手机和平板电脑在最近的室内环境成为一个挑战移动基于位置的服务(lbs) (1- - - - - -3)需要更精确的和无缝定位在室内和室外环境。室外定位已经被全球卫星定位系统提供了合理使用全球定位系统(GPS)、全球导航卫星系统(GLONASS),伽利略,等等。相反,室内定位仍然继续挑战,尽管它已经利用在前几年。提出了室内定位技术(4- - - - - -6]。在室内定位技术的调查7],许多技术相比,如GPS、射频识别、无线局域网,和蓝牙的准确性、复杂性和可伸缩性。之前的一些作品使用专门设计的硬件像灯塔一样安装在墙壁或天花板如射频识别、超声波和红外技术(8- - - - - -10]。其他系统结合使用不同的传感器来提高精度(11,12]。那些使用短程通信技术的硬件成本部署在一个大区域,尽管这些系统提供细粒度的室内定位的准确性。

相比之下,基于无线定位系统是非常普遍和容易实现如图所示,互联网地图服务的谷歌,苹果,微软,等等已经从许多部署使用接收信号接入点(APs)本地化。最近,wi - fi正变得越来越受欢迎,与无数的电子智能设备无处不在。因此,室内定位使用wi - fi APs获得了移动计算研究领域的重视,已避免成本的优势专业硬件部署。

通常,基于无线定位估计基于观察的位置和存储“指纹”是由一个MAC地址和相应的接收信号强度(RSS)值从一个无线AP (10,13]。虽然以前的研究主要解决定位算法来提高精确度指纹数据库的基础上,最近的研究集中在建立数据库时省力。基于“众包”的室内定位(CIL) [14- - - - - -19)自主用户是成本有效的方法之一,这减少了地图构建和维护费用相比,基于专家验船师的方法。CIL是由正常的移动用户参与wi - fi美联社调查作为一个贡献者,用户,或两者兼而有之。同时,这个multiple-surveyor-multiple-user模型具有快速无线地图构建和快速更新。

图1CIL的显示了一个示例,它包含两个阶段:“训练阶段”(或“离线阶段”)和“本地化阶段”(或“在线阶段”)。在训练阶段,指纹数据的位置已经捕获建立无线电地图。之后,手机查询与测量的位置指纹数据到远程服务器,电台地图定位阶段。在图中,五个用户(即。,A, B, C, D, and E) are untrained normal people who are carrying different types of mobile phones. Users A, D, and E are surveyors for Room 101, Room 102, and Room 103 who measure RSS of Wi-Fi APs and upload the measured data with corresponding AP information to a local DB server. The uploaded data is processed on the server and converted to fingerprint data. When user B inquires the current location information, the server returns to Room 101 if user B’s RSS measurement matches one from the user A.

然而,CIL还引入了一系列新的挑战。首先,CIL必须提取准确的指纹值测量时间短的接收信号强度(RSS),因为手机用户自愿调查员可能提供短期RSS测量。第二,CIL必须支持calibration-free室内定位在不同的设备上。通常,用户调查员携带各种类型的设备在硬件和软件方面,例如,wi - fi芯片组,天线模式,和操作系统。RSS不同值的测量结果异构设备即使在完全相同的位置。

这种众包的方法被认为是在许多最近的研究(14- - - - - -19]。然而,他们中的许多人在CIL解决这些挑战。在[20.]关于survey-free本地化,几个研究[21- - - - - -23)处理异构设备CIL使用RSS样本APs的差异而不是绝对的RSS对抗来自异构设备的测量方差值。以前,我们提出“Freeloc”[24)使用的APs下令RSS列表指纹而不是RSS本身。因此,Freeloc不断解决这些挑战导致健壮和可靠的结果。在本文中,我们比较了Freeloc与现有实际CIL的室内定位算法的准确性。此外,我们研究如何决定一个示例rss差距不同定位环境和方差进行测量研究Freeloc无线通道由于密集的wi - fi APs的干扰,从许多行人深衰落,并从短距离路径损耗。

本文的其余部分组织如下:介绍背景知识与相关的室内定位方案工作部分2。部分3介绍了现有的定位算法CIL。部分4描述了我们的系统和算法一起在CIL的三个主要挑战。我们将展示与现有定位算法性能评价和比较的部分5来7。节5根据各种本地化环境相比,Freeloc性能。我们比较与其他CIL Freeloc算法部分6。节7,Freeloc性能是研究不同δ值。我们在部分总结本文8。

2。背景

2.1。室内定位技术

许多室内定位技术提出了在过去的十年。一些室内定位技术需要特殊的硬件来确定设备的位置像活动徽章9和活跃的蝙蝠25天花板和墙壁上附加的建筑和传输距离估计红外和超声波脉冲。板球和板球罗盘(8,26)使用射频和超声波技术的结合。使用有源射频识别技术提出了(27,28]。

最近,基于无线室内定位接收关注wi - fi APs成为用于户外本地化。喜欢户外定位在蜂窝网络中,三角测量使用的信号到达时间差的邻居APs可以被认为是(13,29日]。基于这个到达时间(TOA)可能受到及时的不同信号通路在复杂的室内环境。相反,可以使用接收信号强度(RSS)。雷达(10这]采用射频信号强度第一室内定位的目的。现在,许多研究人员专注于技术,使用wi - fi RSS数据。研究[30.]分析了接收信号强度值的属性由无线网络接口卡。参考文献(5,31日)表明,wi - fi指纹(即。,a basic service set identification (BSSID) and its RSS value) methods can fulfil accuracy required for many indoor LBS applications.

2.2。众包室内定位

Survey-free本地化(16- - - - - -19)或基于众包的室内定位(CIL) [14,15)严格一直探索以减少工作量和成本参与专家基于测量系统作为智能手持设备广泛部署。CIL是一个自组织参与系统正常的移动用户提供wi - fi指纹在不同位置的测量定位。文献[15)在室内环境中进行实验,讨论了令人鼓舞的结果。出纳员等人在16)设计和部署一个有机定位系统,实现了位置准确性可比的准确性通过一项调查驱动系统。基于众包的方式通过Ledlie等人模型世界树的层次名称空间和提供了一个算法,明确占时间的变化信号空间(19]。最近,加速器协助船位推算技术采用加强众包室内定位精度(11,12]。

CIL的主要问题是硬件设备的异构性,通常各种各样的手机,收集wi - fi指纹在训练阶段。这导致观察到的信号强度值的变化测量由于不同的芯片组出现在不同的设备。公园等人[探索这个问题17)和比较各种方法来缓解这个问题。使用的主要参数是信号强度值和访问点检测。基于核函数的评估,预测用户位置使用朴素贝叶斯分类器,提出了获得更好的结果比基于线性变换的方法(32]。徐等人提出了一种无监督学习方法在无线定位自动试图解决硬件差异问题[33]。吴等人提出的网站survey-free室内定位与现成的设备,需要复杂的转换从虚拟到物理空间基于测量(21]。参考文献(22- - - - - -24]表明,强劲的指纹可以使用信号强度差异(SSD),而不是绝对的RSS异构移动设备的测量值。

3所示。定位算法CIL

尽管CIL的几种定位算法提出了,他们中的大多数使用计程仪航程或相似的rss (20.]。我们介绍一些实用的方法,那么复杂和容易申请基于指纹的室内定位与Freeloc比较性能。

首先,rss的欧氏距离最近的邻国(nn)计算找到位置距离的总和值的最小值。这里我们考虑未加权的神经网络的距离值也同样添加求和。其次,基于Tanimoto相似系数被认为是。第三,我们评估克两个指纹之间比较BSSID子序列的计算出现的概率相同的连续子序列。这四种算法,我们应用相同的实验环境,用于“Freeloc”评价的比较:(我)k近邻(神经网络)是一种流行的定位法来分析RSS模式邻居APs使用一些识别技术。例如,它可以简单地计算两个指纹的RSS的欧几里得距离测量值,并存储在一个远程服务器。像这样,神经网络估计位置最频繁出现的距离值邻居APs: 在哪里是位置和是测量指纹是一个存储位置的指纹吗。也就是说,神经网络选择一个位置距离之和最小的最强烈测量和存储值之间的指纹。(2)两个指纹的相似性可以评估Tanimoto系数,广泛用于估计wi - fi指纹的相似性。文献[34]表明,地方检测可以通过使用Tanimoto无线电环境的相似性系数。如下的方程,位置以最大的Tanimoto可以选择系数: (3) 克算法是一种不同的方法与上面两种方法相比,计算两个子序列的可能性的测量和存储指纹(35]。她们只有力量的指纹而担忧神经网络和Tanimoto认为信号强度本身。指纹强度不会改变的顺序可能即使指纹的信号强度变化动态。为此,蟋蟀的指纹在降序排序RSS和指纹的子序列进行比较。例如,子序列蟋蟀一个指纹序列是一个人吗th指纹,指纹的大小。在这里,我们可以找到一个位置,最大化一个以下方程: 也就是说,该算法选择一个位置以最大概率的一组子序列出现在的位置。蟋蟀激励我们去改善它的众包定位测量的指纹都是不同的与位置和设备描述在以下小节。

4所示。Freeloc: Calibration-Free室内定位

在本节中,我们简要描述定位算法,Freeloc,使用场景图1。Freeloc解决以下三个关键的挑战指纹推导基于rss被未经训练的移动用户:(我)RSS为短时间测量:众所周知,在室内环境中多径衰落使RSS会随着时间变化而波动甚至如果接收者绝对是固定的(36]。一个简单的方法来减少RSS方差是记录RSS数据很长一段时间。作为RSS样本数量的增加更容易识别一个指纹值,确保建设一个更加健壮的和准确的电台地图。然而,几乎是不可能有正常的用户收集RSS数据这么长时间在基于众包的模型中。我们相信RSS调查时间在每个地点不会超过一分钟假设所有调查者通常的移动用户。因此,一种从短时测量提取准确的指纹数据的技术是必要的。(2)设备异构性在CIL系统:这是不可避免的,不同的设备参与建立无线电地图数据库。由于没有专家测量员使用专门设计的硬件,它极有可能收集RSS数据从每个用户不同,尽管它被收集在完全相同的位置。不同芯片和天线设计的wi - fi设备造成不同的RSS记录每个设备,很难调整。这个设备异构性是另一个众包定位的关键问题。(3)多个测量一个位置:另一个问题是,多个用户可以上传自己的指纹数据和标签相同的位置,但这是获得在不同的测试点。这将导致多个指纹数据集的一个位置,从而导致效率低下的内存使用和更多的时间来估计当前位置。没有以前的研究考虑这个尽管这也是一个定位精度退化的主要原因。

4.1。指纹值提取

本节介绍如何提取每个指纹的RSS价值在特定位置的变化反应率和RSS的价值观。相比之下RSS可以测量很长一段时间(例如,从一个多小时,一个月)在专家测量系统[平均值37];CIL有短测量持续时间提取可靠的指纹。我们提出一个实用的指纹和弹性RSS抽象方法基于我们所进行的实验结果:(我)美联社反应率:在我们的实验中,我们观察到,美联社反应率和RSS之间高度相关。Ledlie et al。19]认为反应率之间的相关性和RSS相当疲弱,导致使用响应率与RSS指纹信息。然而,我们的研究结果表明,APs RSS的值大于70−dBm提供超过90%的反应率和APs RSS dBm和−−70 85 dBm之间提供超过50%的反应率。APs的RSS低于90−dBm非常贫穷的反应率。因此,我们决定给低级别弱RSS值,它反映了降低指纹的美联社自然反应率。(2)RSS方差:RSS特定美联社的变化随着时间的推移,由于阴影和多径衰落,和RSS波动在室内环境可能会更高,而不是户外,这削弱了定位的准确性。CIL,需要测量持续时间短,提出了基于高斯分布的概率方法在一些研究提出16,19,32)获得的平均价值,然而只在理想环境可行。相反,我们提出一个简单而有效的方法根据我们的实验结果显示最常了RSS在短时间内非常接近最RSS长期测量情况。换句话说,可以获得最频繁的rss无论测量时间的持续时间。该方法提取指纹RSS值被忽略RSS记录远离最常见的RSS和给予的最大重量的RSS峰值所示(4),它提供了宽容的RSS随时间变化。AP和指纹值吗RSS价值最高频率的测量。的宽度范围设置和:

4.2。网络定位算法

4.2.1。准备相对RSS比较

大多数先前的本地化技术估计一个位置绝对RSS值基于无线地图建立在离线阶段。然而,CIL,调查员携带异构硬件设备可以有不同的指纹数据集即使对于相同的位置因为RSS的价值观来衡量这些设备不同于对方。

在本节中,我们解释小说定位技术,Freeloc,而不是修改现有的异构设备的技术环境与我们的目标一致的室内使用场景。由于wi - fi技术的扩散,一些办公室或大学建筑安装了50多个APs为个人目的或卸载无线蜂窝网络。RSS那些APs是广泛分布的值(例如,40 dBm 100−−dBm),这是良好的抽象相对RSS APs之间的力量。

对比几种方法使用RSS不同指纹的APs Freeloc生成指纹使用AP秩序而不是RSS所示值本身 每个指纹数据元素的位置有一个位置标签(例如,房间号码),测量,和检测到的美联社BSSID (),有th最强。订单的其他发现APs的BSSIDs RSS是弱于RSS的吗以上价值。我们建议的方法采用δ()作为不同的RSS的边际价值不同克(35],只考虑两个连续子序列之间的相似性要求指纹,即使这两个计划专注于关系发现APs的RSS,而不是RSS值本身。δ值保持一致在无线信道衰落的关系,使我们的方法来处理异构设备没有校准的努力也多从许多不同的设备相同位置的元素。

例如,假设用户和测量师和用户吗和想知道他们的位置在图1,用户模拟提出了表的测量1;101和102房间的指纹可以定义在表2。例如,AP1−50 dBm RSS价值4其他附近检测到APs (AP3-AP6 dBm)显示低信号强度超过10 dBm(即。,值)。

从现在开始,我们描述Freeloc定位算法在算法的细节1。在上述场景中,用户和请求他们的立场与自己的指纹定位服务器值表2,然后指纹值与存储的指纹由用户创建的地图和。首先,作为最强的AP用户B是101房间的搜索地图。AP4地图的其他APs AP5, AP6弱的三角洲。因为AP5和AP6是常见的用户B的指纹和位置地图,101房间收入两个点。这样,我们的算法最终获得8分101房间只有1 102。为用户C,分数是9和2室101年和102年,分别。因此,我们得出结论,这两个用户和在101房间。

为了实现快速检索(4号线算法1),我们利用一个“重要性国旗,”一个一比特的国旗在指纹数据,表2。国旗是如果排名高,并有很强的RSS。当定位服务器接收到这样的位置要求,它选择指纹数据和标记在匹配标记的地图在请求数据。

例如,在相同的提到的场景中,标记s是101房间,102房间如果我们国旗的标准设置为两个APs。的标记标有星号在表2。当用户B和C请求他们的立场,至少有一个标记在他们的指纹数据中发现的指纹数据(即101房间。,AP1 for user B and AP2 for user C) while no matching flagged AP is found in the fingerprint data of Room 102. Therefore, only Room 101 is considered for the possible location in this example. However, we can be bothered from high rank年代如果相邻位置有很高的概率获得强烈的RSS APs相同。如果没有找到匹配项,我们把测量的位置作为一个标记的位置。

4.2.2。指纹更新

在CIL,移动用户测量员不断上传不同的指纹相同的位置异构设备,这就增加了数量的RSS数据集的同一位置标签地图数据库和时间比较所有集本地化。

Freeloc可以提供一个简单的更新过程,构建了一个独特的指纹没有校准,将多个指纹就合并到一个指纹。例如,将成立新的指纹数据如表4如果B上传其RSS测量同一位置标签如表所示3他们合并与现有指纹表101房间2由用户提出的和指纹数据结构价值增加多个指纹数据尽管他们之间的相似与不同的设备以稍微不同的位置。

5。在不同的环境性能比较

从这一节中,我们评估Freeloc表8多厂商的智能手机5这有不同的wi - fi的硬件芯片和手机操作系统。评价,我们不同的数量和类型的设备参与指纹图谱为每个用户设备。相同的设备从未用于生成指纹地图和定位。

5.1。建筑楼

首先,五楼的建筑Gachon大学和加州大学洛杉矶分校工程大楼的三楼办公室/学校建筑环境长走廊和会议室包围和实验室存在如图2(一个)和2 (b)。走廊的宽度大约是2 m,和一些与视线APs是可见的。平面图是相似,但无线AP密度是不同的;Gachon建筑拥有超过300检测到APs而捕获约50 APs加州大学洛杉矶分校建筑。我们测量了rss在36个不同位置的三楼工程建筑物在加州大学洛杉矶分校的校园和35个职位Gachon大学的建筑。小点在图显示RSS测量的地点。收集到的数据在这些点被用于实验。邻点相距约6米。

在实验中,Freeloc CIL的可行性,验证了定位算法基于异构多种设备在走廊的办公大楼。本地化Gachon大学异构设备的结果如图所示3。前三个酒吧的情况下只有一个设备被用于指纹。接下来的三条的情况下指纹地图生成从两个不同的设备和这些指纹地图合并成一个指纹地图。最后一栏表示指纹的情况下生成地图已经从三个不同的设备和合并。

图3显示精度不降低主要是当多个指纹来自不同设备的数据合并。特别是,HTC Desire HD (D)导致更高的距离误差指纹由其他手机。错误已经被观察到的距离超过4 m高清的渴望。但是距离误差随附加指纹结合其他异构设备到小于1米。这里我们可以猜测,更多从其他异构设备有助于减少额外的测量误差的距离。此外,距离误差的同质性,将显著降低设备增加众包系统。

实验结果在Gachon和加州大学洛杉矶分校建筑24)表明,Freeloc异构设备之间可以提供一致的性能。根据我们的观察图5(24),误差距离Gachon建筑小于加州大学洛杉矶分校工程建筑,1和3米左右,这意味着APs的数量和程度的Freeloc分布会影响定位性能。

5.2。居民区

未来定位实验对小居民区已经进行了加州大学洛杉矶分校的实验室和住宅,有许多不同类型的家具,只有少数住宅人留下来。然而,加州大学洛杉矶分校实验室由薄胶合板为房间分区,分区不达到上限,同时住宅房间隔着厚厚的混凝土墙,例如,一个客厅,一个厨房和一个洗手间。在住宅和加州大学洛杉矶分校的实验室,分别测量29和34个职位。每个测量的点之间的距离大约是1.5。

图4描绘了距离误差的居民的房子,有三个异构设备(D S V)。跨设备错误超过1.5米,是一个测量位置之间的距离的定位有一个指纹。然而,距离误差小于1.5米和两个指纹的异构设备。在所有情况下的人物,精度不降低当多个指纹来自不同设备的数据合并。这重申Freeloc CIL可以是一个可行的解决方案。

居民家的定位性能显示比加州大学洛杉矶分校的实验室在图5尽管他们的尺寸是相似的。我们可以得出这样的结论:住宅可以获得独特而稳定的指纹而不是加州大学洛杉矶分校实验室自房间居住的房子由居住人造成的混凝土墙壁和信道变化较小(例如,超过10个学生在加州大学洛杉矶分校的实验室和2居民在众议院)。

图5显示错误的平均距离在加州大学洛杉矶分校的实验室相比,加州大学洛杉矶分校工程建筑的三楼。距离误差在加州大学洛杉矶分校实验室三楼高的测量间隔较长点实验室(1.5和6米)。

退化的原因观测精度在实验室可以困难有一个独特的指纹相比,三楼有更多独特的指纹形成厚厚的混凝土墙的建筑由于路径损耗而薄的实验室是由胶合板材料的房间里面。

图6显示分数分布来源于算法1在测量位置从1到3,定位误差发生在位置2和3的实验室和位置3的三楼。在图中,我们可以看到实验室的分数非常类似于彼此之间的测量位置到三楼相比,导致错误的预测概率高于三楼的情况。

根据我们的指纹分析实验室,我们观察到相似的指纹是由相似的指纹。也就是说,指纹在实验室几乎相同序列的美联社BSSIDs由于胶合板墙除了几个最强的APs应该突出显示。看到影响测量距离和数量的APs指纹,双重的再现作为输入的指纹,如图7。

自从短测量距离小区就像一个实验室可能会增加定位误差概率比办公楼走廊,我们尝试用较少的测量定位算法。与许多APs在类似的订单,一长串的测量APs增加得分值,使指纹难区别的。因此,我们测试了APs的数量减少,例如,最强的15、20、25 APs从40多了APs在实验室。

在图7(一),20 APs是最可取的指纹实验室。距离误差从2.8减少到2.4和2.5米和3.2米的关系(NS)和星系(G),分别。这个错误会减少如果衡量网站的数量减少一半。关系和星系的距离误差降低,如图1.39和2.28米7 (b)。较小的距离误差减少更多的测量图的网站7 (c)。表6显示平均距离误差的APs的指纹。没有调整了APs的列表,平均距离误差下降不仅是通过减少测量站点的数量(增加的情况所有)。相反,平均距离误差从2.5减少到1.45米20 APs如果测量网站从34个减少到8网站。这样减少美联社序列还可以减少位置估计时间正比于指纹数据的数量相比,除了给指纹强劲APs的一大亮点。

本地化与细粒度仍然是挑战尤其是在小的开放空间,相似的指纹被捕获。因此,测量距离或位置的APs用于指纹应该根据本地化调整环境,尤其是对小区域。然而,我们认为Freeloc仍可行回家本地化作为物联网的关键技术之一(物联网)。

5.3。室内购物中心

wi - fi频道在室内环境与移动对象不同,尤其是人,导致在测量方差的指纹。我们可以推测,指纹抽象的基础上(4)可以处理这个问题。然而,很大程度上分布式rss仍然可以误导和不一致的指纹定位。

为了说明这个问题,我们尝试定位法在人群中室内购物中心,Coex,一个最大的室内购物中心在韩国,拥有大型会议展览和会议房间,许多餐馆和商店(图2 (e))。wi - fi指纹数据收集在40位置不同的无线信道环境,每个位置都是相隔6米一样在学校建筑。我们测量rss来自200多个APs Coex安装,商店和互联网服务提供商。

我们使用四个智能手机,欲望高清(D),维加铁(V),星系S3 (S),请注意(N)和测量rss电话在不同的时间不同的渠道经验。调查程度的衰落影响行人、RSS变异的两个不同的地方,Gachon建设和Coex商场,比较图8。RSS Coex广场的变化可能比它更高的建筑由于更多的行人;RSS差异几乎是大约10 dB的APs。然而,强劲的APs的RSS分布在两个地方很相似。

图9显示错误的距离成对实验的异构设备Coex商场。距离误差大于Gachon由于不同通道状态,和加州大学洛杉矶分校建设虽然更多的指纹APs被捕。同时,测量误差Desire HD导致增加距离。然而,距离误差随指纹收集的其他三个异构设备达不到测量距离,6米。根据这个实验结果,CIL定位性能的影响更多的设备特点,也就是说,异质性而不是衰落信道状态因为RSS价值抽象基于多个测量样本(例如,或多或少10个样本)减少褪色的效果。因此,Freeloc可以强健甚至在人群中室内环境,由于行人患有严重的信道衰落。

6。定位算法的性能比较

首先,定位性能比较时使用仿生设备和三个指纹由他人。图10显示它的误差距离在实验室为每个不同的指纹。误差距离略有不同的指纹,但类似的除外神经网络。最大误差距离但是非常不同的定位技术。Tanimoto方法显示最大错误,约12米,在四个定位方案自相似性RSS指纹是彼此无特征的狭窄的实验室环境。图11显示它的误差距离在三楼。神经网络和Tanimoto方法显示相比相当大的误差克和Freeloc。克和Freeloc显示只有5米距离误差在80%以上的指纹误差神经网络和Tanimoto超过30米距离误差。因此,指纹算法使用相对信息表现的使用RSS的绝对淡水河谷,特别是对三楼的环境。比较Freeloc和蟋蟀,Freeloc显示更好的准确性,因为Freeloc可以检测独特BSSID子序列有效甚至不同电台的条件下。

图12显示总平均误差距离的四个定位方案使用上面4用户设备用于实验在实验室和三楼。“单身”表示一个单一成对的平均距离误差评估。在实验室,大多数算法显示竞争结果误差低于5米的距离。然而,基于信号强度的定位技术在三楼导致严重的结果。在实验室,rss的指纹有助于阐述定位精度,但可以在广阔的区域内像三楼误导。考虑典型的房间大小,它可以挑战定位性能。在这两方面Freeloc达到竞争定位性能。平均误差距离的基于异构多种设备(即本地化。2或3设备)表明酒吧的标签“多个”图12。当使用多个异构设备构建一个无线地图,克和Freeloc使用相对信息获得显著的增益比单一设备测量。相反,距离误差神经网络和Tanimoto比单一设备情况变得更糟。在蟋蟀和Freeloc,合并后的指纹数据不影响定位结果,因为他们只关注相关信息。省略了一些指纹设备从一个由其他适当,提高准确性。然而,在nn和Tanimoto,相同的指纹不能正常合并和新添加的值从其他设备可以误导的结果,因为异构测量设备没有校准可以得到不同的RSS值相同的位置。错误的比率是本地化的成功率与试验测量分图所示12 (c)。误差率在三楼的实验室是高于因为测量点之间的距离太小,检测准确位置。

数据13和14说明误差分布在实验室和三楼的距离,分别。误差分布表明定位算法的稳定性。虽然神经网络实验室在图显示了较低的误差率12 (c)距离,距离误差被广泛传播(max错误几乎是11米)Freeloc相比。在三楼,距离误差Freeloc也分布在很短的范围比其他包括蟋蟀的误差率在图相似12 (c)。因此,Freeloc可以估计误差方差较低位置而不是其他本地化方案。在使用多个指纹设备测量的情况下,改进单一设备相比,情况不是很显著。异构设备使指纹有助于降低误差率在图12 (c),但不减少误差分布的距离。

7所示。性能变化δ值

在本节中,我们描述了如何获得Freeloc指纹的δ值,并不是处理在我们以前的工作(24]。实际上,两个δ值获取方法可以考虑Freeloc实施;偶尔一个是即时发生的推导与几个存储指纹,另一个是一个累积评估发生每次收到一个新的测量。

7.1。三角洲推导与即时指纹

找出最优值随后的本地化,成对设备的距离误差计算为所有设备不同值从1到15。从这,我们可以找到最优经验价值最小平均距离误差。在这里,距离误差计算成对设备的情况下,预测用户的位置不同于真正的位置。例如,如果指纹来衡量点在图12 (b)被视为点2的定位算法的指纹,然后测量误差之间的距离是一个真实的距离这两个点。

例如,每个距离误差的即时平均成对评价四个手机降低到加州大学洛杉矶分校的实验室如图(15日)。因此,最佳的δ值可以设置大约12 dBm如上所述的平均线在图15。实际上,定位服务器拥有rss几个调查员的报告评估时间和最优在内部。这一刻推导可以执行定期或偶尔以适应不断变化的环境,如新安装wi - fi APs和新型移动设备。

7.2。三角洲推导与积累的指纹

积累了指纹,定位服务器获取一个新的最优的新报道的RSS电话基于当前指纹。例如,最初的指纹的仿生(B)由星系相比(G)报道后的RSS。有两个,第一个值是派生的。之后,联系(NS)和NexusOne (NO)可以更新,按顺序。每当指纹报告,它是用来推导结合到一个指纹每个位置。这里,定位服务器不需要保持原始RSS的报道值指纹获得。仅更新当前的服务器基于指纹验船师报告的新价值。在图15 (b)例如,第一,B / G对最优在14个dBm更新至12 dBm NS。最后,没有设置为13 dBm。

图16显示定位错误的HTC Desire HD (D)与不同值在Gachon建筑。合并两个不同设备的指纹不表现出更好的性能比单一设备指纹的值。然而,最健壮的指纹已经形成从三个不同的设备虽然距离误差是不同的根据价值。这个实验证明,我们的方法可以实现协作环境的异构设备之间令人印象深刻的表现。我们相信错误的同质性,将显著降低设备增加众包系统。

在这项研究中,考虑总距离误差的一般性能而言,10 dBm值是加州大学洛杉矶分校工程建设和使用Coex商场,和2 dBm用于Gachon建筑和居民的房子剩下的评估。

8。结论

FreeLoc是小说,calibration-free室内定位方案,使用现有的无线基础设施。该电台地图构建和定位技术是基于RSS的APs之间的整体关系。我们技术提供健壮的定位精度在众包环境设备异构性和多个未经训练的调查员主要是导致性能下降。我们工作的主要贡献是一种新颖的方法对指纹数据管理和定位算法,能够处理不同的用户以及他们的设备,不需要经过复杂的校准或转换。实验在两个网站,不同的环境中使用异构设备已经证实我们的新方案是可靠的和可行的,实现更好的性能比使用RSS绝对值定位算法。我们将扩大我们的规模实验覆盖整个大学并执行长期可用性测试。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了Gachon大学研究基金会gcu部件2015 - 2015 - 0044。