SmartFix:室内定位为能源贫瘠的可穿戴设备优化算法

文摘

基于无线室内定位技术一直是在过去十年的一个研究热点。尽管众多的解决方案,遇到了新的挑战以及智能家居的趋势和可穿戴计算。例如,需要显著提高功率效率对于资源受限的嵌入式设备,如智能手表,腕带。对于Wi-Fi-based定位系统,大部分的能源消耗可以归因于实时无线扫描;然而,仅仅减少无线电定位精度的数据收集将导致一个严重的损失,因为不稳定的无线信号。在本文中,我们目前的SmartFix,室内定位的优化算法基于wi - fi RSS。SmartFix利用用户运动特性,提取特征值从历史轨迹,和纠正偏差引起的不稳定的无线信号。我们实现了一个原型SmartFix摩托360 2 nd-generation Smartwatch和HTC智能手机之一。我们进行了实验在一个大的开放区域和办公室大厅。实验结果表明,平均定位误差小于2米超过80%的情况下,和能源消耗是只有30%的wi - fi在同样的实验情况下指纹识别方法。

1。介绍

与大规模应用程序要求,近十年来也取得非凡的成就基于不同的室内定位方案(1- - - - - -10),如物联网(11,12)和智能家居系统(13];室内定位中起着重要作用。由于明显的便利,wi - fi技术已广泛应用,室内定位策略通过使用wi - fi RSS自2000年以来已经引起了广泛的注意。这一战略部署定位算法等智能终端智能手机或平板电脑和假设设备定位在测试人员做完全一样的地方。因此,我们可以通过定位智能设备定位。成功,关于相对特殊的应用程序(如智能家居或办公室设置),它可能会遇到一些限制由于错误绑定用户和传统智能设备之间的关系。幸运的是,可穿戴设备(如智能手表、腕带、戒指,和眼镜)已经发展迅速,近年来越来越受欢迎。更紧密的绑定关系和更长的使用时间提高室内定位算法的适用性。

另一方面,新的机会将可穿戴设备和室内定位技术的普及,尚未提出挑战。例如,可穿戴设备在计算比传统设备能力较低。同时,他们更少的存储容量和更简单的硬件功能块可穿戴设备上直接使用的室内定位技术。更重要的是,考虑到当前的电池容量可穿戴设备是传统的只有十分之一的智能设备。高能源消耗的改进定位算法必须首要议题使定位技术在可穿戴设备成为可能。

在一个实时定位阶段,能源消耗包括两个主要部分:计算和收集wi - fi指纹(wi - fi RSS一样)。因为的各种影响,包括随机波动和多路径损失墙壁,家具,人们运动,它要求更多的RSS收集,确保室内定位精度。根据我们的实验中,能源消耗引起的实时收集占据99%的定位算法(见表1)。

问题是如何减少收集的频率,同时保证可接受的精度?例如,如今,辅助传感器,陀螺仪、加速传感器,红外线,和相机,介绍了动态调整收集频率,减少能源消耗,并确保定位精度。辅助传感器收集的移动信息和帮助改善定位的结果,如MoLoc [14),一个策略实现惯性传感器来直接获取用户的信息。然而,上面提到的所有方法都有功能的帮助下辅助硬件和传感器,根据我们的调查,这些设备不会导致明显的能源负担传统的智能设备,但是,在敏感的可穿戴设备能耗、能耗的传感器是忽视的。因此,考虑到这些限制,目前的策略应该进一步加强。

在本文中,我们提出一种新颖的室内定位策略,SmartFix。它可以配合任何室内定位技术基于wi - fi RSS和提高精度和一点点额外的能量计算成本,但大信号收集能量的节省成本。SmartFix室内定位技术是免费的从辅助传感器。与机器学习算法辅助,我们获得的相对特征的轨迹用户在某些领域和修改定位结果。与传统的定位技术相比,SmartFix只能达到一定的精度提供了一个RSS的价值。它在节能上的表现也不错。原始wi - fi指纹识别方法相比,SmartFix可以节省70%的能源,实现相同的定位精度。

2。动力和挑战

设计wearable-based室内定位技术的主要问题是提高能源效率。找出关键,我们进行了HTC,摩托360和实验记录并算出当前组件的定位算法。之后,根据研究结果,我们分析了常见问题Wi-Fi-based算法和引入SmartFix如何利用历史轨迹在本地化改进性能。

2.1。分析能源消耗

我们将定位阶段划分为两部分,即信号收集和计算。我们做实验于360年摩托Smartwatch和HTC智能手机之一。的实验,我们讨论在本文中,我们检查wi - fi频道数字1、6和13为每个位置和扫描并收集所有附近的wi - fi热点的RSS数据每3秒。内置的传感器(加速度计和陀螺仪),我们收集的数据与50赫兹和500赫兹采样率对智能手机和Smartwatch 25赫兹和200赫兹。

首先,我们记录了电池的容量在RSS信号收集阶段和计算的平均功耗收集一套RSS信号数据。其次,我们经营的定位算法在Smartwatch多次和智能手机,记录了电池的容量,计算的平均能耗运行该算法一个时间一个位置。数据分析表明,能源消耗的比例的信号采集和计算可以达到99%(见表1)。

事实上,由于wi - fi信号检测的低稳定性和环境因素的影响,信号强度总是波动。解决这个问题的一个方法是使用概率估计依赖于特殊的实时数据。我们做实验来验证,增加实时数据和使用概率估计可以提高定位精度。

我们实现了基本的wi - fi指纹识别方法(K神经网络)和FreeLoc [6]依靠相对RSS APs的顺序不同。因为只有几个APs在这项实验中,FreeLoc的定位性能不好或更糟而应用K神经网络。我们使用简单的概率估计来模拟不同数量的实时数据的影响。共享相同的实时数据,这两种方法都将失去40%的准确率从九当实时数据的数量减少到每两个位置,因为不稳定的wi - fi信号(15]。尽管大量的实时数据是非常重要的定位精度,它肯定会导致更多的能源消耗。

我们利用用户运动的特性来满足能源效率和定位精度的要求。有几个定位方法使用用户运动帮助优化定位性能。现有的方法主要是使用内置的传感器来直接获取运动信息将添加RSS指纹和建造的多样性帮助区分不同的地方。MoLoc使用数字罗盘和加速度计用户可用的运动。从我们的实验中,结果表明,虽然内置传感器的能量消耗似乎并不是一种负担传统的智能设备,如智能手机,它不能被忽略,当部署在可穿戴设备能源效率更敏感。表2显示了不同地区的能源消费的比例而实施本地化过程MoLoc摩托360 Smartwatch和HTC智能手机之一。尽管两个设备能耗的差异,它们的比例几乎是相同的。结果验证我们的结论。

2.2。功能的用户历史上的运动轨迹

从内置传感器,避免额外的能源消耗SmartFix不需要直接从传感器数据,而是进步实现机器学习算法的定位精度对人类沿着轨迹运动特性。

一致的轨迹的位置坐标指示信息;作为一个整体,我们可以学习它的运动特性在某些领域。首先,人类运动由物理空间是有限的,这也取决于他/她的目的地。更重要的是,一个人是否熟悉周围的环境学习时还应该考虑他/她的运动特性。我们相信,鉴于特定区域,一个特定的目的地和非常熟悉这个领域,和他/她的轨迹必然遵循一些固定的规则和显示一些类似的模式。如果我们能从这种运动获取和学习模式,它将做的很好,帮助提高性能和降低成本定位,基于位置的服务是一个大问题。例如,在智能家居环境下,通过获取用户的位置信息,智能家居管理系统可以自动操作温度、湿度、灯光、视频、和安全系统和管理各种智能设备,可增强其适用性和变得更加用户友好。

关于一个陌生的环境,另一方面,尽管目的地是特定的,当一个人第一次踏入这个领域,会有相对更多的随机波动。典型的例子如购物中心、火车站和机场,随机运动发生更加频繁,因此运动特性,我们注意不能提取。然而,在意识的地区当给一大群记录轨迹和消除这些随机变量,运动特性可以被大多数实际的轨迹。

根据结论之前提到过,求出当我们提供基于位置的服务在一个特定区域;我们可以受益于历史轨迹信息或那些大多数遵循类似的模式来提高定位的结果,这是本文的关键。

3所示。SmartFix架构

本节阐述了SmartFix定位算法的设计。同样,有一个具体的例子的最后一部分为SmartFix有助于解释操作和细节。

3.1。特征选择的历史轨迹

作为一个定位战略是历史信息的帮助下,我们面临的第一个问题是如何有效地收集位置信息或坐标的点。在本文中,我们利用计步器和陀螺仪装备智能设备上收集路径和轨迹的转动角度。首先,我们进行了小范围的实验记录用户的轨迹,贴上测试一个包含500条记录。在此基础上,我们实现机器学习算法学习这些数据和自动集群分成三个特性值概率的连续旋转,转动角度,和比例将在一个轨迹。所有这些特性不能提供的wi - fi指纹匹配算法由于其随机分布的RSS值,这可能会导致不规则波动的本地化。

这三个特性进行进一步的试验,我们选择两个领域作为用例。一个是实验室200平方米。,另一个是一个开放的面积有平方环的形状。这是约1898平方米。共2000条记录已经收集和保存测试b实验结果,所有这三个特性也遵守规则在大规模测试基地。因此,我们相信,通过学习这三个特性,我们可以尽可能有效地消除误差的波动,从而提高定位精度。下面我们将分别讨论三种模式,他们遵循的模式。wi - fi RSS价值会受到许多因素的影响如多路径效应、温度和湿度变化或电磁变化。所有这些构成负面影响对定位精度的影响。连续切屑更经常发生在这种情况下通过wi - fi RSS定位技术。 However, according to our experiment, this abnormal mode can hardly be spotted in actual trajectory as shown in Figure1。

在这种情况下,一个轨迹从点()点()保持直的方向。然而,根据无线检测,结果显示随机位于两侧的实际轨迹。来对我们来说足够安全的问题得出结论,wi - fi的连续转动模式检测只是造成错误匹配和不应被视为通过决定正确的结果吗?要回答这个问题,我们从测试集群的运动特性,结果表明,它是积极的,如图2。

在图2,异常是指连续在一个轨迹。像的轨迹点()点(通过点())和点()在图1方向的路径()- (),()- (),()- ()正在改变所有的时间。这种形式的路径找到基本的wi - fi RSS方法更有可能包含不稳定造成的错误点wi - fi信号,这就是为什么我们关注异常率在实际轨迹。结果,81%的实际轨迹仍直和大约13%的举措正在转向。其余,低于6%的情况下,可能存在一个连续在一个单一的轨迹。为了更有说服力,我们测试了更大范围的数据测试B和结果是符合我们的假设,这表明通过消除这种异常模式本地化的轨迹可以帮助提高性能。

整个聚类测试,回转角度分布是另一个明显的特性从轨迹。在传统的wi - fi检测,总有一个问题在定位的转折点。另一方面,将角度范围很大程度上取决于物流的地方。例如,如果建筑等面积相对宽敞的大厅,轨迹将显示模式更加直接和小角度旋转移动。或者,如果是身体在实验室和办公室等空间有限,直接行动将被削减,更多的转向角度将更大。因此,这个特性是高度依赖于一定的地方。它可能适用的领域内共享类似的物理分布。但即使是大规模的,是不能完全代表数据从一个给定的地区被广泛用作测试基地。其鲁棒性限制从不同领域提出了下列实验;然而,不可否认的效率。 First of all, we clustered on Test A and obtained the distribution of turning angles from 0 to 180. Due to the dominance of straight moves, angles less than 10 degree will be considered straight moves in this operation. After that, with a larger scale Test B, including experiment areas 1 and 2, we separately clustered the trajectories and results are shown in Figure3。

在这个实验中,我们发现有一个不同范围的转动角度为每个od实验领域。大多数的每个地区都是不同的,因为他们的特定的物理分布。在实验区域1的情况下,将角度主要集中在30度,40度的最大值。90%的分布范围内的20到40度。与此同时,区域2,大多数呆在50度,大多数情况下低于60度。和转向角度的范围从30到50占据总量的90%的记录。基于这些规则,如图4,我们可以提高定位通过修改更有说服力的转折点将角度。第三个功能我们从测试是在一个整体的比例轨迹。作为显示在图5在一个轨道,我们计算的百分比切屑给予足够的长度和设置一个阈值。在决策过程中,我们计算的百分比切屑的轨迹,与阈值进行比较。如果这个值过度阈值,我们手动把惩罚值的概率与高频防止切屑的情况。通过这种方式,它还可以帮助我们调整轨迹。

然而,像第二个,这个特性还受限于物理因素。由这个限制,我们做了另一个实验来测试它的鲁棒性。不同于之前的实验中,对那些与不到10移动轨迹,没有可以提炼出有价值的信息,被认为是不具备代表性。我们选择的样本更步骤和结果如图6。这可以得出这样的结论:总会有一个阈值为每个实验区域。但这些值不同于彼此不同的物理因素。与此同时,曲线显示的波形表明,随着轨迹的长度增加,切屑经常出现在一个相对稳定的范围在这两个领域1和2。这些策略的基础上,我们设计了定位算法,SmartFix。下一部分将评估SmartFix的性能在一个更详细的程度。

3.2。背景数据和位置模型

SmartFix使用轨迹连接和运动趋势定位和提高精度,所以在收集阶段,除了RSS值在每个位置;SmartFix还使用不同位置之间的关系。例如,在一个地区位置,测量员需要收集RSS APs的指纹信息在每一个地点: ,在那里代表了APs的数量。此外,SmartFix需要的相对位置节点和连接关系来开发一个室内定位模型。室内定位模型可以表示成一个加权邻接矩阵:

我们设置作为一个整数比 显示位置的数量吗方向的位置,它将用于运动趋势的判断。的邻接矩阵表明室内位置相对应的连接关系。

SmartFix假设位置模型可以从平面图或直接从用户输入。有一些研究关注建筑的室内位置模型可以用于将来SmartFix。

在此基础上,我们建立了一些辅助点位于每两定位点。他们的密度远远大于本地化的点和点没有RSS指纹。由于无线定位的精度限制,不同的辅助点只有通过应用指纹匹配不能告诉。但判断沿着轨迹运动模式是符合所有的点不仅这些本地化点。因此,我们添加的辅助点在SmartFix帮助提高性能。

3.3。定位算法考虑运动特性

SmartFix的核心思想是利用室内人体运动的特点,例如,使用运动轨迹的连续性来修改移动路径。对智能家居室内磅触发场景,用户无法从一个跳到另一个不相邻的位置。所以当前定位的结果必须与最后一个。例如,最后一个位置沿路径应该是可能的当前位置的参考因素。从元素的值在邻接矩阵我们学习的连接和。如果最后一个位置当前位置附近吗,这表明从来是可能的,可能会增加一个增强因素。相反,如果和不相邻,那么随机误差必然会发生在当前或测量;我们削弱发生的概率乘以一个沉闷的因素修正估计轨迹。

SmartFix算法的本质是运用修剪和BFS树与固定高度包含所有可能的路径及其概率,发现最大的叶子节点累积概率作为当前定位的结果。该算法引入了一个队列当前路径包含可能的结果;队列的元素的元组,保存当前位置,当前路径和累积概率。在每一个定位,它将计算累积概率基于当前的每个可能的路径结果最后队列和重建在接下来的定位。 在哪里当前位置和吗的概率是由当前测量。首先,在运动模式判断,如果当前的运动是一个转弯,然后我们将考虑以前的模式,我们可以选择一个特定的策略来修改结果。根据算法1,如果有一个左转弯,后跟一个右转弯或一个紧随其后的是一个左一个,考虑我们的策略解决连续切屑,我们假设这种模式几乎在室内的情况下发生的。因此我们修改这个运动变成直线移动。给出三个点形成这两个动作,我们的方法是找到另一个点,允许这两个动作可以直接移动。此外,每一个点应与前一个,以确保其连接。之后,我们生成新的轨迹和替换前一个。

此外,如果条件,左左,左到右,右到右,从右到左,是满意,根据学习数据应用同样的规则,我们还假设转动角度应保持在一定的范围取决于它的位置。因此,我们也寻找一个替代,以确保其转动角度在于这个范围。

除了这两个修改策略,我们还将介绍另一个辅助判断规则通过设置一个阈值,将比例。给予足够的轨迹的长度,如果过度转向比例阈值,我们手动给它的概率一个惩罚因子减少它的可能性。因为所学到的阈值是实际轨迹提供了在这一领域,所以如果有切屑的比例更高,我们认为这是错误的匹配的wi - fi导致了问题的产生。因此,我们也将这种运动特性添加到我们的本地化策略。

核心算法计算每个可能的轨迹的概率与最大似然和选择一个最优轨迹的本地化。RSS匹配的继续,我们不断获得修改轨迹与更新概率,终极轨迹,最后,以最大可能可以获得最佳定位结果为这个策略算法1)。我们的方法是实现BFS修剪一个概率树。研究对象都是一定长度给出的痕迹,包括所有可能的轨迹。目前的跟踪与最大似然将被视为最优跟踪。同时,先前保存的可能性进一步判断。重复这个过程,直到结束后,我们最终会得到一个最好的跟踪,最适合我们的策略。SmartFix被描述的策略算法1。

4所示。评价

本节介绍了实验装置,结果,我们的实验和分析。

4.1。实验设置

我们实现了TinyLoc的原型16],MoLoc [14),和基本的wi - fi指纹识别方法(邻居算法)在360年摩托2 nd-generation Smartwatch(如图10)比较定位准确性和能源效率。TinyLoc是我们之前的作品之一是基于两个特定的原则优化定位结果。TinyLoc关注能源效率比定位精度。某些原则将简化建模,减少计算量。相比之下,SmartFix分析人们在特定区域的历史轨迹生成的字符值给定的物理区域和特殊位置优化定位结果。Moloc [14]还利用用户对不稳定运动wi - fi RSS指纹。MoLoc的基本思想是,手机内置的传感器收集的用户运动模式添加到RSS指纹建造的多样性,提高定位精度。与此同时,我们实现了两个原始版本的原型和优化版本使用SmartFix进行比较。

此外,考虑到各种各样的室内环境,我们进行了实验开放面积1898 m²还有一个办公室200²分别(如图7,8,9)。

实验区域我位于一个室内走廊面积1898 m²,176个地点。通过10 RSS样本在每个位置在构建阶段和定位阶段,分别记录我们的RSS最多9 APs的指纹,指纹数据库建立的目的和位置估计。MoLoc,我们记录了每个相邻位置的方向和步骤数字罗盘和加速度计读数的4倍,三是用于构建运动数据库,另一个用于本地化。实验第二区域位于13.2米和15.6米的实验室家具包括表、椅子、服务器机架,和电子设备,如电脑、服务器和交换机,电磁环境非常复杂。我们也选择9 APs的信号可以覆盖整个区域,和18个参考位置的间距是2 - 4 m成对。数据收集的方法和其他实验实验区我设置是一样的。

4.2。绩效评估

我们选择MoLoc和TinyLoc比较。这两个算法都使用用户运动来提高精度。在本节中,我们比较MoLoc的有效性,TinyLoc, Smart-MoLoc(使用SmartFix优化MoLoc), Smart-TinyLoc(使用SmartFix优化TinyLoc),和基本的wi - fi指纹定位精度和能源效率的方法方面对经典的智能设备和便携设备。在本节中,将代表结果和详细分析。

4.2.1。准备定位精度

我们比较SmartFix的定位精度、MoLoc Smart-MoLoc(使用SmartFix优化MoLoc), Smart-TinyLoc(使用SmartFix优化TinyLoc),从两个角度和wi - fi指纹识别方法:累积分布函数(CDF)的平均误差和定位精度。然后,我们分析了不同数量的APs的定位精度,试图解释SmartFix和MoLoc(或TinyLoc)对其利用用户的动作。 我们第一次做平均定位误差的累积分布函数对360年摩托和HTC。平均误差的计算方法和累积概率显示由公式(3)。CDFs错误的两个实验中显示为数字11和12。

显然,Smart-MoLoc Smart-TinyLoc超越原来的室内定位算法,TinyLoc超过MoLoc相比,在相同的环境中。当使用Smart-TinyLoc或Smart-MoLoc,定位误差在2 m的平均概率超过80%在第二区域中,和那些概率下降到75%和80%,分别在地区。此外,在3.5 m,定位误差的概率Smart-TinyLoc达到90%在第二区域,同时,对于Smart-MoLoc,误差范围应被释放到5米获得同等概率。比较结果在两个不同的地区,这些算法实现更好的定位精度在第二区域中,和准确性的提高造成SmartFix是小大区域II比区域。在第二区域中,改善对TinyLoc约2%和5%,3%和4% MoLoc。例如,本地化的概率超过80% Smart-TinyLoc是原始TinyLoc 3.5米和4米。在我,平均改善由于SmartFix MoLoc和TinyLoc下降到2%和3%。那是因为我是一个大的开放空间;有更多的变化对于每一个人,不太明显的字符值的历史路径。根据这个实验,我们发现SmartFix更好地工作在办公室等室内区域房间,家里或餐馆。实验结果表明,改进SmartFix有2%和5%相比原始MoLoc内部传感器和TinyLoc使用某些原则正确定位的结果,特别是在一个小间隔。

然后我们计算定位精度(点匹配概率)在两个不同的地区有不同数量的APs,结果如图13和14。在这个实验中,我们比较三种定位算法:SmartLos (Smart-TinyLoc) MoLoc,基本无线指纹识别方法。与APs数量的增加,三种方法获得更好的定位精度,而当APs的数量通过一个固定值,定位精度几乎保持不变,这是符合(17]。SmartFix和MoLoc超越基本的wi - fi每APs的指纹识别方法。特别是在区域,为了成为一个开放的空间,当APs的数量设置为5,SmartFix实现精度最高,约为78%,其次是MoLoc,大约60%,wi - fi指纹定位精度方法只有约12%。当APs的数量增至最大9日SmartFix和定位精度MoLoc获得了94%和92%,分别和wi - fi指纹识别方法也和以前一样大约两倍的改善。这个结果表明,APs的数量对定位精度有很大的影响。定位精度在第二区域的上升趋势是类似于面积。因为二世的小空间和低密度的参考位置,更影响施加在点匹配概率而不是定位错误。因此,在第二区域,尽管美联社5号相同,除了wi - fi指纹识别方法,获得定位精度低于其他两种方法获得的区域,我和他们最大的定位精度也低于区域。

通过研究CDF实验组的平均误差和定位的准确性,我们得知SmartFix MoLoc可以显著提高定位精度的wi - fi指纹识别方法。至于SmartFix使用跟踪属性,MoLoc使用运动属性,他们几乎达到同样水平的定位精度,而SmartFix有点更好的在大多数情况下。

4.2.2。能源效率

我们实现了定位算法360年摩托2 nd-generation Smartwatch和HTC智能手机之一计算平均能耗算法计算和反复扫描了wi - fi信号来计算的平均能耗数据采集。结果表明,SmartFix MoLoc可以显著降低能耗和wi - fi指纹识别方法。持续时间的定位Smartwatch SmartFix使用wi - fi指纹识别方法是,使用原始方法的1.96倍。

MoLoc,我们反复计步器程序进行计算的平均能耗内置运动传感器。图15显示的总能源消耗Smart-TinyLoc Smart-MoLoc,智能无线指纹识别方法,原始的方法来执行一次性定位在相同的精度水平。一次性定位的功耗是无线方法:0.042%;SmartFix wi - fi方法:0.011%;TinyLoc: 0.008%;Smart-TinyLoc: 0.008%;MoLoc: 0.022%;分别和Smart-MoLoc: 0.016%。并在360年进行,这些方法的能耗是无线方法:0.013%;SmartFix wi - fi方法:0.013%;TinyLoc: 0.002%; Smart-TinyLoc: 0.002%; MoLoc: 0.007%; and Smart-MoLoc: 0.005%. The total energy consumption of SmartFix and the Wi-Fi fingerprinting method is produced from data collection and calculation, while MoLoc has extra energy consumption by built-in motion sensors. Since the energy consumption of calculation is negligible compared with that of data collection, the built-in sensors are the main cause of the extra energy consumption of MoLoc, and SmartFix can reduce work frequency of built-in sensors to achieve lower energy consumption. And for Wi-Fi method, SmartFix can significantly reduce the amount of real-time RSS data and save almost 70% energy. In fact, the locating accuracy and energy efficiency are the two related aspects. It will produce extra energy consumption if the localization algorithm takes measure to improve locating accuracy in most occasions. Locating algorithms suitable for wearable devices must consider the balance between locating accuracy and energy efficiency. Through the estimation, implementing the localization algorithms to the Moto 360 and scanning RSS signal once every 3 seconds, the time that it can perform localization with different localization algorithms is shown in Figure16。它表明备用乘以本地化非常不同,使用不同的定位算法和备用时报SmartFix方法几乎比原来的长。360年摩托的待机时间几乎是24小时的。定位使用Smart-TinyLoc摩托360的工作时间是最长的,可以达到13.21小时超过13%,使用Smart-MoLoc(11.56小时),原来使用wi - fi指纹识别方法的3.11倍(4.25小时),它四次收集RSS数据/位置和达到可接受的精度。使用SmartFix wi - fi指纹定位方法的工作时间也比原来的方法扩展了近2倍。

4.2.3。兼容性

我们进行了实验,以证实是否运动特性从一个特定的检索环境可以应用于其他环境。分析这样的运动特性的兼容性,我们交换的功能领域的收购I和II,结果如图17和18。通过研究实验结果,应用面积二特性时,我们得到了精度下降约15%。同时,应用区域我功能区域二世的结果也显示精度降低约10%。因此,特征的计算应该在特定的环境中进行的。这些特性不同地区之间的兼容性。

4.2.4。运行成本

作为一个基于历史的室内定位算法,SmartFix的激活速度图所示19。

图表明,训练数据增大,SmartFix获得更好的定位精度,当历史数据的数量达到1000,定位精度达到了最大值。然而,不同的环境会导致不同的所需的数据量。在第二区域中,SmartFix需要更多的数据来实现相同的定位精度的区域,这可能导致区域二世的小空间,但在运动并发症。

5。相关工作

许多室内定位技术提出了在过去的十年里,许多研究研究室内定位的应用程序(18]。Wi-Fi-based室内定位始终是最具吸引力的技术之一,因为它无处不在的室内环境中部署。我们的工作重点是设计一个低功耗定位技术,可以部署在可穿戴设备和处理的准确性问题引起的减少实时数据。

早期使用GSM信号室内定位技术,射频识别、红外、超声波脉冲,或超宽频需要专门的硬件来确定设备的位置(1]。射频信号强度在2000年首次在雷达用于室内定位(2]。近年来,越来越多的室内定位技术越来越关注wi - fi RSS数据,如精度(3,5),减少测量区域(7),培训系统(8),或使用高质量的音频感应系统(19助理定位方法。然而,正如我们所知,信号强度总是波动,所以它需要一定量的实时数据,以确保适当的定位精度。如何补偿测量误差的影响是一个重要的研究课题。FreeLoc [6放弃的方法直接使用RSS价值但使用美联社的RSS相对顺序来定位一个位置和解决RSS的问题引起的不规则变化。然而,环境用更少的APs或邻近地区RSS没有重大变化将导致一些问题定位精度。MoLoc [14]motion-assisted定位手机上实现方案,利用用户对指纹模糊运动。MoLoc可以很容易地集成到现有的定位系统,只需添加一个运动数据库。但是,用户运动检测通过内置传感器成本额外的能源消耗时需要改进能源贫瘠的可穿戴设备上实现。另一个想法是搁置RSS和衡量其他稳定的物理数据在无线环境中,如斐乐(9)提出了衡量CSI(信道状态信息),以达到更高的精度。但它不适合的可穿戴设备因为低能力的检测。

能源效率一直是一个热门研究课题在室内定位(20.),也可穿戴设备的一个关键问题。感知环境信息动态调整的速度数据收集的主要思想是当前节能机制,比如使用节点的速度动态调整获得的频率信号强度(10,21- - - - - -24),减少使用来自多个OFDM子载波的信道响应的速度(25),和使用环境信息(26,27]。还有其他方法来减少总能量消耗在一个系统中,像GreenLoc28]。GreenLoc认为人们通常有相似的移动模式,所以它选择几个人集团作为样本而不是检测每个人为了降低整个系统的平均能量消耗。但GreenLoc并不擅长定位每一个个人,到底需要做的智能家居场景。

6。结论和未来的工作

智能家居和可穿戴设备的快速发展提供了良好的基础在国内室内磅的高可用性环境的场景。然而,能源效率是至关重要的问题,需要对现有的定位技术显著提高能源贫瘠的可穿戴设备上才能实现。在本文中,我们提出一种新颖的室内定位技术SmartFix关注能源效率,第一个可以在可穿戴计算智能家居场景。

SmartFix只需要单实时RSS信号在定位阶段,保证优秀的节能性能。在另一个方面,通过引用用户运动特性,SmartFix修改定位结果达到令人满意的定位精度。根据实验,误差可以达到2米以内的概率超过80%。与此同时,能源消耗是35%低于MoLoc当达到相同的精度,以最小的能量消耗和SmartFix获得最佳精度。在实验中,我们应用SmartFix其他定位技术的核心思想,取得了良好的结果,证明SmartFix具有良好的可移植性和技术兼容性。

除了使用运动特性,我们将更加专注于优化SmartFix策略,以便SmartFix可以应用于更为多样化的室内应用场景。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然基金(批准号61472212),中国国家科技重大项目(批准号2015 zx03003004),中国国家高技术研究发展计划(863计划)(批准号2013 aa013302和批准号2015 aa015601),欧盟居里夫人行动皇冠(批准号fp7 -人- 2013之下国税局- 610524)。

引用

1. 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,37卷,不。6,1067 - 1080年,2007页。视图:出版商的网站|谷歌学术搜索
2. p·巴尔和v . n . Padmanabhan”雷达:在建RF-based用户位置和跟踪系统,”学报第19届IEEE计算机和通信的社会联合会议(IEEE INFOCOM ' 00),卷2,页775 - 784,特拉维夫,以色列,2000年3月。视图:出版商的网站|谷歌学术搜索
3. m·优素福,a . Agrawala“何鲁斯WLAN位置确定系统”第三届国际会议在移动系统的程序,应用程序和服务(MobiSys 05)ACM,页205 - 218年,纽约,纽约,美国,2005年6月。视图:出版商的网站|谷歌学术搜索
4. m·优素福·m·阿卜杜拉,a . Agrawala”概率WLAN位置测定系统的多变量分析,”MobiQuitous学报2005:第二届国际会议在移动和无处不在的系统网络和服务,页353 - 362,圣地亚哥,加利福尼亚州,美国,2005年7月。视图:出版商的网站|谷歌学术搜索
5. Widyawan、m . Klepal和美国包瑞德将军”,小说回溯粒子滤波对室内定位、模式匹配”学报2008年的移动计算和网络国际会议上,MobiCom ' 08 - 1日ACM国际研讨会在移动实体GPS-less环境中的定位和跟踪,融化的08年83年,页79 - 2008年9月旧金山,加州,美国。视图:出版商的网站|谷歌学术搜索
6. y Sungwon, p . Dessai m . Verma和m . Gerla“FreeLoc: calibration-free众包室内定位”美国第32 IEEE计算机通讯大会上(信息通信的13)意大利的都灵,页2481 - 2489,,2013年4月。视图:出版商的网站|谷歌学术搜索
7. a . Eleryan m . Elsabagh m·优素福,“合成代无线电device-free被动定位地图,”学报》第54届IEEE全球电信会议:“激励全球通讯”,GLOBECOM 20112011年12月,加德满都,尼泊尔,。视图:出版商的网站|谷歌学术搜索
8. h, s . Sen, a . Elgohary m·德·m·优素福,r . r . Choudhury”无需war-drive:无监督室内定位”学报第十届国际会议在移动系统中,应用程序和服务(MobiSys 12)ACM,页197 - 210年,纽约,纽约,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
9. j . k . Wu, y, m·高和l . m .倪“斐乐:细粒度的室内定位,”《IEEE计算机通讯大会上(信息通信的12),页2210 - 2218,奥兰多,佛罗里达州,美国,2012年3月。视图:出版商的网站|谷歌学术搜索
10. Kolar s Tilak诉::b . Abu-Ghazaleh K.-D。康,“移动传感器网络动态定位控制,”《24日IEEE国际性能、计算和通信会议(IPCCC 05),页587 - 592年,凤凰城,亚利桑那州,美国,2005年4月。视图:出版商的网站|谷歌学术搜索
11. y曲,k徐、刘j .和w·陈,“对一个实际的节能机制足智多谋骡子的协助下,“IEEE物联网,卷2,不。2、145 - 158年,2015页。视图:出版商的网站|谷歌学术搜索
12. k .徐,y, k .杨”物联网上的教程:从异构网络集成的角度来看,“IEEE网络,30卷,不。2、102 - 108年,2016页。视图:出版商的网站|谷歌学术搜索
13. w . k .徐x Wang Wei, h .歌曲,和b .毛,“软件定义的智能家居,”IEEE通讯杂志,54卷,不。5,116 - 122年,2016页。视图:出版商的网站|谷歌学术搜索
14. c . w .太阳,j . Liu, z, x,, y,“MoLoc:在区分指纹双胞胎,”IEEE 33学报》国际会议分布式计算系统(ICDCS 13),页226 - 235年,费城,宾夕法尼亚州,美国,2013年7月。视图:出版商的网站|谷歌学术搜索
15. w·李,王,y崔et al .,”美联社协会比例公平的多重速率的无线局域网,“IEEE / ACM交易网络,22卷,不。1,第202 - 191页,2014。视图:出版商的网站|谷歌学术搜索
16. w·Xiaoliang x柯、郑y和z通用电气、“Tinyloc:室内定位为能源贫瘠的可穿戴设备[j / ol],”中国电脑杂志2016(中国),http://www.cnki.net/kcms/detail/11.1826.TP.20161106.1649.002.html。视图:谷歌学术搜索
17. l . h . Li阳光、h·朱陆x, x程,“在WiFi fingerprint-based本地化实现隐私保护,”美国第33 IEEE计算机通讯大会上,IEEE 2014信息通信,页2337 - 2345年,多伦多,加拿大,2014年5月。视图:出版商的网站|谷歌学术搜索
18. c . Huijie l .风扇,w . Yu”Echotrack: Acousticdevice-free跟踪在智能手机上,手”美国在研究IEEE计算机通信INFOCOM第36届会议,2017年。视图:谷歌学术搜索
19. f·李·h·陈,x的歌,问:张先生,y, y王,“CondioSense:优质的环境敏感服务通过主动声纳音频感应系统,”个人和无处不在的计算,21卷,不。1、17 - 29,2017页。视图:出版商的网站|谷歌学术搜索
20. x y l . Wang Cui Stojmenovic, Ma和j·歌,“能源效率在移动云计算的基于位置的应用程序:一个调查,“计算,卷96,不。7,569 - 585年,2014页。视图:出版商的网站|谷歌学术搜索
21. C.-W。你,研究。陈,J.-R。蒋介石,黄p, h。楚,S.-Y。刘,“节能本地化Sensor-enhanced流动预测,”2006年第三届IEEE通信学会学报上传感器和临时通信和网络、Secon 2006,页565 - 574,莱斯顿,弗吉尼亚州,美国,2006年9月。视图:出版商的网站|谷歌学术搜索
22. 。沙佛和m . l . Chang”运动检测的低功耗智能手机无线局域网定位”学报13 ACM国际会议上建模、分析和仿真无线和移动系统,MSWiM 201090年,页81 -博德鲁姆,土耳其,2010年10月。视图:出版商的网站|谷歌学术搜索
23. d . Mizell“使用重力估计加速度计取向,”第七IEEE国际研讨会可穿戴计算机学报》,2003年。,页252 - 253,白色平原,纽约,美国。视图:出版商的网站|谷歌学术搜索
24. i Constandache, r . r . Choudhury Rhee,“对手机定位没有的做法,”《IEEE计算机通信(INFOCOM 29日会议上的10),页1 - 9,圣地亚哥,加利福尼亚州,美国,2010年3月。视图:出版商的网站|谷歌学术搜索
25. 森,b . Radunovic r . r . Choudhury和t .星途,“你面对蒙娜丽莎:现货本地化使用PHY层信息,”学报第十届国际会议在移动系统中,应用程序和服务(MobiSys 12)ACM,页183 - 196年,湖区,英国,2012年6月。视图:出版商的网站|谷歌学术搜索
26. 刘陆s . y . Liu, y,“煤:上下文意识到本地化高能源效率在无线网络中,”学报2011年IEEE无线通信和网络会议,WCNC 2011金塔纳罗奥州,页2030 - 2035年,墨西哥,2011年3月。视图:出版商的网站|谷歌学术搜索
27. m . Azizyan i Constandache, r . r . Choudhury”SurroundSense:通过环境指纹手机定位,”美国第15届ACM移动计算和网络国际会议(MobiCom ' 09)ACM,页261 - 272年,北京,中国,2009年9月。视图:出版商的网站|谷歌学术搜索
28. m . Abdellatif a . Mtibaa k . a .餐桌和m·优素福”GreenLoc:基于wifi的节能建筑室内定位手机,”学报2013年IEEE国际会议交流,国际商会2013年,页4425 - 4430,布达佩斯,匈牙利,2013年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2017王Xiaoliang et al。这是一个开放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。