scholarly journals A Study of Selective Indoor Positioning between Enhanced Time Difference of Arrival and Pattern Matching using Received Signal Strength Indicator

2013 ◽  
Vol 8 (1) ◽  
pp. 51-59 ◽  
Author(s):  
Soo-Jung Hur ◽  
Jea-Hyun Kim ◽  
Yongwan Park
2012 ◽  
Vol 10 (6) ◽  
pp. 637
Author(s):  
Sharief Nasr S. Abdel Razeq ◽  
Yahya S.H. Khraisat ◽  
Mohammad Mefleh Al Ibahim

Author(s):  
Budi Rahmadya Rahmadya

Shopping Mall merupakan area pusat perbelanjaan yang besar dan memiliki sistem keamanan seperti sistem layanan informasi yang dapat dimanfaatkan oleh konsumen untuk mendapatkan informasi yang dibutuhkan. Penggunaan sistem layanan informasi pada area Shopping Mall bagi konsumen terkadang sangat tidak efektif. Hal ini dikarenakan konsumen membutuhkan waktu yang lama dalam mendapatkan informasi, dimana konsumen terlebih dahulu harus mencari lokasi tempat sistem layanan informasi tersebut. Hal ini menjadikan sistem keamanan pada Shopping Mall menjadi lemah. Indoor Positioning System (IPS) merupakan sistem yang dapat digunakan untuk mengetahui posisi pengguna melalui kekuatan sinyal Wi-Fi yang didapat dalam gedung. Pada penelitian ini, penulis membuat suatu aplikasi android yang dapat digunakan untuk mengetahui posisi konsumen pada area Shopping Mall tersebut.


Sensors ◽  
2020 ◽  
Vol 20 (5) ◽  
pp. 1350 ◽  
Author(s):  
Sharareh Naghdi ◽  
Kyle O’Keefe

One of the popular candidates in wireless technology for indoor positioning is Bluetooth Low Energy (BLE). However, this technology faces challenges related to Received Signal Strength Indicator (RSSI) fluctuations due to the behavior of the different advertising channels and the effect of human body shadowing among other effects. In order to mitigate these effects, the paper proposes and implements a dynamic Artificial Intelligence (AI) model that uses the three different BLE advertising channels to detect human body shadowing and compensate the RSSI values accordingly. An experiment in an indoor office environment is conducted. 70% of the observations are randomly selected and used for training and the remaining 30% are used to evaluate the algorithm. The results show that the AI model can properly detect and significantly compensate RSSI values for a dynamic blockage caused by a human body. This can significantly improve the RSSI-based ranges and the corresponding positioning accuracies.


2009 ◽  
Author(s):  
Δημήτριος Αμπελιώτης

Οι πρόσφατες εξελίξεις στις ασύρματες επικοινωνίες και στα ηλεκτρονικά κυκλώματα έχουν επιτρέψει την ανάπτυξη υπολογιστικών διατάξεων χαμηλού κόστους και χαμηλής κατανάλωσης ισχύος, οι οποίες ενσωματώνουν δυνατότητες μέτρησης (sensing), επεξεργασίας και ασύρματης επικοινωνίας. Οι διατάξεις αυτές, οι οποίες έχουν ιδιαίτερα μικρό μέγεθος, καλούνται κόμβοι αισθητήρες. Ένα ασύρματο δίκτυο κόμβων αισθητήρων αποτελείται από ένα πλήθος κόμβων οι οποίοι έχουν αναπτυχθεί σε κάποια περιοχή ενδιαφέροντος προκειμένου να μετρούν κάποια μεταβλητή του περιβάλλοντος. Ανάμεσα σε πολλές εφαρμογές, ο εντοπισμός και η παρακολούθηση των θέσεων πηγών οι οποίες εκπέμπουν κάποιο σήμα (π.χ. ακουστικό, ηλεκτρομαγνητικό) αποτελεί ένα πολύ ενδιαφέρον θέμα, το οποίο μάλιστα μπορεί να χρησιμοποιηθεί και ως βάση για τη μελέτη άλλων προβλημάτων τα οποία εμφανίζονται στα ασύρματα δίκτυα αισθητήρων. Οι περισσότερες από τις υπάρχουσες τεχνικές εντοπισμού θέσης μιας πηγής από μια συστοιχία αισθητήρων μπορούν να ταξινομηθούν σε δυο κατηγορίες: (α) Τις τεχνικές οι οποίες χρησιμοποιούν μετρήσεις διεύθυνσης άφιξης (Direction of Arrival, DOA) και (β) τις τεχνικές οι οποίες χρησιμοποιούν μετρήσεις διαφοράς χρόνων άφιξης (Time Difference of Arrival, TDOA). Ωστόσο, οι τεχνικές αυτές απαιτούν υψηλό ρυθμό δειγματοληψίας και ακριβή συγχρονισμό των κόμβων και δε συνάδουν έτσι με τις περιορισμένες ικανότητες των κόμβων αισθητήρων. Για τους λόγους αυτούς, το ενδιαφέρον έχει στραφεί σε μια τρίτη κατηγορία τεχνικών οι οποίες χρησιμοποιούν μετρήσεις ισχύος (Received Signal Strength, RSS). Το πρόβλημα του εντοπισμού θέσης χρησιμοποιώντας μετρήσεις ισχύος είναι ένα πρόβλημα εκτίμησης, όπου οι μετρήσεις συνδέονται με τις προς εκτίμηση παραμέτρους με μη-γραμμικό τρόπο. Στα πλαίσια της Διδακτορικής Διατριβής ασχολούμαστε αρχικά με την περίπτωση όπου επιθυμούμε να εκτιμήσουμε τη θέση και την ισχύ μιας πηγής χρησιμοποιώντας μετρήσεις ισχύος οι οποίες φθίνουν με βάση το αντίστροφο του τετραγώνου της απόστασης ανάμεσα στην πηγή και το σημείο μέτρησης. Για το πρόβλημα αυτό, προτείνουμε έναν εκτιμητή ο οποίος δίνει τις παραμέτρους της πηγής ως λύση ενός γραμμικού προβλήματος ελαχίστων τετραγώνων. Στη συνέχεια, υπολογίζουμε κατάλληλα βάρη και προτείνουμε έναν εκτιμητή ο οποίος δίνει τις παραμέτρους της πηγής ως λύση ενός προβλήματος ελαχίστων τετραγώνων με βάρη. Ακόμα, τροποποιούμε κατάλληλα τον τελευταίο εκτιμητή έτσι ώστε να είναι δυνατή η κατανεμημένη υλοποίησή του μέσω των προσαρμοστικών αλγορίθμων Least Mean Square (LMS) και Recursive Least Squares (RLS). Στη συνέχεια, εξετάζουμε την περίπτωση όπου ενδιαφερόμαστε να εκτιμήσουμε τη θέση μιας πηγής αλλά δεν έχουμε καμιά πληροφορία σχετικά με το μοντέλο εξασθένισης της ισχύος. Έτσι, υποθέτουμε πως αυτό περιγράφεται από μια άγνωστη γνησίως φθίνουσα συνάρτηση της απόστασης. Αρχικά, προσεγγίζουμε το πρόβλημα εκτίμησης κάνοντας την υπόθεση πως οι θέσεις των κόμβων αποτελούν τυχαία σημεία ομοιόμορφα κατανεμημένα στο επίπεδο. Χρησιμοποιώντας την υπόθεση αυτή, υπολογίζουμε εκτιμήσεις για τις αποστάσεις ανάμεσα στους κόμβους και την πηγή, και αναπτύσσουμε έναν αλγόριθμο εκτίμησης της θέσης της πηγής. Στη συνέχεια, προσεγγίζουμε το πρόβλημα εκτίμησης χωρίς την υπόθεση περί ομοιόμορφης κατανομής των θέσεων των κόμβων στο επίπεδο. Προτείνουμε μια κατάλληλη συνάρτηση κόστους για την περίπτωση αυτή, και δείχνουμε την ύπαρξη μιας συνθήκης υπό την οποία η βέλτιστη λύση μπορεί να υπολογιστεί. Η λύση αυτή είναι εσωτερικό σημείο ενός κυρτού πολυγώνου, το οποίο ονομάζουμε ταξινομημένο τάξης-K κελί Voronoi. Έτσι, δίνουμε αλγορίθμους υπολογισμού της λύσης αυτής, καθώς και κατανεμημένους αλγορίθμους οι οποίοι βασίζονται σε προβολές σε κυρτά σύνολα. Ακόμα, ασχολούμαστε με τις ιδιότητες των κελιών αυτών στην περίπτωση όπου οι θέσεις των κόμβων αισθητήρων είναι ομοιόμορφα κατανεμημένες στο επίπεδο και υπολογίζουμε κάποια φράγματα για το εμβαδόν τους. Τέλος, ασχολούμαστε με την περίπτωση όπου ενδιαφερόμαστε να εκτιμήσουμε τις θέσεις πολλαπλών πηγών με γνωστό μοντέλο εξασθένισης της ισχύος. Για το πρόβλημα αυτό, αρχικά προτείνουμε έναν αλγόριθμο διαδοχικής εκτίμησης και ακύρωσης της συνεισφοράς κάθε πηγής, προκειμένου να υπολογιστούν σταδιακά οι θέσεις όλων των πηγών. Ο αλγόριθμος αυτός, αποτελείται από τρία βήματα κατά τα οποία πρώτα υπολογίζεται μια προσεγγιστική θέση για την πηγή, στη συνέχεια εκτιμάται ένα σύνολο κόμβων το οποίο δέχεται μικρής έντασης παρεμβολή από τις υπόλοιπες πηγές, και τέλος επιχειρείται μια λεπτομερέστερη εκτίμηση της θέσης κάθε πηγής. Στη συνέχεια, επεκτείνοντας την τεχνική αυτή, προτείνουμε έναν επαναληπτικό αλγόριθμο εκτίμησης ο οποίος βασίζεται στον αλγόριθμο εναλλασσόμενων προβολών (Alternating Projections). Εξετάζουμε επίσης μεθόδους οι οποίες οδηγούν στη μείωση της υπολογιστικής πολυπλοκότητας του αλγορίθμου αυτού.


2013 ◽  
Vol 11 (10) ◽  
pp. 3101-3107
Author(s):  
Nelson Acosta ◽  
Juan Toloza ◽  
Carlos Kornuta

Indoor positioning systems calculate the position of a mobile device (MD) in an enclosed environment with relative precision. Most systems use WiFi infrastructure and several positioning techniques, where the most commonly used parameter is RSSI (Received Signal Strength Indicator). In this paper, we analyze the fingerprinting technique to calculate the error window obtained with the Euclidian distance as main metric. Build variations are presented for the Fingerprint database analyzing various statistical values to compare the precision achieved with different indicators.


Sensors ◽  
2018 ◽  
Vol 18 (10) ◽  
pp. 3419 ◽  
Author(s):  
Yitang Peng ◽  
Xiaoji Niu ◽  
Jian Tang ◽  
Dazhi Mao ◽  
Chuang Qian

Indoor positioning technology based on Received Signal Strength Indicator (RSSI) fingerprints is a potential navigation solution, which has the advantages of simple implementation, low cost and high precision. However, as the radio frequency signals can be easily affected by the environmental change during its transmission, it is quite necessary to build location fingerprint database in advance and update it frequently, thereby guaranteeing the positioning accuracy. At present, the fingerprint database building methods mainly include point collection and line acquisition, both of which are usually labor-intensive and time consuming, especially in a large map area. This paper proposes a fast and efficient location fingerprint database construction and updating method based on a self-developed Unmanned Ground Vehicle (UGV) platform NAVIS, called Automatic Robot Line Collection. A smartphone was installed on NAVIS for collecting indoor Received Signal Strength Indicator (RSSI) fingerprints of Signals of Opportunity (SOP), such as Bluetooth and Wi-Fi. Meanwhile, indoor map was created by 2D LiDAR-based Simultaneous Localization and Mapping (SLAM) technology. The UGV automatically traverse the unknown indoor environment due to a pre-designed full-coverage path planning algorithm. Then, SOP sensors collect location fingerprints and generates grid map during the process of environment-traversing. Finally, location fingerprint database is built or updated by Kriging interpolation. Field tests were carried out to verify the effectiveness and efficiency of our proposed method. The results showed that, compared with the traditional point collection and line collection schemes, the root mean square error of the fingerprinting-based positioning results were reduced by 35.9% and 25.0% in static tests and 30.0% and 21.3% respectively in dynamic tests. Moreover, our UGV can traverse the indoor environment autonomously without human-labor on data acquisition, the efficiency of the automatic robot line collection scheme is 2.65 times and 1.72 times that of the traditional point collection and the traditional line acquisition, respectively.


2019 ◽  
Vol 3 (2) ◽  
pp. 88
Author(s):  
Riski Fitriani

Salah satu inovasi untuk menanggulangi longsor adalah dengan melakukan pemasangan Landslide Early Warning System (LEWS). Media transmisi data dari LEWS yang dikembangkan menggunakan sinyal radio Xbee. Sehingga sebelum dilakukan pemasangan LEWS, perlu dilakukan kajian kekuatan sinyal tersebut di lokasi yang akan terpasang yaitu Garut, Tasikmalaya, dan Majalengka. Kajian dilakukan menggunakan 2 jenis Xbee yaitu Xbee Pro S2B 2,4 GHz dan Xbee Pro S5 868 MHz. Setelah dilakukan kajian, Xbee 2,4 GHz tidak dapat digunakan di lokasi pengujian Garut dan Majalengka karena jarak modul induk dan anak cukup jauh serta terlalu banyak obstacle. Topologi yang digunakan yaitu topologi pair/point to point, dengan mengukur nilai RSSI menggunakan software XCTU. Semakin kecil nilai Received Signal Strength Indicator (RSSI) dari nilai receive sensitivity Xbee maka kualitas sinyal semakin baik. Pengukuran dilakukan dengan meninggikan antena Xbee dengan beberapa variasi ketinggian untuk mendapatkan kualitas sinyal yang lebih baik. Hasilnya diperoleh beberapa rekomendasi tinggi minimal antena Xbee yang terpasang di tiap lokasi modul anak pada 3 kabupaten.


Sign in / Sign up

Export Citation Format

Share Document