نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

قدرت سیگنال بی‌سیم مستعد پدیده‌های تداخل، پرش و بی‌ثباتی است که اغلب در نتایج موقعیت‌یابی بر اساس فناوری پایگاه‌داده اثر انگشت قدرت میدان Wi-Fi برای موقعیت‌یابی داخلی ظاهر می‌شود. بنابراین، یک طرح فیوژن بلادرنگ Wi-Fi و PDR (حساب مردگان عابر پیاده) در این مقاله برای انجام محاسبات فیوزینگ با تعیین تطبیقی ​​نویز دینامیکی یک سیستم فیلتر بر اساس حرکت عابر پیاده (مستقیم یا چرخش) پیشنهاد شده است، که می تواند به طور موثری انجام شود. پدیده های پرش یا تجمع موقعیت یابی بی سیم و مشکل تجمع خطای PDR را مهار کنید. تطبیق اثر انگشت Wi-Fi معمولاً به بار محاسباتی بسیار بالایی نیاز دارد: برای کاهش پیچیدگی محاسباتی این مرحله، الگوریتم خوشه‌بندی انتشار تمایل برای خوشه‌بندی پایگاه داده اثر انگشت و ادغام اطلاعات حوزه موقعیت و دامنه سیگنال نقاط مربوطه اتخاذ شده است. آزمایشی که در یک راهرو طبقه چهارم در دانشکده محیط زیست و انفورماتیک فضایی، دانشگاه معدن و فناوری چین انجام شد، نشان می‌دهد که نقاط عبوری سیستم موقعیت‌یابی خوشه‌ای بین 65 تا 80 درصد کاهش می‌یابد که کارایی زمان را تا حد زیادی بهبود می‌بخشد. از نظر دقت موقعیت یابی، میانگین خطا از طریق روش موقعیت یابی Wi-Fi 4.09 متر است. با این حال، خطای موقعیت یابی را می توان پس از ادغام الگوریتم PDR با فیلتر کالمن (EKF) به 2.32 متر کاهش داد. آزمایشی که در یک راهرو طبقه چهارم در دانشکده محیط زیست و انفورماتیک فضایی، دانشگاه معدن و فناوری چین انجام شد، نشان می‌دهد که نقاط عبوری سیستم موقعیت‌یابی خوشه‌ای بین 65 تا 80 درصد کاهش می‌یابد که کارایی زمان را تا حد زیادی بهبود می‌بخشد. از نظر دقت موقعیت یابی، میانگین خطا از طریق روش موقعیت یابی Wi-Fi 4.09 متر است. با این حال، خطای موقعیت یابی را می توان پس از ادغام الگوریتم PDR با فیلتر کالمن (EKF) به 2.32 متر کاهش داد. آزمایشی که در یک راهرو طبقه چهارم در دانشکده محیط زیست و انفورماتیک فضایی، دانشگاه معدن و فناوری چین انجام شد، نشان می‌دهد که نقاط عبوری سیستم موقعیت‌یابی خوشه‌ای بین 65 تا 80 درصد کاهش می‌یابد که کارایی زمان را تا حد زیادی بهبود می‌بخشد. از نظر دقت موقعیت یابی، میانگین خطا از طریق روش موقعیت یابی Wi-Fi 4.09 متر است. با این حال، خطای موقعیت یابی را می توان پس از ادغام الگوریتم PDR با فیلتر کالمن (EKF) به 2.32 متر کاهش داد. میانگین خطا از طریق روش موقعیت یابی Wi-Fi 4.09 متر است. با این حال، خطای موقعیت یابی را می توان پس از ادغام الگوریتم PDR با فیلتر کالمن (EKF) به 2.32 متر کاهش داد. میانگین خطا از طریق روش موقعیت یابی Wi-Fi 4.09 متر است. با این حال، خطای موقعیت یابی را می توان پس از ادغام الگوریتم PDR با فیلتر کالمن (EKF) به 2.32 متر کاهش داد.
کلید واژه ها: 

موقعیت یابی داخلی ؛ خوشه بندی انتشار تمایل ; فیوژن ویژگی ; عابر پیاده احتساب مرده ; همجوشی چند سنسوری

 

1. معرفی

ناوبری داخلی به یک فناوری ضروری در تعدادی از کاربردها تبدیل شده است، مانند یک سوپرمارکت به عنوان راهنمای خرید، یک سرویس اورژانس آتش نشانی برای ناوبری، یا یک بیمار بیمارستان برای ردیابی. با این حال، برخی از فن‌آوری‌های موفق که مشابه سیستم ماهواره‌ای ناوبری جهانی (GNSS) [ 1 ، 2 ، 3 ] هستند، برای ناوبری داخلی نامناسب هستند. موقعیت یابی داخلی در زمان واقعی از طریق فناوری های موجود همچنان یک چالش است و این یک گلوگاه در توسعه خدمات مبتنی بر مکان داخلی (LBS) است [ 4 ].
راه حل برای موقعیت یابی داخلی به طور فزاینده ای مبتنی بر فناوری های چندگانه یکپارچه است – به عنوان مثال، Wi-Fi، ZigBee، سیستم های ناوبری اینرسی (INS)، و سیستم های اسکن لیزری (LSS). هر کدام دارای کاستی هایی هستند، اما یک سیستم یکپارچه می تواند مزایای چندین مورد از این فناوری ها را ترکیب کند. پهلوان و لی جنبه های فنی فناوری های موجود برای سیستم های مکان یابی داخلی بی سیم [ 5 ] را بررسی کردند. دو چیدمان سخت افزاری اصلی وجود دارد که می توانند در یک موقعیت داخلی استفاده شوند: (1) یک شبکه حسگر، مانند یک سیستم Wi-Fi یا ZigBee [ 6 ، 7 ، 8 ]. و (2) حسگرهای مستقل، مانند ژیروسکوپ، شتاب سنج، یا مغناطیس سنج [ 9 ، 10 ،11 ، 12 ]. با این حال، الزامات سخت گیرانه ناوبری قابل اعتماد و پیوسته در محیط های داخلی بعید است که با استفاده از یک نوع چیدمان قابل دستیابی باشند، و بنابراین توسعه یک طرح ترکیبی برای موقعیت یابی مطمئن و پیوسته یک پیش نیاز اصلی برای ناوبری داخلی در زمان واقعی است [13 ، 14 ] ، 15 ].
توسعه یک طرح ترکیبی برای ناوبری داخلی در زمان واقعی یک عمل موثرتر است [ 16 ]. لی و همکاران یک الگوریتم تطبیق مغناطیسی (MM) با کمک Wi-Fi برای ناوبری عابر پیاده در داخل خانه با دستگاه های قابل حمل مصرف کننده ارائه کرد. این الگوریتم نرخ عدم تطابق و بار محاسباتی MM را با استفاده از راه حل های موقعیت یابی Wi-Fi برای محدود کردن فضای جستجوی MM کاهش می دهد [ 17 ]. ماسیرو و همکاران یک روش فیلتر ذرات را بر اساس یکپارچه سازی اطلاعات ارائه شده توسط اندازه گیری های سیستم ناوبری اینرسی، قدرت سیگنال رادیویی یک شبکه استاندارد بی سیم و اطلاعات هندسی ساختمان پیشنهاد کرد [18 ] . آیکاردی و همکاران. داده‌های گرفته‌شده از دوربین‌های تلفن همراه را در محاسبه مردگان عابر پیاده داخلی ادغام کرد و از تطبیق تصویر برای دستیابی به موقعیت‌یابی استفاده کرد [ 19 ]. سعیدی و همکاران رویکردی مبتنی بر ناوبری شخصی آگاه از زمینه را پیشنهاد کرد، ایده اصلی این است که خدمات ناوبری سیار می‌توانند خدمات مختلفی را بر اساس زمینه‌های مختلف ارائه دهند – که در آن زمینه‌ها به فعالیت کاربر و محل قرارگیری دستگاه مربوط می‌شوند [20 ] .
با این حال، اکثر روش‌های موجود ممکن است به اطلاعات اضافی مانند تصاویر و میدان‌های مغناطیسی نیاز داشته باشند، که نه تنها می‌تواند حجم و مصرف برق سیستم را افزایش دهد، بلکه به راحتی تحت تأثیر محیط خارجی قرار می‌گیرد. علاوه بر این، اکثر روش‌های موجود نیاز به محاسبه داده‌های بزرگ دارند که برای تجزیه و تحلیل پس از پردازش مناسب است و قابلیت عملیاتی بالای پردازنده که برای برنامه‌ای با پردازنده‌های کم‌هزینه نامناسب است. این مقاله یک چارچوب ترکیبی داده جدید را با استفاده از یک فیلتر توسعه‌یافته کالمن (EKF) برای ادغام محلی‌سازی Wi-Fi با PDR پیشنهاد می‌کند.
روش مکان یابی وای فای در فضای داخلی مبتنی بر اثر انگشت شامل نمونه برداری آفلاین و تطبیق و موقعیت یابی در زمان واقعی است. نمونه برداری آفلاین تعدادی RP (نقاط مرجع) را در منطقه هدف انتخاب می کند تا پایگاه داده اثرانگشت در منطقه محیط هدف را با نمونه برداری از اطلاعات سیگنال Wi-Fi، از جمله اطلاعات مکان و قدرت سیگنال RP ها، اطلاعات آدرس MAC APها به دست آورد. نقاط دسترسی) و سایر داده ها؛ در مرحله تطبیق بی‌درنگ، هنگام دریافت داده‌های سیگنال Wi-Fi بلادرنگ، دستگاه مورد نظر کاربر یک محاسبه تطبیقی ​​بین داده‌ها و پایگاه‌داده اثر انگشت انجام می‌دهد و سپس موقعیت فعلی کاربر هدف را با موقعیت مکانی تخمین می‌زند. نقطه مرجع شناخته شده روش‌های تعیین موقعیت اثر انگشت معمولاً شامل روش KNN (K-Nearest-Neighbor) است [ 21]، HORUS [ 22 ، 23 ، 24 ] و غیره .
ایده اصلی الگوریتم KNN طبقه بندی هدف به نزدیکترین کلاس نمونه در فضای ویژگی است. با توجه به ویژگی های پیچیده و متنوع محیط داخلی، پیچیدگی محیط را نمی توان با استفاده از میانگین قدرت سیگنال به عنوان عنصر اساسی پایگاه داده اثر انگشت به اندازه کافی مشخص کرد. بنابراین، یوسف سیستم موقعیت‌یابی HORUS را برای انجام مدل‌سازی گاوسی بر روی توزیع شدت سیگنال روی RP و ایجاد پایگاه‌داده اثر انگشت بر اساس میانگین مقدار و واریانس قدرت سیگنال پیشنهاد کرد. با این حال، اگر امتیازهایی که باید محاسبه شوند بسیار زیاد باشد، مثلاً بیش از 1000، چه بر اساس KNN و چه بر اساس توزیع احتمال، مصرف زمان افزایش می‌یابد. الگوریتم مبتنی بر توزیع احتمال به ویژه زمان بیشتری می برد، بنابراین به طور جدی زمان موقعیت یابی را کاهش می دهد. بنابراین، برای بهبود به موقع بودن و دقت سیستم، داده هایی که باید مطابقت داده شوند باید کاهش یابد.
فرآیند خوشه‌بندی پایگاه‌داده اثر انگشت موقعیت‌یابی ممکن است به طور موثر اندازه داده‌های نقاط مربوطه را که باید توسط سیستم جستجو شوند کاهش دهد. انتخاب ویژگی خوشه بندی می تواند بر اساس قوی ترین AP [ 25 ] یا فاصله بین سیگنال های RP [ 26 ] باشد. فرآیند خوشه بندی با استفاده از قوی ترین AP به عنوان ویژگی نمی تواند به طور قابل توجهی محاسبه موقعیت یابی را کاهش دهد زیرا اثر محو شدن سایه ناشی از انعکاس قوی سیگنال بی سیم در محیط های داخلی است [27 ] . یکی که از فاصله بین سیگنال ها به عنوان ویژگی استفاده می کند می تواند به طور موثر از این وضعیت جلوگیری کند [ 28]. با این حال، هدف نهایی یک الگوریتم موقعیت‌یابی، تعیین مکان یک نقطه ناشناخته است، بنابراین استفاده از فاصله بین سیگنال‌ها نمی‌تواند به خوبی ارتباط بین موقعیت‌ها را منعکس کند، که ممکن است منجر به دقت پایین موقعیت‌یابی شود. این مقاله ویژگی سیگنال و ویژگی موقعیت نقاط مربوطه را در پایگاه داده اثر انگشت به عنوان ویژگی خوشه‌بندی ادغام می‌کند و روش APC (خوشه‌بندی انتشار قرابت) را برای خوشه‌بندی معرفی می‌کند. در مقایسه با نتایج K-means، تقسیم کلاس به روش APC به تقسیم ساختار فضایی نزدیک‌تر است و توزیع کلاس یکنواخت‌تر است. برای بهبود بیشتر پایداری و قابلیت اطمینان موقعیت یابی داخلی، یک سیگنال Wi-Fi و طرح فیوژن بلادرنگ PDR ارائه شده است. مزیت روش موقعیت یابی بر اساس قدرت سیگنال Wi-Fi این است که می تواند رقم مختصات مطلق را بدست آورد. با این حال، از آنجایی که سیگنال بی سیم به راحتی توسط موانع مسدود می شود و توسط اثر چند مسیری و سایر عوامل مختل می شود، پدیده های شکست موقعیت یا ناپایداری مانند پرش مکان یا خوشه بندی ممکن است در طول موقعیت یابی رخ دهد. سیستم محاسبه مرده بر اساس واحد اندازه گیری اینرسی می تواند به محاسبه موقعیت با دقت نسبتاً بالاتری دست یابد، اما خطای موقعیت یابی به سرعت با افزایش فاصله راه رفتن افزایش می یابد. بر این اساس، یک مدل موقعیت‌یابی از محاسبه مرده و فیوژن Wi-Fi ایجاد می‌شود. این طرح می تواند به طور تطبیقی ​​نویز دینامیکی سیستم فیلتر را برای انجام محاسبات فیوژن EKF با توجه به حرکت عابر پیاده (مستقیم یا چرخشی) تعیین کند.

2. فناوری موقعیت یابی بی سیم بر اساس قدرت میدانی

2.1. استخراج ویژگی ادغام اطلاعات فاصله و سیگنال

مجموعه B = { b 1 , b 2 , …, b n } شامل تمام APها در ناحیه تعیین موقعیت اثر انگشت است که در آن همه RP های برنامه ریزی شده مصنوعی نیز مجموعه L = { l 1 , l 2 , …, l m } را تشکیل می دهند. . عنصر l i (1 ≤ i ≤ m ) در مجموعه L از دو داده تشکیل شده است که یکی از آنها با G i = ( x i , y i ) که مختصات جغرافیایی این نقطه است و دیگری نشان داده می شود. نشان داده شده توسط Vi = ( v i. 1 ، v i.2 ، …، v i.n )، که بردار قدرت سیگنال هر AP دریافت شده در نقطه، جایی که v i.j (1 ≤ I ≤ m , 1 ≤ j≤ n است. ) نشان دهنده شدت سیگنال دریافتی در موقعیت مکانی مرتبط با l i از b j است .
در استخراج ویژگی خوشه بندی باید از فاصله در حوزه موقعیت و دامنه سیگنال نقاط نمونه برداری استفاده شود. فاصله سیگنال مشابه فاصله مکانی است. بنابراین، فاصله اقلیدسی بین دو گروه سیگنال به عنوان فاصله سیگنال در این مقاله به شرح زیر تعریف می شود:

اسمنgDمنس(لمن،لj)=“vمن،vj“متر_منj=∑ک=1n(vمن،ک–vj،ک)2متر_منj

که در آن m _ij به تعداد APها با قدرت سیگنال غیر صفر دریافت شده در هر دو مکان مربوط به l i و l j اشاره دارد . به طور معمول، مقدار m _ij زمانی که موقعیت های مربوط به l i و l j در نزدیکی یکدیگر باشند بسیار بزرگتر است و بالعکس . از آنجایی که مقدار m _ij می تواند رابطه فاصله فضایی بین نقاط مربوطه را تا حدی منعکس کند، معرفی متغیر m _ijهنگام محاسبه فاصله سیگنال، می تواند مقدار فاصله سیگنال را بین نقاط مسافت طولانی افزایش دهد و مقدار فاصله سیگنال بین نقاط فاصله کوتاه را کاهش دهد. فاصله جغرافیایی بین دو نقطه نمونه برداری به صورت تعریف شده است

جیهoDمنس(لمن،لj)=“جیمن،جیj“
از آنجایی که ابعاد فاصله دامنه سیگنال و فاصله دامنه موقعیت متفاوت است، فاصله استفاده شده در آزمون نتیجه نرمال شده Min-Max برای یکپارچه سازی ویژگی ها است. اگرچه روند هر دو نوع فاصله در مقادیر عددی تقریباً یکسان است – یعنی توزیع عددی فاصله سیگنال و فاصله مکانی پس از نرمال‌سازی یکسان است – به دلیل وجود نویز بیشتر در فاصله دامنه سیگنال وجود دارد بی ثباتی سیگنال برای حذف اثر نویز، ویژگی فیوژن از فاصله دامنه موقعیت برای محدود کردن فاصله دامنه سیگنال استفاده می کند که به صورت زیر تعریف می شود:

ممنایکسDمنس(لمن،لj)=نor(اسمنgDمنسnهw(لمن،لj))×نor(جیهoDمنس(لمن،لj))

که در آن تابع Min-Max نرمال شده نیست. ویژگی همجوشی به دست آمده با تغییر فاصله سیگنال با موقعیت جغرافیایی می تواند رابطه جغرافیایی بین نقاط نمونه برداری را بهتر منعکس کند و توزیع کلاس خوشه ای یکنواخت تر و به تقسیم ساختار فضایی نزدیک تر است.

2.2. خوشه بندی انتشار قرابت

در الگوریتم‌های خوشه‌بندی معمول، مراکز خوشه به‌طور مکرر انتخاب و بهینه‌سازی می‌شوند تا مجموع درجه دوم فاصله بین اعضای دیگر کلاس و مرکز خوشه به حداقل برسد. به عنوان مثال، الگوریتم کلاسیک K-means باید یک سری از مراکز اولیه خوشه را هنگام شروع ارائه دهد. علاوه بر این، الگوریتم کاملاً به مقدار اولیه سیستم وابسته است و به راحتی در قسمت های انتهایی محلی قرار می گیرد. در عوض، در APC [ 29]، تمام نقاط در یک شبکه به هم متصل هستند که در آن هر گره به طور بالقوه می تواند به عنوان یک مرکز خوشه در نظر گرفته شود. از طریق تکرار، پیام های جذب و انتساب به طور مداوم بین نقاط ارسال و دریافت می شود، بنابراین شکاف بین نقطه مرکزی و نقاط پیوست گسترش می یابد و در نهایت نقطه مرکزی تعیین می شود. در مقایسه با روش K-means، APC دارای نرخ همگرایی سریع‌تر و خطای میانگین مطلق کمتر و واریانس میانگین است [ 29 ].
اطلاعات ورودی APC ماتریس شباهت S m*m بین m نقاط است و ویژگی ذوب شده MixDis در این مقاله استفاده شده است. ماتریس شباهت S m*m نشان دهنده ماتریس مشخصه برای فاصله سیگنال و فاصله فضایی بین m AP با محاسبه هر مقدار ساخته شده بر اساس ویژگی همجوشی، MixDis ( i , j ) در فرمول 3 است. علاوه بر این، s ( i) ، j ) نشان دهنده ویژگی همجوشی i AP و j استth AP، همچنین نشان دهنده مقدار ذوب فاصله مکانی و فاصله سیگنال بین دو AP است. به طور کلی، یک میانه در S m*m به عنوان یک مقدار معقول برای نشان دادن s ( k، k ) انتخاب می شود . یعنی، میانه در خط k از S به عنوان مقدار اولیه s ( k، k ) انتخاب می شود. سپس محاسبه انتقال پیام بین دو نقطه مرجع انجام می شود که هسته الگوریتم است: پیام جذب r ( i, j ) و پیام انتساب a ( i, j ). در اینجا، پیام جذب r ( i، j) از نقطه i به نقطه j منتقل می شود تا قابلیت اطمینان نقطه j به عنوان مرکز خوشه نقطه i را نشان دهد . پیام انتساب a ( i, j ) از نقطه j به نقطه i منتقل می شود تا قابلیت اطمینان نقطه i را به عنوان مرکز خوشه نقطه j نشان دهد .

(1) پیام جاذبه r ( i ، j )

انتقال از نقطه مربوطه l i به نقطه مربوطه l j تجمع جاذبه l j به l i را به عنوان مرکز خوشه تحت نقش نقاط مربوطه به جز l i نشان می دهد و فرمول به شرح زیر است:

r(من،j)=س(من،j)–حداکثر{آ(من،j“)+س(من،j“)}j“≠j

که در آن s ( i, j ) به MixDis ( i, j ) اشاره دارد و a ( i, j ) پیام انتساب است که در زیر تعریف شده است.

(2) پیام انتساب a ( i ، j ).

انتقال از نقطه مربوطه l j به نقطه مربوطه l i تجمع جاذبه l i به l j را به عنوان مرکز خوشه تحت نقش نقاط مربوطه به جای l j نشان می دهد و فرمول به شرح زیر است:

آ(من،j)=دقیقه{0،r(j،j)+∑من“∉(من،j)حداکثر{0،r(من“،j)}}

(3) پیام خود انتساب:

آ(j،j)=∑j≠j“حداکثر{0،r(j“،j)}
انتقال دو نوع پیام فوق بین نقاط مربوطه باعث تقسیم مرکز و نقطه اتصال می شود. به طور خاص، اگر j ‘ = i , نقطه مرجع l i مرکز است. در غیر این صورت، نقطه l j’ مرکز است.

2.3. جستجوی مجموعه نقطه تعیین موقعیت

پس از خوشه بندی APC، نقاط RP با توجه به سیگنال ها و موقعیت های مختلف به چندین کلاس تقسیم می شوند. هنگام تعیین موقعیت، باید تطبیق تقریبی بین اطلاعات آدرس MAC دریافت شده توسط نقطه مورد نظر و بردار آدرس هر مرکز کلاس انجام شود تا تخمین تقریبی محدوده کلاس مشخص شود. سپس می توان با استفاده از فاصله بین مقدار قدرت سیگنال نقطه ای که قرار است قرار گیرد و بردار قدرت سیگنال هر مرکز کلاس به طور خاص تطبیق دقیق تری ایجاد کرد.
(1) فضای جستجوی کلاس با آدرس MAC اولین N (3-5) AP مطابق با حداکثر قدرت سیگنال RSSI دریافت شده توسط هدف در زمان واقعی فیلتر می شود. در نتیجه، یک یا چند مجموعه امتیاز ممکن است برگردانده شود.
(2) فاصله بردار مرکز کلاس برگشتی از بردار سیگنال دریافتی در زمان واقعی تا مرحله قبل محاسبه می شود. ویژگی های انتشار سیگنال نشان می دهد که هر چه فاصله هندسی بین دو نقطه جمع آوری داده ها نزدیک تر باشد، مقادیر قدرت سیگنال دریافتی مشابه تر است. بنابراین، کوچکترین شماره کلاس فاصله بردار سیگنال به کلاس تعیین شده نهایی اختصاص داده می شود.
(3) جستجوی نقاط اثر انگشت درون کلاس از الگوریتم Weighted K Nearest Neighbor (WKNN) استفاده می‌کند، که نزدیک‌ترین K RP را به دامنه سیگنال نقطه‌ای که قرار است قرار داده شود انتخاب می‌کند و متقابل فاصله را به عنوان وزن برای افزایش در نظر می‌گیرد. وزن مختصات موقعیت نقاط اثر انگشت با فاصله کمتر از دامنه سیگنال، که می تواند دقت موقعیت یابی را تا حدی بهبود بخشد [ 30 ]. میانگین مختصات موقعیت RP ها به عنوان نتیجه موقعیت یابی کاربران محاسبه می شود:

(ایکس^،y^)=∑من=1ک(1دمن×(ایکسمن،yمن))∑من=1ک1دمن

که در آن ( xi ، y i ) مختصات i امین نزدیکترین RP در مجموعه کلاس اثر انگشت تعیین شده است ،(ایکس^،y^) نتیجه موقعیت یابی است و d i فاصله دامنه سیگنال بین i امین نزدیکترین RP و نقطه ای است که در کلاس تعیین شده قرار می گیرد. با توجه به معادله (7) برخی دیگر از محققین استفاده کردند 1/دمن2بجای 1/دمن[ 31 ]. از منظر کارایی محاسباتی، استفاده از 1/د2تاثیر فاصله سیگنال بر نتیجه محاسبه را بیشتر خواهد کرد. به عبارت دیگر، نتیجه موقعیت یابی نهایی به چنین RP که فاصله سیگنال کمتری دارد، تمایل دارد. با این حال، از آنجا که فاصله بین دو RP در این مقاله نسبتاً کوچک است، در 1.2 × 1.2 متر مربع ، چنین اصلاحی به طور قابل توجهی بر نتیجه موقعیت یابی تأثیر نمی گذارد.

3. الگوریتم PDR و Wi-Fi Fusion

3.1. فیلتر صاف کننده وزن تطبیقی ​​بر اساس محدودیت جابجایی

سیستم موقعیت یابی مبتنی بر Wi-Fi یک مزیت موقعیت یابی مطلق دارد که معمولاً اطلاعات موقعیت را هر 1 یا 2 ثانیه به روز می کند. سیستم اندازه‌گیری اینرسی می‌تواند داده‌های مشاهده اولیه با نرخ بالا را در زمان واقعی خروجی دهد، و الگوریتم موقعیت‌یابی PDR بر اساس داده‌های اینرسی با استقلال قوی، کوتاه‌مدت و دقت بالا مشخص می‌شود [32 ، 33 ] . با توجه به سرعت محدود هنگام حرکت عابر پیاده، ارتباطی بین نتیجه موقعیت فعلی و نتیجه موقعیت یابی قبلی از نظر فاصله فیزیکی اجتناب ناپذیر است. بر اساس این رابطه، ابتدا فرض کنید که آستانه فاصله است δاس. هنگامی که محاسبه مرده با توجه به داده های سنسور اینرسی انجام می شود، از نقطه قبلی به دست آمده از طریق موقعیت یابی فیوژن شروع کنید تا اطلاعات موقعیت فعلی را تخمین زده و محاسبه کنید. اسپDآر، جابجایی در بازه زمانی زمانی که سیگنال بی سیم دریافت شده توسط ترمینال باید متفاوت باشد. علاوه بر این، محاسبه کنید   اسدبلیومنافمن، فاصله بین نتیجه موقعیت یابی فعلی مبتنی بر Wi-Fi و موقعیت قبلی که از طریق موقعیت یابی فیوژن به دست آمده است. سپس، وزن را برای محاسبه انجام شده بر اساس ادغام هر دو فناوری موقعیت یابی با توجه به رابطه بین آستانه فاصله انتخاب کنید. δاسو |اسدبلیومنافمن–اسپDآر|، تفاوت مطلق در فاصله جابجایی به طور جداگانه از طریق Wi-Fi و روش موقعیت یابی مبتنی بر PDR. چه زمانی |اسدبلیومنافمن–اسپDآر|<δاس، فناوری موقعیت یابی مبتنی بر Wi-Fi با ویژگی های موقعیت یابی مطلق وزن بیشتری دارد. به عبارت دیگر، فرمول (8) را برای تخمین موقعیت فعلی عابر پیاده انتخاب کنید. در غیر این صورت، نتیجه موقعیت یابی به دست آمده در فرمول (9) را به عنوان موقعیت فعلی عابر پیاده برگردانید.

{نک=مترآایکس(w1،w2)نک،w+مترمنn(w1،w2)نک،پw1+w2Eک=مترآایکس(w1،w2)Eک،w+مترمنn(w1،w2)Eک،پw1+w2
{نک=مترمنn(w1،w2)نک،w+مترآایکس(w1،w2)نک،پw1+w2Eک=مترمنn(w1،w2)Eک،w+مترآایکس(w1،w2)Eک،پw1+w2،

جایی که (نکEک)مختصات خروجی سیستم همجوشی را در لحظه k نشان می دهد ، (نک،w،Eک،w)مختصات خروجی سیستم موقعیت یابی Wi-Fi در لحظه k است ، (نک،پ،Eک،پ)مختصات خروجی از سیستم PDR در لحظه k است و (w1،w2) وزن است. با توجه به داده های تجربی، اندازه گیری نشان می دهد که بهترین نتایج موقعیت یابی زمانی حاصل می شود w1و w2به ترتیب 0.4 و 0.6 هستند.

3.2. فیلتر نویز سیستم تطبیقی ​​بر اساس وضعیت حرکت عابر پیاده

بر اساس ایده مورد بحث در بخش 3.1 ، برای بهینه‌سازی بیشتر وزن‌های دو نتیجه موقعیت‌یابی، از روش EKF برای همجوشی استفاده می‌شود. در واقع، روش فیوژن ما این مزیت را دارد که می‌تواند از طریق شناسایی تطبیقی ​​نویز دینامیکی در سیستم فیلتر مطابق با وضعیت حرکت عابر پیاده (راه رفتن به جلو، پیچیدن یک گوشه، یا چرخش شبه گوشه) یک محاسبه فیوژن انجام دهد تا متوجه شود. یک واگرایی مسیر کوچکتر در گوشه در حالی که دقت موقعیت یابی را بهبود می بخشد.
ابتدا وضعیت ساکن یا متحرک را با توجه به داده های شتاب در اندازه گیری اینرسی قضاوت کنید. در موقعیت‌یابی اولیه، زمانی که عابران پیاده برای چند ثانیه ساکن می‌مانند، خطای فاحش در نتیجه موقعیت‌یابی Wi-Fi حذف می‌شود. سپس، مقدار متوسط ​​را به عنوان موقعیت شروع PDR محاسبه کنید. الگوریتم فیوژن خطای موقعیت، اختلاف فاصله جابجایی و خطای مسیر را به عنوان متغیر حالت سیستم فیلتر می گیرد:

ایکس=[دن،دE،دس،دθ]

که در آن N و E نشان دهنده مختصات سیستم موقعیت یابی در شمال و شرق به ترتیب در زمان واقعی به دست آمده است. s مقدار مرحله ای است که توسط الگوریتم PDR در زمان واقعی محاسبه می شود. و θ زاویه مسیر در جهت حرکت است. هنگامی که موقعیت سیستم Wi-Fi به روز می شود، تفاوت موقعیت بین سیستم های Wi-Fi و PDR به عنوان مقدار مشاهده شده سیستم در نظر گرفته می شود. برای مثال،

ز=[Δن،ΔE]تی=[نw،ک–نپ،ک،Ew،ک–Eپ،ک]تی

جایی که (Δن،ΔE)نشان دهنده اختلاف موقعیت بین دو سیستم در نقطه زمانی k است ، (نw،ک،Ew،ک)نتیجه موقعیت یابی سیستم Wi-Fi در نقطه زمانی k است و (نپ،ک،Eپ،ک)اطلاعات موقعیت در نقطه زمانی k بر اساس اصل محاسبه مرده محاسبه می شود.

معادله حالت سیستم EKF است

{دنک+1=دنک+cosθک×دسک–سک×گناهθک×دθک+دwندEک+1=دEک+گناهθک×دسک+سک×cosθک×دθک+دwEدسک+1=دسک+دwسدθک+1=دθک+دwθ
در اینجا رضایت نویز دینامیکی مختصات موقعیت و جابجایی با توزیع گاوسی مطابقت دارد – یعنی، wن ~ن(0،δن2)، wE ~ن(0،δE2)، wس ~ن(0،δس2).
ماتریس حالت گذار:

Φک=[10cosθک–سک×گناهθک01گناهθکسک×cosθک00100001]
ماتریس اندازه گیری:

اچک=[10000100]
برای توالی نویز پویا و توالی نویز اندازه گیری مورد نیاز در فرآیند فیلتر کردن، بسیاری از داده های نتیجه موقعیت یابی برای به دست آوردن اعداد تجربه از طریق تجزیه و تحلیل مشخصه آمار خطاهای سیستم های موقعیت یابی Wi-Fi و PDR استفاده می شود. ماتریس نویز پویا به صورت زیر است:

سک=[δن20000δE20000δس20000δθ2]
داده شده δن2=δE2=2، δس2=1ماتریس نویز اندازه گیری:

آر=[آرw0000آرw00]

جایی که آرw=102. با توجه به موقعیت واقعی که در آن ارزش دوره wθهنگام چرخش بزرگتر و هنگام حرکت مستقیم کوچکتر است، به طور تطبیقی ​​مقدار نویز دینامیکی متغیرهای مربوط به مسیر را با قضاوت ویژگی های حرکت عابر پیاده (مستقیم یا چرخشی) تعیین کنید. از مقدار انباشته SGyr (rad/s) داده های ژیروسکوپ در هر مرحله برای تعیین ویژگی های حرکتی کاربران موبایل استفاده کنید. شرایط قضاوت عطف هستند

اسجیyrک×اسجیyrک–1>0 و آبس(اسجیyrک)>10rآد/س
در آزمایش متوجه شدیم که اگر ماتریس Q را به صورت پویا هر بار که روندهای چرخشی وجود دارد تنظیم کنیم، نتایج بهبود خواهند یافت . روند چرخش شامل چرخش واقعی و چرخش کاذب است که ناشی از انحراف زیاد است که وقتی عابر پیاده هنگام راه رفتن گوشی را در جهت خاصی نگه می‌دارد رخ می‌دهد. فرمول قضاوت در مورد آج تراش به صورت زیر است:

اسجیyrک×اسجیyrک–1>0
وقتی عابر پیاده مستقیم حرکت می کند، δθ2=(2درجه)2; وقتی عابر پیاده می چرخد، δθ2=(15درجه)2; هنگامی که عابر پیاده مستقیم حرکت می کند اما چرخش کاذب ناشی از چرخش جزئی دست است. δθ2=(8درجه)2.
در مواردی که موقعیت Wi-Fi به روز نشده است، تفاوت بین مختصات پیش بینی شده توسط سیستم و مختصات مشاهده شده از طریق روش PDR را به عنوان متغیرهای مشاهده در نظر بگیرید تا یک تصحیح بازگشتی در محاسبه موقعیت از طریق PDR انجام دهید. با بقیه بدون تغییر باقی مانده است:

ز=[Δن،ΔE]تی=[نک+1–نپ،ک+1،Eک+1–Eپ،ک+1]تی

که در آن مختصات پیش بینی شده توسط سیستم می تواند از طریق روش زیر به روز شود:

نک+1=نپ،ک+دن+(سک+دسک)×cos(θک+دθک)Eک+1=Eپ،ک+دE+(سک+دسک)×گناه(θک+دθک)
با توجه به خطای موقعیت به دست آمده از طریق فیلترینگ، فرمول (20) قادر به به روز رسانی موقعیت فعلی عابر پیاده است که همچنین موقعیت نهایی در لحظه k + 1 پس از انجام محاسبات در مدل فیوژن به دست می آید.

4. تجزیه و تحلیل تجربی

سایت آزمایشی در طبقه چهارم دانشکده علوم محیطی و انفورماتیک فضایی دانشگاه صنعتی معدن چین راه اندازی شد. یک سیستم شبکه Wi-Fi ایجاد شد و Samsung Galaxy Note 3 (SM-N9002) به عنوان دستگاه تست تلفن همراه انتخاب شد. همانطور که در نشان داده شده است شکل 1 نشان داده شده استروترهای بی سیم D-LINK (DIR-600NB) در هر 9 متر در امتداد دو طرف راهرو نصب شدند و در مجموع 64 AP را ارائه کردند. در فرآیند موقعیت یابی، سیستم موقعیت یابی اطلاعات موقعیت را با توجه به قدرت سیگنال Wi-Fi هر 2 ثانیه به کاربران تلفن همراه ارسال می کرد. فرکانس نمونه برداری داده ها از سنسور اینرسی 50 هرتز بود. هر نقطه داده جدید، از جمله تشخیص راه رفتن، محاسبه اندازه گام، محاسبه خشن مسیر، و محاسبه موقعیت مورد تجزیه و تحلیل قرار گرفت. موقعیت با توجه به مدل همجوشی شرح داده شده در بخش 3 محاسبه شدبا نتایج موقعیت یابی Wi-Fi و نتایج موقعیت یابی PDR. در آزمایش، عابر پیاده از انتهای غربی منطقه C در دانشکده علوم محیطی و انفورماتیک فضایی به سمت غربی ترین انتهای منطقه B از طریق منطقه A در امتداد راهرو با سرعت ثابت حرکت کرد. در این فرآیند، عابر پیاده اساساً تلفن همراه را در سطح نگه داشت و در مجموع 316 پله را طی کرد.
Ijgi 05 00008 g001 1024
شکل 1. سایت آزمایشی. ( الف ) نمودار صحنه طبقه چهارم؛ ( ب ) مدل سه بعدی سایت آزمایشی.

4.1. تجزیه و تحلیل موقعیت یابی وای فای

سایت آزمایشی در یک محیط راهروی طولانی و باریک که به مناطق A، B و C تقسیم شده است، راه اندازی شد و یک ساختار شبکه ای چهارضلعی منظم (1.2 متر × 1.2 متر) برای چیدمان نقاط اثر انگشت برای دستیابی به داده های اثر انگشت آفلاین استفاده شد. پایگاه داده اثر انگشت را بسازید نرخ نمونه برداری از دستگاه به سیگنال دریافتی 100 هرتز است و داده های مربوطه جمع آوری شده توسط RP ها معمولاً شامل قدرت سیگنال Wi-Fi و مختصات واقعی RP ها است. قدرت سیگنال دریافتی یک عدد صحیح در (-110، -15) است. همانطور که در شکل 2 نشان داده شده است، در نهایت 390 نقطه کارآمد از توزیع نقطه اثر انگشت جمع آوری می شود .
Ijgi 05 00008 g002 1024
شکل 2. توزیع نقاط اثر انگشت.

(1) جمع آوری و پیش پردازش داده های آفلاین

سیگنال Wi-Fi از روتر بی سیم D-LINK (DIR-600NB) در یک موقعیت ثابت در طبقه چهارم به مدت پنج روز ضبط شد تا اثر تغییر زمان سیگنال Wi-Fi با داده های اندازه گیری شده را توصیف کند. نتایج آماری در شکل 3 نشان داده شده است .
Ijgi 05 00008 g003 1024
شکل 3. نمودار مختصات قطبی برای نتایج آماری سیگنال Wi-Fi در پنج روز متوالی.
از شکل می بینیم که انتشار سیگنال از ساعت 23:00 تا 7:00 ثابت بوده اما از ساعت 7:00 تا 23:00 نوسانات زیادی داشته است. در واقع، کارکنان از ساعت 7:00 در آزمایشگاه حضور داشتند و آزمایشگاه در ساعت 23:00 تعطیل شد. بنابراین، می بینیم که سیگنال به طور قابل توجهی تحت تأثیر اختلالات انسانی قرار می گیرد. علاوه بر این، با مقایسه داده‌های پنج روزه، می‌توان دریافت که RSSI منحنی‌ها در همان زمان هر روز تا 15 دسی بل متفاوت است. در موقعیت یابی اثر انگشت Wi-Fi، مجموعه اثر انگشت بر اساس قدرت سیگنال فعلی توزیع می شود. سیگنال در زمان‌های مختلف در یک روز تغییر می‌کند و تغییرات در یک دوره زمانی مشابه در روزهای مختلف منجر به عدم توصیف کامل توزیع قدرت سیگنال توسط آمار قدرت سیگنال جمع‌آوری‌شده در یک دوره می‌شود.
بنابراین، ما داده‌های اثر انگشت را در 10 روز متوالی از 11 تا 20 آوریل 2015 جمع‌آوری کردیم. ده نمونه در چهار جهت توسط هر RP در هر روز جمع‌آوری شد که در مجموع 40 گروه اندازه‌گیری قدرت سیگنال انجام شد. شکل 4 اطلاعات قدرت سیگنال 10 AP مشاهده شده در یک RP را نشان می دهد و همه 40 سیگنال هر AP بسیار ناپایدار هستند. داده‌ها از چهار جهت جمع‌آوری شدند، زیرا تفاوت‌های زیادی در مقادیر قدرت سیگنال به‌دست‌آمده در جهات مختلف در یک موقعیت وجود دارد. شکل 5توزیع قدرت سیگنال همان AP را نشان می دهد که توسط یک RP در چهار جهت (مقدار مطلق) جمع آوری شده است، که در آن حداکثر اختلاف تا 20 دسی بل می باشد. اندازه گیری تفاوت تحت تأثیر اثر چند مسیری ناشی از چیدمان محیط قرار می گیرد. علاوه بر این، بدن خود یکی از عوامل مهم تداخل در انتشار سیگنال بی سیم است. در نهایت، مقدار میانگین تمام نقاط قوت میدان در چهار جهت جمع‌آوری‌شده در طی 10 روز به عنوان اطلاعات اثر انگشت RP در نظر گرفته می‌شود.
Ijgi 05 00008 g004 1024
شکل 4. داده های قدرت سیگنال 10 AP موجود برای یک RP.
Ijgi 05 00008 g005 1024
شکل 5. قدرت سیگنال مشاهده شده از چهار جهت نمونه برداری.

(2) تجزیه و تحلیل خوشه بندی

برای نشان دادن نتایج تجزیه و تحلیل، آزمایش 93 نقطه کارآمد را در مناطق C و A با میانگین فاصله نمونه برداری 3.5 متر دوباره جمع آوری کرد. الگوریتم APC برای خوشه بندی نقاط مربوطه در پایگاه داده نمونه با استخراج ویژگی فیوژن اتخاذ می شود.
با مقایسه شکل 6 و شکل 7 می توان دریافت که نتایج به دست آمده توسط خوشه بندی APC به تقسیمات جغرافیایی مانند گوشه راهرو و منطقه باز نزدیکتر است و نتایج طبقه بندی یکنواخت تر است. این به این دلیل است که ویژگی خوشه بندی در روش APC بخشی از اطلاعات جغرافیایی را با هم ترکیب می کند. اگرچه فاصله مرکز افزایش یافته است، کنترل فاصله بعداً نقش مهمی در بهبود دقت موقعیت یابی دارد.
انتخاب مقدار اولیه خوشه‌بندی K-means تصادفی است، بنابراین نتایج حاصل از چندین تکرار عملیات متفاوت است. از آنجایی که الگوریتم APC یک روش طبقه بندی بدون نظارت است، تنظیم تعداد کلاس ها و مقدار اولیه تصادفی که نتیجه بازخورد طولانی مدت است، ضروری نیست. بنابراین، نتیجه محاسبه به دست آمده منحصر به فرد است. نتایج طبقه بندی K-means در شکل 7 نشان داده شده است . حلقه‌ها موقعیت‌هایی با طبقه‌بندی غیرمنطقی هستند: 1 به دلیل تعداد کمی از اعضای کلاس است. 2 به دلیل مرزهای فازی و 3 به دلیل طبقه بندی نشدن گوشه راهرو است. جدول 1 آمار نتایج را پس از اجرای 10 بار الگوریتم خوشه بندی K-means نشان می دهد.
Ijgi 05 00008 g006 1024
شکل 6. نتایج طبقه بندی APC.
Ijgi 05 00008 g007 1024
شکل 7. نتایج طبقه بندی K-means.
جدول
جدول 1. آمار تعداد اعضای کلاس در نتیجه خوشه بندی K-means (10 برابر).
از جدول 1 می توان دریافت که تفاوت های زیادی بین نتایج طبقه بندی تحت عمل مقادیر اولیه مختلف وجود دارد، که نشان می دهد هنگام استفاده از K-means برای خوشه بندی نقاط مربوطه در پایگاه داده اثر انگشت، ناپایداری نتیجه می گیرد. علاوه بر این، شماره طبقه‌بندی باید قبل از پردازش تنظیم شود، که برای سیگنال‌های Wi-Fi که مستعد تداخل هستند دشوارتر است.

(3) نتایج تجزیه و تحلیل موقعیت استاتیک

روش تست موقعیت یابی استاتیک: برای قرار گرفتن در سایت آزمایشی 26 امتیاز بگیرید. نمونه به مدت 10 ثانیه در نقاطی که باید در جهت بالا، پایین، چپ و راست با همان دستگاه قرار گیرند. و مقدار میانگین داده های سیگنال Wi-Fi را ثبت کنید. این آزمایش اثرات موقعیت‌یابی APC و K-means را از جنبه‌های بازده زمانی و دقت موقعیت‌یابی تحلیل و مقایسه می‌کند. زمان موقعیت یابی 26 نقطه ای که باید قرار گیرند در شکل 8 نشان داده شده است. پس از فرآیند خوشه بندی، حجم جستجوی داده ها و زمان موقعیت یابی کاهش می یابد. در مقایسه با جستجوی جهانی، پردازش خوشه‌بندی K-means و APC به بهبود زیادی در بازده زمانی دست می‌یابد. میانگین زمان موقعیت یابی جستجوی جهانی 127 میلی ثانیه است و K-means و APC اثرات مشابهی دارند که به ترتیب 76 میلی ثانیه و 70 میلی ثانیه است. بیشترین افت توسط K-means 88.2% و کمترین افت فقط 0.2% است در حالی که بیشترین افت توسط APC 87.2% و کمترین افت تا 16.8% است. مقدار داده های جستجو شده توسط APC به طور متوسط ​​75٪ و حداکثر 80٪ کاهش می یابد. از آنجایی که میانگین نرخ‌های کاهش APC و K-means تقریباً یکسان است، میانگین زمان موقعیت‌یابی دو روش خوشه‌بندی مشابه است. با این حال،
Ijgi 05 00008 g008 1024
شکل 8. مقایسه زمان موقعیت یابی استاتیک.
همانطور که در نشان داده شده است شکل 9 نشان داده شده است، نتیجه موقعیت یابی خوشه ای دقیق تر از جستجوی جهانی است. میانگین دقت موقعیت یابی جستجوی جهانی 2.6 متر است، اما دقت موقعیت یابی K-means و APC به ترتیب 1.6 متر و 1.5 متر است. حداکثر خطای موقعیت یابی K-means 5.6 متر و حداقل خطای موقعیت یابی 0.18 متر است. حداکثر خطای موقعیت یابی APC 2.8 متر و حداقل خطای موقعیت یابی 0.2 متر است. از نظر میانگین خطا، APC نتیجه کمی بهتر از K-means دارد و نوسان خطای کمتری دارد. کلاس با اعضای کم در K-means، همراه با این واقعیت که مقدار میانگین سیگنال آن کلاس نمی تواند ویژگی های این نوع سیگنال ناحیه را منعکس کند، می تواند به راحتی منجر به عدم تطابق و در نتیجه کاهش دقت شود.
Ijgi 05 00008 g009 1024
شکل 9. مقایسه دقت موقعیت یابی استاتیکی.

(4) ساختار مش مثلث نقاط اثر انگشت

همانطور که در شکل 10 نشان داده شده است، برای بهبود بیشتر بازده محاسباتی، ما یک طرح ساختار شبکه مثلثی نقاط اثر انگشت را انجام دادیم . تفاوت قابل توجهی در دقت موقعیت یابی خوشه بندی APC پایگاه داده اثر انگشت بر اساس دو طرح بندی ساختاری وجود ندارد. همانطور که در جدول 2 نشان داده شده است، دقت موقعیت یابی استاتیک به طور متوسط ​​در 2 متر است و میانگین دقت موقعیت یابی پویا تقریباً 4 متر است.. با این حال، با توجه به حجم کار نمونه برداری خاموش، مش مثلثی نقاط اثر انگشت مطابق با طرح طرح این مقاله، نصف شبکه مربع است. یعنی در مقایسه با طرح چیدمان چهار گوش، حجم کار نمونه برداری آفلاین به نصف کاهش می یابد و دو طرح چیدمان به ترتیب شامل 195 و 390 نقطه اثر انگشت هستند. بنابراین، نقاط مرجع اثر انگشت مش مثلثی را می توان در محیط با ویژگی های بلند و باریک برای جمع آوری داده های اثر انگشت Wi-Fi تنظیم کرد.
ناهماهنگی دقت موقعیت یابی پویا و ایستا ناشی از داده های موقعیت یابی استاتیک است که شامل مقدار میانگین چند داده جمع آوری شده از چهار جهت است، بنابراین دقت موقعیت یابی بالاتر است. با این حال، داده های موقعیت یابی پویا Wi-Fi توسط دستگاه در زمان واقعی جمع آوری می شود، که فقط از گروهی از داده های اسکن استفاده می کند. یعنی هنگامی که سیگنال اسکن شده توسط دستگاه تغییر یا به روز می شود، داده های جدید بلافاصله برای محاسبه موقعیت یابی استفاده می شوند. به دلیل تصادفی بودن و ناپایداری سیگنال، دقت موقعیت یابی کمتر از محاسبه موقعیت داده ایستا است.
Ijgi 05 00008 g010 1024
شکل 10. طرح ساختار مشبک مثلثی نقاط اثر انگشت.
جدول
جدول 2. نتایج تعیین موقعیت بر اساس پایگاه داده های اثر انگشت طرح بندی مختلف.

4.2. تجزیه و تحلیل فیوژن

از آنجایی که سیستم موقعیت یابی Wi-Fi دارای عملکرد موقعیت یابی مطلق است، نتایج موقعیت یابی سیستم را می توان به عنوان نقطه اولیه PDR در نظر گرفت. با محاسبه، خطای موقعیت اولیه موقعیت یابی پایگاه داده اثر انگشت چهار ضلعی 2.58 متر است که از چهار نوع طرح موقعیت یابی برای تست موقعیت یابی داخلی استفاده می کند:
طرح 1: استفاده از مدل موقعیت‌یابی WKNN بر اساس پایگاه‌داده اثر انگشت خوشه‌بندی قدرت سیگنال Wi-Fi برای علامت‌گذاری Wi-Fi.
طرح 2: با نتایج موقعیت یابی صاف استاتیک Wi-Fi به عنوان نقطه شروع، موقعیت یابی PDR را بر اساس محاسبه دوره جبرانی به عنوان PDR علامت گذاری کنید. در اینجا، تخمین خطای دوره بر اساس روشی است که چن در سال 2010 [ 35 ] ارائه کرد.
طرح 3: با توجه به موقعیت یابی Wi-Fi و PDR تصحیح دوره، WEPDR را بر اساس موقعیت یابی ترکیبی ارزش EKF معمولی علامت گذاری کنید.
طرح 4: با توجه به موقعیت‌یابی Wi-Fi و PDR تصحیح مسیر، AWEPDR را بر اساس موقعیت‌یابی فیوژن فیلتر کالمن با نویز مدل تطبیقی ​​علامت‌گذاری کنید.
مسیر نتایج موقعیت یابی به دست آمده توسط مدل های موقعیت یابی مختلف در شکل 11 نشان داده شده است .
برای مسیر کاربر سیستم موقعیت یابی Wi-Fi در طرح 1، دو ناپایداری ظاهری در شکل نشان داده شده است: اول، موارد زیادی از پدیده بازگشت وجود دارد (با توجه به جهت حرکت کاربر در این آزمایش، مسیر حرکت عادی می تواند فقط در طول مسیر به جلو باشید). مفهوم “بازگشت” در این مقاله اطلاعات موقعیت عقب دریافت شده توسط سیستم در موقعیت یابی رو به جلو را مشخص می کند. دوم، نقاط تجمع مکرر در موقعیت یابی وجود دارد. یعنی کاربر بازخورد یک موقعیت یا موقعیت نزدیک را در موقعیت های مختلف در مقاطع زمانی مختلف دریافت می کرد که باعث خوشه بندی نقاط موقعیت یابی می شد. مشخص شده است که این دو مسئله به طور مستقل بر اساس الگوریتم موقعیت یابی پایگاه داده اثر انگشت سیگنال Wi-Fi یک مشکل بزرگ هستند.
Ijgi 05 00008 g011a 1024 Ijgi 05 00008 g011b 1024
شکل 11. تجزیه و تحلیل مسیر برای روش های مختلف موقعیت یابی داخلی. ( الف ) مسیر PDR، WIFI، REAL؛ ( ب ) مسیر AEKFPDR، EKFPDR.
در طرح 2، به دلیل خطای تشخیص راه رفتن، محاسبه اندازه گام، و تخمین دوره، برخی از خطاها در نتایج موقعیت یابی PDR وجود دارد. به دلیل خطای موقعیت اولیه به دست آمده توسط موقعیت یابی Wi-Fi، موقعیت پل از ناحیه B به ناحیه A به ویژه از ساختارها منحرف می شود. با این حال، مزیت آن این است که نقاط موقعیت یابی خروجی بدون وقفه هستند و هیچ پدیده بازگشت یا خوشه بندی وجود ندارد.
در طرح 3، موقعیت های نقطه به طور مساوی توزیع شده است، و بازگشت کمی وجود دارد، که مشکلات انباشته شدن را تا حدودی کاهش می دهد. مشاهده می‌شود که الگوریتم فیوژن کلاسیک EKF تداوم و پایداری کوتاه‌مدت محاسبه مردگان عابر پیاده را حفظ می‌کند که انباشت خطای PDR را تا حد زیادی ضعیف می‌کند و قابلیت خاصی برای مقاومت در برابر خطای فاحش Wi-Fi دارد. با افزایش زمان همجوشی، نقاط منحرف شده به تدریج به جهت مسیر واقعی مسیر باز می گردند. اگرچه خطای موقعیت یابی اولیه تقریباً 4.2 متر است، اما دقت موقعیت یابی را می توان به تدریج با به روز رسانی موقعیت های Wi-Fi تا حدودی جبران کرد. با این حال، مشکل واگرایی موقعیت های نقطه هنوز در گوشه ها وجود دارد.
در طرح 4، مقدار ماتریس نویز Q به صورت پویا با توجه به ویژگی های حرکت عابر پیاده (مستقیم یا چرخشی) تنظیم می شود. شکل 12 مقدار ژیروسکوپ انباشته شده مربوط به هر مرحله از عابر پیاده را نشان می دهد، که در آن نقاط منفرد در سه جعبه مستطیل شکل نشان دهنده سه دوره چرخش واقعی کاربران موبایل هستند و چهار نقطه دیگر که با بیضی مشخص شده اند، “شبه چرخش” هستند. ” در مجموع هفت “روند چرخشی” در مسیرها وجود دارد که با یک دایره قرمز در شکل 13 مشخص شده اند .
Ijgi 05 00008 g012 1024
شکل 12. تجزیه و تحلیل مقدار ژیروسکوپ انباشته شده.
Ijgi 05 00008 g013 1024
شکل 13. تجزیه و تحلیل مقدار ژیروسکوپ انباشته شده.
نتایج تجربی نشان می دهد که سرعت همگرایی در پیچ ها در طرح 4 بیشتر از EKF کلاسیک است. با حفظ ثبات و توانایی قوی برای مقاومت در برابر خطای فاحش Wi-Fi و مزایای دیگر، طرح 4 همچنین واگرایی در گوشه ها را ضعیف می کند و دقت موقعیت یابی را بهبود می بخشد.
تجزیه و تحلیل دقیق خطای چهار طرح مختلف در شکل 14 و جدول 3 نشان می دهد که میانگین خطای موقعیت یابی AWEPDR کوچکترین است و 56.2٪، 37.5٪ و 85.9٪ از میانگین مقادیر خطای سه مدل دیگر را تشکیل می دهد. حداکثر میانگین خطای موقعیت یابی AWEPDR 26.8٪، 81.2٪ و 66.4٪ و حداقل خطای موقعیت یابی 55.8٪، 4.2٪ و 78.4٪ از سه مدل دیگر را شامل می شود.
Ijgi 05 00008 g014 1024
شکل 14. تجزیه و تحلیل خطا روش های مختلف موقعیت یابی داخلی.
جدول
جدول 3. تجزیه و تحلیل خطا روش های مختلف موقعیت یابی داخلی.
در نتیجه، نتیجه موقعیت یابی داخلی را می توان با ادغام فیلترینگ نویز تطبیقی ​​EKF از نتایج موقعیت یابی سیستم Wi-Fi و PDR در فاصله 2.5 متری کنترل کرد، که تقاضای ناوبری و موقعیت یابی عابر پیاده را برآورده می کند.

5. نتیجه گیری ها

پردازش خوشه‌بندی بر روی داده‌های اثر انگشت موقعیت‌یابی داخلی توسط الگوریتم APC انجام می‌شود تا حجم داده‌های پیمایش در موقعیت‌یابی کاهش یابد و دقت موقعیت‌یابی بهبود یابد. بر این اساس، روش محاسبه تعیین تطبیقی ​​نویز دینامیکی سیستم فیلتر برای انجام محاسبات فیوژن بر اساس حرکت عابر پیاده (مستقیم یا چرخشی) با توجه به مزایای مربوطه سیستم های موقعیت یابی Wi-Fi و PDR پیشنهاد شده است. نتایج تجربی نشان می‌دهد که الگوریتم فیوژن می‌تواند به طور موثر مشکلات ناپایداری مانند پرش و خوشه‌بندی موقعیت‌یابی Wi-Fi را حل کند، بر خطای موقعیت‌یابی و خطای تجمعی PDR ناشی از خطای موقعیت اولیه غلبه کند و در نتیجه قابلیت اطمینان و استحکام موقعیت‌یابی داخلی را بهبود بخشد. .

منابع

  1. محفوظ، محمدرضا; کوهن، ام جی; به، G. Fathy، AE ادغام UWB و نقشه فشار بی سیم در ناوبری جراحی. IEEE Trans. مایکرو. فناوری تئوری 2009 ، 57 ، 2550-2564. [ Google Scholar ] [ CrossRef ]
  2. گو، ی. لو، ا. Niemegeers, I. بررسی سیستم های موقعیت یابی داخلی برای شبکه های شخصی بی سیم. IEEE Commun. Surv. معلم خصوصی 2009 ، 11 ، 13-32. [ Google Scholar ] [ CrossRef ]
  3. هایتاور، جی. Borriello, G. سیستم های مکان برای محاسبات همه جا حاضر. کامپیوتر 2001 ، 34 ، 57-66. [ Google Scholar ] [ CrossRef ]
  4. لی، اف. ژائو، سی. دینگ، جی. گونگ، جی. لیو، سی. Zhao، F. یک روش قابل اطمینان و دقیق مکان یابی داخلی با استفاده از حسگرهای اینرسی تلفن. در مجموعه مقالات کنفرانس ACM 2012 در محاسبات همه جا حاضر، پیتسبورگ، PA، ایالات متحده آمریکا، 5-8 سپتامبر 2012. ص 421-430.
  5. پهلوان، ک. لی، ایکس. ماکلا، جی.-پی. علم و فناوری مکان یابی داخلی IEEE Commun. Mag. 2002 ، 40 ، 112-118. [ Google Scholar ] [ CrossRef ]
  6. خیمنز، ا. سکو، اف. پریتو، سی. گوارا، جی. مقایسه الگوریتم‌های محاسبه مرده عابر پیاده با استفاده از یک MEMS IMU کم‌هزینه. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2009 در مورد پردازش هوشمند سیگنال، بوداپست، مجارستان، 26-28 اوت 2009. صص 37-42.
  7. Mautz, R. چالش های محیط های داخلی و مشخصات در برخی از سیستم های موقعیت یابی جایگزین. در مجموعه مقالات ششمین کارگاه موقعیت یابی، ناوبری و ارتباطات، هانوفر، آلمان، 19 مارس 2009. صص 29-36.
  8. مارانو، اس. گیفورد، WM; وایمیرش، اچ. Win، MZ NLOS شناسایی و کاهش برای بومی سازی بر اساس داده های تجربی uwb. IEEE J. Sel. مناطق کمون. 2010 ، 28 ، 1026-1035. [ Google Scholar ] [ CrossRef ]
  9. Foxlin، E. ردیابی عابر پیاده با سنسورهای اینرسی نصب شده روی کفش. محاسبات IEEE. نمودار. Appl. 2005 ، 25 ، 38-46. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. کولومار، دی اس؛ نیلسون، جی. هندل، P. صاف کردن برای INSS با کمک Zupt. در مجموعه مقالات کنفرانس بین المللی 2012 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، سیدنی، NSW، استرالیا، 13 تا 15 نوامبر 2012. صص 1-5.
  11. جیمنز، آر. سکو، اف. پریتو، جی سی. گوارا، جی. ناوبری عابر پیاده در داخل ساختمان با استفاده از چارچوب INS/EKF برای کاهش رانش انحرافی و IMU روی پا. در مجموعه مقالات هفتمین کارگاه آموزشی جهت یابی موقعیت یابی و ارتباطات، درسدن، آلمان، 8 ژوئن 2010; صص 135-143.
  12. هارل، آر. بررسی سیستم های موقعیت یابی اینرسی داخلی برای عابران پیاده. IEEE Commun. Surv. معلم خصوصی 2013 ، 15 ، 1281-1293. [ Google Scholar ] [ CrossRef ]
  13. رویز، ARJ; Granja، FS; Prieto Honorato، JC; Rosas، JIG ناوبری دقیق عابر پیاده در داخل ساختمان با اتصال محکم اندازه‌گیری‌های IMU و RFID روی پا. IEEE Trans. ساز. Meas. 2012 ، 61 ، 178-189. [ Google Scholar ] [ CrossRef ]
  14. آدامز، دی. مقدمه ای بر ناوبری اینرسی. جی. ناویگ. 1956 ، 9 ، 249-259. [ Google Scholar ] [ CrossRef ]
  15. جیمنز، آر. زامپلا، اف. Seco، F. بهبود محاسبه مرده عابر پیاده با تشخیص لامپ های روشن نشده اصلاح نشده در ساختمان ها. Sensors 2014 , 14 , 731-769. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. ویدیاوان; پیرکلب، جی. Munarettoc، D.; فیشرد، سی. آنه، سی. لوکوویچب، پ. کلپالف، ام. تیم-گیلگ، آ. ویدمر، جی. پش، دی. و همکاران خط حیات مجازی: ادغام داده های حسگر چندوجهی برای ناوبری قوی در محیط های ناشناخته. اوباش فراگیر. محاسبه کنید. 2012 ، 8 ، 388-401. [ Google Scholar ] [ CrossRef ]
  17. لی، ی. ژانگ، ی. لان، اچ. ژانگ، پی. نیو، ایکس. El-Sheimy، N. تطبیق مغناطیسی به کمک وای فای برای ناوبری داخلی با دستگاه های قابل حمل مصرف کننده. Micromachines 2015 ، 6 ، 747-764. [ Google Scholar ] [ CrossRef ]
  18. ماسیرو، آ. گوارنیری، آ. پیروتی، اف. Vettore, A. فیلتر ذرات برای پیمایش عابر پیاده داخلی مبتنی بر تلفن هوشمند. Micromachines 2014 ، 5 ، 1012-1033. [ Google Scholar ] [ CrossRef ]
  19. جینامو، جی. کوربی، سی. فرانسینی، جی. لپسوی، اس. لوویسولو، پی. لینگوا، ا. Aicardi، I. راه حل جستجوی تصویری MPEG7 برای موقعیت یابی مبتنی بر تشخیص تصویر با استفاده از مدل های سه بعدی. در مجموعه مقالات بیست و هفتمین نشست فنی بین‌المللی بخش ماهواره مؤسسه ناوبری، تامپا، فلوریدا، ایالات متحده آمریکا، 8 تا 12 سپتامبر 2014.
  20. سعیدی، س. موسی، ع. El-Sheimy، N. ناوبری شخصی با آگاهی از زمینه با استفاده از ترکیب حسگر تعبیه شده در گوشی های هوشمند. Sensors 2014 , 14 , 5742-5767. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. لینگ، پی. چن، آر. لیو، جی. استفاده از توزیع‌های احتمال بلوتوث RSSI مبتنی بر پرسش برای موقعیت‌یابی داخلی. جی. گلوب. موقعیت. سیستم 2010 ، 9 ، 122-130. [ Google Scholar ]
  22. یوسف، MA; آگراوالا، ا. شانکار، AU; نه، SH یک سیستم تعیین مکان داخلی مبتنی بر خوشه‌بندی احتمالی. در دسترس آنلاین: http://www.cs.umd.edu/~moustafa/papers/locdet_tr.pdf (در 23 آوریل 2015 قابل دسترسی است).
  23. یوسف، م. Agrawala، A. دست زدن به همبستگی نمونه در سیستم Horus. در مجموعه مقالات بیست و سومین کنفرانس مشترک سالانه انجمن های کامپیوتر و ارتباطات IEEE، هنگ کنگ، چین، 7 تا 11 مارس 2004.
  24. یوسف، م. Agrawala، A. تعیین مکان از طریق خوشه بندی و توزیع احتمال. محاسبات فراگیر اشتراک. 2003 ، 8 ، 143-150. [ Google Scholar ]
  25. شین، بی. لی، جی اچ. لی، تی. الگوریتم Kim، HS پیشرفته K وزنی نزدیکترین همسایه برای سیستم های موقعیت یابی Wi-Fi داخلی. در مجموعه مقالات هشتمین کنفرانس بین المللی فناوری محاسبات و مدیریت اطلاعات (ICCM)، سئول، کره جنوبی، 24-26 آوریل 2012.
  26. Kuo، SP Cluster تکنیک‌ها را برای سیستم‌های محلی‌سازی تطبیق الگو افزایش می‌دهد. اوباش سنسور Ad-Hoc. 2007 ، 7 ، 1-9. [ Google Scholar ]
  27. باهل، ص. Padmanabhan، VN RADAR: یک سیستم مکان یابی و ردیابی کاربر مبتنی بر RF در ساختمان. در مجموعه مقالات نهمین کنفرانس مشترک سالانه انجمن های کامپیوتر و ارتباطات IEEE، تل آویو، اسرائیل، 26 تا 30 مارس 2000. صص 775-784.
  28. کلینگ بیل، ال. Wark, T. یک شبکه حسگر بی سیم برای مکان یابی داخلی و نظارت بر حرکت در زمان واقعی. در مجموعه مقالات هفتمین کنفرانس بین المللی پردازش اطلاعات در شبکه های حسگر، سنت لوئیس، MO، ایالات متحده آمریکا، 22-24 آوریل 2008; صص 39-50.
  29. فری، بی جی؛ Dueck، D. خوشه بندی با ارسال پیام بین نقاط داده. Science 2007 ، 315 ، 972-976. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. یو، اف. جیانگ، م. لیانگ، جی. محلی‌سازی وای‌فای داخلی بر اساس الگوریتم شاخه‌ای. در مجموعه مقالات کنفرانس بین المللی علوم اطلاعات، الکترونیک و مهندسی برق 2014 (ISEEE)، ساپورو، ژاپن، 26-28 آوریل 2014. ص 1306–1308.
  31. آهنگ، ال. هازیناکوس، دی. معماری چند لایه شبکه های حسگر بی سیم برای ردیابی هدف. IEEE/ACM Trans. شبکه 2007 ، 15 ، 145-158. [ Google Scholar ] [ CrossRef ]
  32. Cho, SY; سیستم ناوبری عابر پیاده مبتنی بر پارک، CG MEMS. جی. ناویگ. 2006 ، 6 ، 135-153. [ Google Scholar ] [ CrossRef ]
  33. کلپال، م. Beauregard، S. یک فیلتر ذرات عقب‌گرد برای ترکیب نقشه‌های ساختمان با تخمین‌های جابجایی PDR. در مجموعه مقالات پنجمین کارگاه آموزشی موقعیت یابی، ناوبری و ارتباطات، هانوفر، آلمان، 27 مارس 2008; ص 207-212.
  34. چن، جی. منگ، ایکس. وانگ، ی. ژانگ، ی. تیان، پی. یانگ، اچ. WiFi/PDR/تلفن هوشمند یکپارچه با استفاده از الگوریتم فیلتر کالمن بدون عطر برای محلی‌سازی سه‌بعدی فضای داخلی. Sensors 2015 , 15 , 24595–24614. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. چن، دبلیو. چن، آر. چن، ی. کوسنیمی، اچ. وانگ، جی. Fu، Z. یک الگوریتم محاسبه مرده عابر پیاده موثر با استفاده از یک مدل خطای عنوان یکپارچه. در مجموعه مقالات سمپوزیوم موقعیت مکانی و ناوبری IEEE/ION 2010 (PLANS)، ایندین ولز، کالیفرنیا، ایالات متحده آمریکا، 4 تا 6 مه 2010. صص 340-347.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370