موقعیت ­یابی فینگرپرینت WiFi بروز شده با PDR

موقعیت ­یابی فینگرپرینت WiFi بروز شده با PDR برای موقعیت ­یابی داخلی تلفن همراه

ترجمه فارسی ۹ صفحه Word مقاله انگلیسی ۱۱ صفحه PDF

چکیده

توزیع گسترده­ی ارتباطات WiFiیافتن نقاط دسترسی WiFi را در محیط داخلی آسان می ­کند که می­ توان از این نقاط در موقعیت­ یابی فینگر پرینت WiFi استفاده کرد. اگرچه پژوهش­ های زیادی در این زمینه انجام شده است، اما موقعیت­ یابی واقعی براساس WiFi به دلیل تغییرات قدرت سیگنال دریافتی دقت موقعیت ­یابی را کاهش می­ دهد. برای افزایش این دقت PDR را بافینگر پرینت WiFi ادغام می­ کنیم. برای انتخاب نقاط مرجع نزدیک­تر به موقعیت واقعی، فاصله حرکت و جهت حرکت به دست آمده الگوریتم PDR را با الگوریتم نزدیک­ترین گره وزنی K (KWNN) ادغام می­ کنیم. برای نشان دادن نتایج، مقادیر RSS را از ۸ نقطه دسترسی WiFi جمع­ آوری کردیم تا پایگاه داده فینگرپرینت را بسازیم. نتایج شبیه ­سازی نشان داد، در مقایسه با الگوریتم KWNN معمولی، الگوریتم موقعیت­ یابی ۱۷% بهبود می­ یابد و خطای میانگین موقعیت­ یابی الگوریتم پیشنهادی m58/1 است، در حالیکه دقت m91/1 با الگوریتم KWNN  بدست آمد. وجود زیرساخت WiFi و امکان استفاده از پایگاه داده­ ی فینگر پرینت بدون تغییر از مزایای الگوریتم پیشنهادی است. همچنین استفاده از یک گوشی همراه استاندارد برای اجرای الگوریتم کافی است.

کلمات کلیدی: موقعیت یابی داخلی, فینگرپرینت WiFi, الگوریتم نزدیک­ترین گره وزنی, PDR

Wi-Fi Fingerprint Positioning Updated by Pedestrian Dead Reckoning for Mobile Phone Indoor Localization

Abstract:

The widespread deployment of Wi-Fi communication makes it easy to find Wi-Fi access points in the indoor environment, which enables us to use them for Wi-Fi fingerprint positioning. Although much research is devoted to this topic in the literature, the practical implementation of Wi-Fi based localization is hampered by the variations of the received signal strength (RSS) due to e.g. impediments in the channel, decreasing the positioning accuracy. In order to improve this accuracy, we integrate Pedestrian Dead Reckoning (PDR) with Wi-Fi fingerprinting: the movement distance and walking direction, obtained with the PDR algorithm, are combined with the K-Weighted Nearest Node (KWNN) algorithm to assist in selecting reference points (RPs) closer to the actual position. To illustrate and evaluate our algorithm, we collected the RSS values from 8 Wi-Fi access points inside a building to create a fingerprint database. Simulation results showed that, compared to the conventional KWNN algorithm, the positioning algorithm is improved with 17 %, corresponding to an average positioning error of 1.58 m for the proposed algorithm, while an accuracy of 1.91 m was obtained with the KWNN algorithm. The advantage of the proposed algorithm is that not only the existing Wi-Fi infrastructure and fingerprint database can be used without modification, but also that a standard mobile phone is sufficient to implement our algorithm.

Keywords: Indoor localization, WiFi fingerprint, K-Weighted nearest node algorithm,  Pedestrian dead reckoning algorithm

.

.

95,000 ریال – خرید

.

.

دیدگاهتان را بنویسید

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