(45-2) 15 * << * >> * Русский * English * Содержание * Все выпуски

Метод позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей
А.В. Астафьев 1, Д.В. Титов 2, А.Л. Жизняков 1, А.А. Демидов 1

1 Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет
имени Александра Григорьевича и Николая Григорьевича Столетовых», Муром, Россия,
2 ФГБОУ ВО «Юго-Западный государственный университет», Курск, Россия

 PDF, 1445 kB

DOI: 10.18287/2412-6179-CO-826

Страницы: 277-285.

Аннотация:
В работе рассматривается разработка метода позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей. Целью работы является разработка метода позиционирования средств малой механизации на промышленных предприятиях для построения систем безлюдного контроля движения изделий. Работа разделена на четыре основные части: синтез данных, фильтрация сигнала, выбор BLE-маяков, перевод значений уровней сигналов RSSI в расстояние и мультилатерация. Предложен упрощенный фильтр Калмана для фильтрации входного сигнала для подавления гаусовского шума. Приведено описание двух подходов к переводу уровня сигнала RSSI в расстояние: экспоненциальная функция аппроксимации с коэффициентом детерминации 0,6994 и искусственная нейронная сеть прямого распространения. Сравнение результатов работы этих подходов производилось на нескольких тестовых выборках: обучающей, тестовой на известном расстоянии (0 – 50 метров) и тестовой на неизвестном расстоянии (60 – 100 метров). В результате искусственная нейронная сеть показала лучший результат во всех экспериментах, кроме тестовой выборки на известном расстоянии (0 – 50 метров), уступив функции аппроксимации на 0,02 м2 среднеквадратичной ошибки, чем можно пренебречь. Предложен алгоритм позиционирования мобильного устройства на основе метода мультилатерации. Экспериментальные исследования разработанного метода показали, что ошибка позиционирования не превышает 0,9 метра в контролируемом помещении размером 5×5,5 метров. Точность позиционирования мобильного устройства с использованием предлагаемого метода в проведенном эксперименте выше на 40,9 %. Также проведены экспериментальные исследования в помещении 58,4×4,5 м, показавшие более точные результаты по сравнению с аналогичными исследованиями.

Ключевые слова:
позиционирование внутри помещений, Bluetooth Low Energy, фильтр Калмана, аппроксимация, искусственная нейронная сеть.

Благодарности
Работа выполнена при финансовой поддержке Министерства науки и высшего образования РФ (Госзадание ВлГУ ГБ-1187/20).

Цитирование:
Астафьев, А.В. Метод позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей / А.В. Астафьев, Д.В. Титов, А.Л. Жизняков, А.А. Демидов // Компьютерная оптика. – 2021. – Т. 45, № 2. – С. 277-285. – DOI: 10.18287/2412-6179-CO-826.

Citation:
Astafiev AV, Titov DV, Zhiznyakov AL, Demidov AA. A method for mobile device positioning using a sensor network of BLE beacons, approximation of the RSSI value and artificial neural networks. Computer Optics 2021; 45(2): 277-285. DOI: 10.18287/2412-6179-CO-826.

Литература:
  1. Orlov, A.A. Methods and algorithms of automated two-stage visual recognition of metal-rolling billets / A.A. Orlov, A.V. Provotorov, A.V. Astaf’ev // Automation and Remote Control. – 2016. – Vol. 77, Issue 6. – P. 1099-1105. – DOI: 10.1134/S000511791606014X.
  2. Smith, K. Beyond GSM-R: the future of railway radio [Electronical Resource] / K. Smith // International Railway Journal. – 2017. – URL: http://www.railjournal.com/index.php/ telecoms/beyond-gsm-r-the-future-of-railway-radio.html (request date 9.08.2018).
  3. Sneps-Sneppe, M. Digital railway and the transition from the GSM-R network to the LTE-R and 5G-R-whether it takes place? [Electronical Resource] / M. Sneps-Sneppe, [et al.] // International Journal of Open Information Technologies. – 2017. – Vol. 5, Issue 1. – P. 71-80. – URL: http://injoit.ru/index.php/j1/article/view/379 (request date 9.08.2018).
  4. Suleyman, N. Comparision of field measurement data with propagation models, and modification of COST 231-Hata and Cost 231-Walfisch-Ikegami propagation models for UMTS2100 mobile network in Ashgabat, Koshi / N. Suleyman. – In: Digitalization and industry 4.0: Economic and societal development / ed. by H.C. Brauweiler, V. Kurchenkov, S. Abilov, B. Zirkler. – Wiesbaden: Springer Gabler, 2020. – DOI: 10.1007/978-3-658-27110-7_6.
  5. Laassiri, F. Handover and QoS parameters a performance assessment on 3G based SDN / F. Laassiri, M. Moughit, N. Idboufker. – In: ICT for an inclusive world / ed. by Y. Baghdadi, A. Harfouche, M. Musso. – Cham: Springer, 2020. – DOI: 10.1007/978-3-030-34269-2_9.
  6. Kien, N.T. Displacement monitoring using GPS at an unstable steep slope and the performance of a new low-cost GPS sensor / N.T. Kien, S. Nakashima, N. Shimizu. – In: Geotechnics for sustainable infrastructure development / ed. by P. Duc Long, N. Dung. – Singapore: Springer, 2020.
  7. Nakashima, S. Accuracy enhancement of GPS displacements measured on a large steep slope and results of long-term continuous monitoring / S. Nakashima, Y. Furuyama, Y. Hayashi, T.K. Nguyen, N. Shimizu, S. Hirokawa // Journal of the Japan Landslide Society. – 2018. – Vol. 55, Issue 1. – P. 13-24.
  8. Mendonça, M. Assessment of a GNSS/INS/Wi-Fi tight-integration method using support vector machine and extended Kalman filter / M. Mendonça, M.C. Santos. – In: International association of geodesy symposia. – Berlin, Heidelberg: Springer, 2020. – P. 1-7. – DOI: 10.1007/1345_2020_120.
  9. He, K. A method to correct the raw Doppler observations for GNSS velocity determination / K. He, T. Xu, C. Förste, Z. Wang, Q. Zhao, Y. Wei. – In: International association of geodesy symposia. – Berlin, Heidelberg: Springer, 2020. – DOI: 10.1007/1345_2020_119.
  10. Vana, S. Enhancing navigation in difficult environments with low-cost, dual-frequency GNSS PPP and MEMS IMU / S. Vana, S. Bisnath. – In: International association of geodesy symposia. – Berlin, Heidelberg: Springer, 2020. – DOI: 10.1007/1345_2020_118.
  11. Ali, R. Deep reinforcement learning paradigm for dense wireless networks in smart cities / R. Ali, Y.B. Zikria, B.S. Kim, S.W. Kim. – In: Smart cities performability, cognition, & security. EAI/Springer innovations in communication and computing / ed. by F. Al-Turjman. – Cham: Springer, 2020. – DOI: 10.1007/978-3-030-14718-1_3.
  12. Ali, R. Channel observation-based scaled backoff mechanism for high-efficiency WLANs / R. Ali, N. Shahin, Y. Kim, B. Kim, S.W. Kim // Electronics Letters. – 2018. – Vol. 54, Issue 10. – P. 663-665.
  13. Sun, M. Application of bluetooth low energy beacons and fog computing for smarter environments in emerging economies / M. Sun, K.M. Kamoto, Q. Liu, X. Liu, L. Qi. – In: Cloud computing, smart grid and innovative frontiers in telecommunications / ed. by X. Zhang, G. Liu, M. Qiu, W. Xiang, T. Huang. – Cham: Springer, 2020. – P. 101-110. – DOI: 10.1007/978-3-030-48513-9_8.
  14. Nagarajan, B. Localization and indoor navigation for visually impaired using bluetooth low energy / B. Nagarajan, V. Shanmugam, V. Ananthanarayanan, S.P. Bagavathi. – In: Smart systems and IoT: Innovations in computing / ed. by A. Somani, R. Shekhawat, A. Mundra, S. Srivastava, V. Verma. – Singapore: Springer, 2020. – P. 249-259. – DOI: 10.1007/978-981-13-8406-6_25.
  15. Encyclopedia of GIS / ed. by S. Shekhar, H. Xiong, X. Zhou. – Cham: Springer, 2008.
  16. RF positioning: Fundamentals, applications and tools / R.S. Campos, L. Lovisolo. – Boston, London: Artech House, 2015.
  17. Kriz, P. Improving indoor localization using bluetooth low energy beacons / P. Kriz, F. Maly, T. Kozel // Mobile Information Systems. – 2016. – Vol. 2016. – 2083094. – DOI: 10.1155/2016/2083094.
  18. Zafari, F. A survey of indoor localization systems and technologies / F. Zafari, A. Gkelias, K.K. Leung // IEEE Communications Surveys and Tutorials. – 2019. – Vol. 21, Issue 3. – P. 2568-2599.
  19. Astafiev, A.V. Development of indoor positioning algorithm based on Bluetooth Low Energy beacons for building RTLS-systems / A.V. Astafiev, A.L. Zhiznyakov, D.G. Privezentsev // 2019 International Russian Automation Conference (RusAutoCon 2019). – 2019. – 8867751. – DOI: 10.1109/RUSAUTOCON.2019.8867751.
  20. Программа обнаружения радиомаяков на основе технологии Bluetooth Low Energy / Астафьев А.В., Демидов А.А., Привезенцев Д.Г., Шардин Т.О.; свидетельство о государственной регистрации программы для ЭВМ № 2019661059. Зарегистрирована 19.08.2019.
  21. Wen, L. Coordinate-based clustering method for indoor fingerprinting localization in dense cluttered environments / L. Wen, F. Xiao, D. Zhongliang // Sensors. – 2016. – Vol. 16, Issue 12. – 2055.
  22. Liu, W. A calibrated-RSSI/PDR/Map integrated system based on a novel particle filter for indoor navigation / W. Liu, J. Li, Z. Deng, X. Fu, Q. Cheng // 2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN). – 2019. – P. 1-8.
  23. Koo, B. PDR/fingerprinting fusion indoor location tracking using RSSI recovery and clustering / B. Koo, S. Lee, M. Lee, [et al.] // 2014 International Conference on Indoor Positioning and Indoor Navigation (IPIN). – 2014. – P. 699-704.
  24. Wang, J.J. A novel indoor ranging algorithm based on received signal strength and channel state information / J.J. Wang, J.G. Hwang, J.G. Park // 2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN). – 2019. – P. 32-39.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20