Aumento de Precisión en Localización Indoor basado en Redes Neuronales

Agustín Gerez, Oscar Enrique Goñi, Lucas Leiva

Resumen


La tecnología WiFi es ampliamente utilizada por un gran número de dispositivos, incluyendo aquellos que componen sistemas de Internet de las Cosas (IoT) y de Inteligencia Artificial (IA). En ambos contextos, el problema de localización ha sido objeto de investigación durante mucho tiempo. En algunos casos, las señales de radio utilizadas para transmitir información son además aprovechadas para realizar estimaciones de posición. Sin embargo, este enfoque se encuentra afectado por la constante fluctuación de la señal. Es posible que al momento de realizar una estimación de posición de un componente emisor, éste se encuentre influenciado por los obstáculos, el multitrayecto y la reflexión de la señal. Sin embargo, su uso mejora cuando se realiza localización espacial considerando diferentes referencias. De esta manera, es posible trazar activos dentro de un ambiente indoor. En este trabajo se analiza la relación de los algoritmos de estimación de distancia utilizando RSSI y triangulación, y se propone una solución basada en Redes Neuronales que combina los resultados de tres algoritmos de estimación de distancia con el fin de aumentar la precisión.

Palabras clave


localización; triangulación; distancia; ANN

Texto completo:

PDF HTML

Referencias


C. Lago Gonzales, J. C. Sepulveda Peña, R. Barroso Abrea, F. Oscar Fernandez Peña, F. Macia Paz, J. Lorenzo, “Sistema para la generación automática de mapas de rendimiento. Aplicación en la agricultura de precisión”. Vol 29, n°1, pp 59-69. IDESIA, Chile Enero- Abril 2011.

F. Jimenez Moral,. “ShoppingBeacon: Sistema asistencial en superficies comerciales basado en posicionamiento en interiores”. Trabajo fin de grado. Universidad de Castilla-La mancha. Escuela Superior de Informática. Septiembre, 2015.

F. Dwiyasa, M.-H. Lim, "A survey of problems and approaches in ecuacfigurawireless-based indoor positioning", Proc. Int. Conf. Indoor Positioning Indoor Navigat., pp. 1-7, Oct. 2016.

L. Diaz, A. Tabernilla, F. Perez Costoya, “Sistema de Localización de Interiores”. Trabajo fin de carrera. Universidad politécnica de madrid. Facultad de informática.

Eva M. Garcia Polo. “Técnicas de Localización en Redes Inalámbricas de Sensores”. Instituto de informática de Albanecete. Departamento de Sistemas Informáticos. Universidad de Castilla-La Mancha.

Shahra, E. Q., Sheltami, T. R., & Shakshuki, E. M. (2020). A comparative study of range-free and range-based localization protocols for wireless sensor network: Using cooja simulator. In Sensor Technology: Concepts, Methodologies, Tools, and Applications ​ (pp. 1522-1537). IGI Global.

Xiao, J., Liu, Z., Yang, Y., Liu, D., & Han, X. (2011, June). Comparison and analysis of indoor wireless positioning techniques. In 2011 International conference on computer science and service system (CSSS) (pp. 293-296). IEEE.

Mekelleche, F., & Haffaf, H. Classification and comparison of ange-based localization techniques in wireless sensor networks. Journal of Communications, 12(4), 221-227, 2017.

A. Tahat, G. Kaddoum, S. Yousefi, S. Valaee, and F. Gagnon, "A look at the recent wireless positioning techniques with a focus on algorithms for moving receivers," IEEE Access, vol. 4, pp. 6652–6680, 2017.

N. H. Nguyen and K. Dogançay, "Optimal geometry analysis for multistatic TOA localization," IEEE Trans. Signal Process., vol. 64, no. 16, pp. 4180–4193, Aug. 2016.

G. Wang, A. M.-C. So, and Y. Li, "Robust convex approximation methods for TDOA-based localization under NLOS conditions," IEEE Trans. Signal Process., vol. 64, no. 13, pp. 3281–3296, Jul. 2016.

L. Liu and H. Liu, "Joint estimation of DOA and TDOA of multiple reflections in mobile communications," IEEE Access, vol. 4, pp. 3815–3823, 2016.

Q. Luo, Y. Peng, J. Li, and X. Peng, "RSSI-based localization through uncertain data mapping for wireless sensor networks," IEEE Sensors J., vol. 16, no. 9, pp. 3155–3162, May 2016.

Xiuyan Zhu, Yuan Feng. “RSSI-based Algorithm for Indoor Localization”. College of Information Science and Engineering, Ocean University of China, Qingdao, China.

Survankar Barai, Debajyoti Biswal y Buddhadeb Sau, “Estimate Distance Measurement using NodeMCU ESP8266 based on RSSI technique”. Departament on Mathematics, jadavpur University, Kolkata - 700032, India, pp 170-171.

I. Nasca, T. Cojocariu, Indoor Positioning System Using Wi-Fi Signal. Today Software Magazine 26. November 2015.

H. Chen, Y. Zhang, W. Li, X. Tao, and P. Zhang, “ConFi: Convolutional neural networks based indoor Wi-Fi localization using channel state information,” IEEE Access, vol. 5, pp. 18 066–18 074, Sep. 2017.

S.-H. Fang and T.-N. Lin, “Indoor location system based on discriminant-adaptive neural network in IEEE 802.11 environments,” IEEE Transactions on Neural Networks, pp. 1973–1978, Nov 2008.

X. Lu, H. Zou, H. Zhou, L. Xie, and G.-B. Huang, “Robust extreme learning machine with its application to indoor positioning,” IEEE Transaction on Cybernetics, vol. 46, no. 1, pp. 194–205, Jan. 2016.

H. Dai, W. hao Ying, and J. Xu, “Multi-layer neural network for received signal strength-based indoor localization,” IET Communications, vol. 10, pp. 717–723, Jan. 2016.




DOI: https://doi.org/10.37537/rev.elektron.4.2.114.2020

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia


Copyright (c) 2020 Agustín Gerez, Oscar Enrique Goñi, Lucas Leiva

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Revista elektron,  ISSN-L 2525-0159
Facultad de Ingeniería. Universidad de Buenos Aires 
Paseo Colón 850, 3er piso
C1063ACV - Buenos Aires - Argentina
revista.elektron@fi.uba.ar
+54 (11) 528-50889