بهبود موقعیت یابی داخلی با استفاده از نقشه های شبکه اشغال به طور خودکار از داده های داخلی OSM ایجاد می شود

چکیده

در سال های اخیر، به دلیل افزایش تعداد برنامه هایی که از داده های موقعیت استفاده می کنند، علاقه فزاینده ای به موقعیت یابی داخلی وجود دارد. رویکردهای فعلی برای تعیین مکان اشیاء در محیط های داخلی با مشکلاتی در مورد دقت داده های حسگر مورد استفاده برای موقعیت یابی مواجه هستند. یک راه حل برای جبران داده های حسگر نادرست و غیر قابل اعتماد، گنجاندن اطلاعات بیشتر در مورد اشیاء مورد نظر و محیط در الگوریتم موقعیت یابی است. برای این منظور، نقشه‌های شبکه اشغال (OGM) می‌توانند برای تصحیح چنین داده‌های پر سر و صدایی با مدل‌سازی احتمال اشغال اشیاء در یک مکان خاص در یک محیط خاص استفاده شوند. به این ترتیب، اندازه گیری های غیر محتمل حسگر را می توان اصلاح کرد.
دوره-آموزش-حرفه-ای-gis
با این حال، رویکردهای قبلی فقط بر روی تولید OGM برای محیط های بیرونی تمرکز کرده اند یا به مراحل دستی نیاز دارند. نیاز به تحقیقی برای بررسی تولید خودکار OGMها از داده‌های نقشه‌های داخلی دقیق وجود دارد. بنابراین، مطالعه ما یک الگوریتم برای تولید خودکار OGM با استفاده از داده‌های داخلی OpenStreetMap ارائه می‌دهد. پس از آن، ما یک الگوریتم برای بهبود نتایج موقعیت‌یابی با استفاده از داده‌های OGM ارائه می‌کنیم. در مطالعه خود، از داده های موقعیت یابی از یک سیستم فوق پهن باند (UWB) استفاده کردیم. آزمایش‌های ما با نه مجموعه داده‌های مختلف نقشه ساختمان نشان داد که روش پیشنهادی خروجی‌های OGM قابل اعتمادی را ارائه می‌دهد. علاوه بر این، با در نظر گرفتن یکی از این OGM های تولید شده به عنوان مثال، نشان دادیم که ادغام OGM ها در الگوریتم موقعیت یابی، دقت موقعیت یابی را افزایش می دهد.

کلید واژه ها:

نقشه های شبکه اشغال ; OpenStreetMap ; نقشه های داخلی ؛ موقعیت یابی داخلی ؛ فوق پهن باند

1. مقدمه

موقعیت یابی داخلی در سال های اخیر به دلیل استفاده از داده های موقعیت مکانی بسیار مورد توجه قرار گرفته است. با توجه به [ 1]، موقعیت یابی داخلی فرآیند تعیین موقعیت اشیا یا افراد در محیط های داخلی و فضای بسته در زمان واقعی است. سیستم‌های موقعیت‌یابی برای بومی‌سازی و ردیابی دارایی‌ها در ساختمان‌های تولیدی، برای هدایت افراد در محیط‌های داخلی یا برای تجزیه و تحلیل مسیر یک فرد در برنامه‌های مراقبت از سالمندان، به‌عنوان مثال استفاده می‌شوند. چنین سیستم‌هایی از انواع مختلفی از فناوری‌ها مانند حسگرهای اینرسی، نشانگرهای بصری، دوربین‌ها، سنسورهای زمان پرواز (ToF) یا فناوری‌های مبتنی بر WiFi استفاده می‌کنند. تمامی این تکنیک‌های محلی‌سازی دارای معایب متفاوتی در محیط‌های داخلی هستند که منجر به نتایج محلی‌سازی نادرست می‌شود. یک بررسی جامع از فناوری‌های مختلف و ویژگی‌های آنها توسط [ 2]. به عنوان مثال، سیگنال‌های WiFi می‌توانند توسط اجسام فلزی تداخل داشته باشند، رویکردهای مبتنی بر ToF نیاز به یک خط دید دارند و داده‌های حسگر اینرسی مستعد تجمع خطا هستند. حتی فناوری هایی مانند سیستم های باند فوق العاده با دقت تئوری قابل دستیابی 10 سانتی متر نیز می توانند تحت تأثیر محیط قرار گیرند، به طوری که خطای موقعیت یابی به مقادیر تا 3 متر می رسد. در نتیجه، داده‌های حسگر به‌دست‌آمده می‌توانند نادرست و غیرقابل اعتماد باشند، که منجر به محلی‌سازی نامعتبر می‌شود، مانند افرادی که در یک دیوار شناسایی می‌شوند.
به منظور جبران خطاهای محلی سازی، لازم است اطلاعات بیشتری در مورد شی مورد نظر و محیط در الگوریتم موقعیت یابی گنجانده شود. یکی از امکان‌های بهبود دقت محلی‌سازی، ادغام داده‌های نقشه داخلی است: ساختار معین ساختمان‌ها با ابعاد فضایی خاص آن، مانند راهروها، راه‌پله‌ها و درها، امکان حذف موقعیت‌های نامعتبر را فراهم می‌کند. این اصل در انواع انتشارات ارائه شده است (به عنوان مثال، [ 3 ، 4 ، 5 ، 6])، که در آن داده‌های حسگر از حسگرهای نوری (دوربین‌ها) یا حسگرهای رادیویی (بلوتوث کم انرژی یا WiFi) با داده‌های نقشه داخلی تطبیق داده می‌شوند تا از حالت‌های غیرقابل قبول و بهبود نتایج موقعیت‌یابی جلوگیری شود. علاوه بر این، با در نظر گرفتن ساختار محیط های داخلی، می توان هر دو وقوع اشیاء محتمل و غیر محتمل را تعریف کرد. شخصی که از یک ساختمان عبور می کند احتمالاً مستقیماً نزدیک دیوار راه نمی رود و قطعاً از دیوار عبور نخواهد کرد. یک موقعیت نادرست در یک دیوار می تواند در موقعیت معتبر در کنار دیوار تنظیم شود. مثال توصیف شده در شکل 1 نشان داده شده است. فناوری‌های موقعیت‌یابی موجود بیشتر و همچنین روش‌هایی که چنین اصلاحات موقعیتی را اجرا می‌کنند در بخش 2 توضیح داده شده‌اند .
احتمال وقوع یک شی خاص در یک ساختمان را می توان با استفاده از نقشه های به اصطلاح شبکه اشغال (OGM) مدل کرد، که نشان دهنده احتمال اشغال یک شی در پلان طبقه یک ساختمان است. یک OGM توسط یک ماتریس سلولی مدل‌سازی می‌شود، در حالی که هر سلول یک منطقه مربعی از محیط داخلی است که احتمال اشغال شدن را در خود نگه می‌دارد. از این رو، تولید OGM به پلان های طبقه و در نتیجه داده های داخلی ساختمان ها نیاز دارد. از آنجایی که داده‌های داخلی در مورد ساختمان یا عموماً در دسترس نبوده یا فقط در قالب‌های طراحی به کمک رایانه (CAD) ارائه می‌شوند، استانداردهای جایگزین برای نقشه‌برداری داخلی ایجاد شده‌اند: کنسرسیوم فضایی باز (OGC) CityGML [ 7 ]، OGC IndoorGML [ 8 ] ]، مدل سازی اطلاعات ساختمان (BIM) [ 9]، و OpenStreetMap (OSM) با طرح نقشه برداری Simple Indoor Tagging (SIT) [ 10 ]. مروری بر این استانداردها در [ 11 ] ارائه شده است. با در حال حاضر بیش از 70000 اتاق داخلی نقشه برداری شده و آزادانه در دسترس [ 12 ، 13 ]، OSM یک منبع داده بسیار گسترده برای تحقیق است. گستره قابل مقایسه ای از داده های داخلی بر اساس سایر استانداردها در دسترس نویسندگان نیست. این توزیع گسترده داده های داخلی و در دسترس بودن رایگان ابزارهای ویرایش نقشه نشان می دهد که OSM یک استاندارد و پایگاه داده ایده آل برای تولید OGM است، به طوری که می توان آن را برای تعداد زیادی از ساختمان ها اعمال کرد.
تا به امروز، توجه کمی به دخالت داده های داخلی OSM در تولید OGM شده است. علاوه بر این، استفاده از OGM های تولید شده از چنین داده هایی برای بهبود موقعیت یابی تاکنون مورد بررسی قرار نگرفته است. بنابراین این مقاله داده های نقشه داخلی OSM را به عنوان منبع داده برای تولید OGM ها بررسی می کند و روشی را برای ایجاد چنین OGM ها به عنوان ورودی برای الگوریتم های موقعیت یابی داخلی معرفی می کند. پس از آن، ما یک الگوریتم برای بهبود نتایج موقعیت‌یابی با استفاده از داده‌های OGM پیشنهاد می‌کنیم. در مطالعه خود، از داده های موقعیت یابی از یک رویکرد باند فوق العاده (UWB) استفاده کردیم. نتایج ما نشان می‌دهد که روش پیشنهادی خطای موقعیت‌یابی را کاهش می‌دهد.
این مقاله نسخه توسعه یافته مقاله ارائه شده در کنفرانس نظریه، کاربردها و مدیریت سیستم های اطلاعات جغرافیایی (GISTAM) 2020 [ 14 ] است و ساختار آن به شرح زیر است: بخش 2 روش های پیشرفته ای را برای موقعیت یابی نیز ارائه می کند. در مورد تولید OGM و شکاف تحقیقاتی را مشخص می کند. پس از آن، بخش 3 روش خودکار پیشنهادی را برای تولید OGM از داده‌های داخلی OSM با نشان دادن نمای کلی مفهوم سیستم و متعاقباً توصیف تحقق ماژول‌های سیستم معرفی می‌کند. علاوه بر این، این بخش نحوه استفاده از OGM های تولید شده را برای بهبود موقعیت یابی توضیح می دهد. نتایج به‌دست‌آمده برای تولید و موقعیت‌یابی OGM ارائه و مورد بحث قرار می‌گیردبخش 4 . در نهایت، بخش 5 مقاله را به پایان می‌رساند و چشم‌اندازی از کار آینده ارائه می‌دهد.

2. کارهای مرتبط

این بخش کار موجود در مورد موقعیت‌یابی و تولید OGM را ارائه می‌کند و شکاف تحقیقاتی را که مطالعه حاضر قصد دارد از بین ببرد، تشریح می‌کند.

2.1. تثبیت موقعیت

این بخش فناوری های موقعیت یابی را معرفی می کند و سیستم موقعیت یابی به کار گرفته شده را با جزئیات بیشتری توضیح می دهد. اول از همه، جدول 1 یک نمای کلی در مورد پیشرفته ترین فناوری های موقعیت یابی با ویژگی های مربوطه و کاربرد آنها برای تلفن های هوشمند مدرن مبتنی بر Android یا iOS ارائه می دهد. در نهایت، جدول مزیت های باند فوق العاده را نشان می دهد. متعاقباً، اصول کار سیستم‌های UWB موجود در نظر گرفته می‌شود و اصل سیستم مبتنی بر UWB که برای این مطالعه توسعه داده شده است، با جزئیات بیشتری توضیح داده می‌شود.
هنگامی که مزایا و معایب فناوری های ارائه شده را در نظر می گیریم، ما باند فوق عریض (UWB) را به عنوان یک راه حل موقعیت یابی مناسب برای جابجایی در برنامه ناوبری خود انتخاب کرده ایم: UWB در مقایسه با سایرین، دقت بسیار بالا و محدوده عملیاتی بالا را با یکپارچگی نسبتا کم ارائه می دهد. و هزینه های نگهداری علاوه بر این، در حال حاضر این فناوری در تعداد فزاینده ای از گوشی های هوشمند ادغام شده است.
اصول UWB مختلفی در سیستم های تجاری موجود وجود دارد. در اصل، آنها بر دو اصل اصلی تکیه می‌کنند: برد دو طرفه (TWR) یا تفاوت زمان رسیدن (TDoA) [ 32]. TWR موقعیت یک دستگاه تلفن همراه را با تعیین فواصل بین دستگاهی که قرار است قرار بگیرد و هر گره زیرساخت محاسبه می کند. بنابراین، هر فاصله با استفاده از زمان رفت و برگشتی که یک پیام رادیویی باید بین دستگاه تلفن همراه و گره زیرساخت رد و بدل شود اندازه گیری می شود. با توجه به ترافیک بالای پیام، این روش تعداد شرکت‌کنندگانی را که می‌توان به طور همزمان در آن قرار داد، محدود می‌کند. TDoA با مشکل یکسان شرکت‌کنندگان محدود مواجه است: هر دستگاهی که قرار است قرار گیرد پیام‌هایی را به تمام گره‌های زیرساخت در محدوده می‌فرستد. سپس هر زمان انتشار سیگنال به رایانه مرکزی ارسال می شود که موقعیت دستگاه را محاسبه می کند و این موقعیت را به دستگاه تلفن همراه باز می گرداند. زمان‌های انتقال انباشته مورد نیاز برای همه پیام‌ها منجر به ترافیک بالایی می‌شود و در نتیجه تعداد شرکت‌کنندگان را نیز محدود می‌کند. علاوه بر این،
در مقابل این دو روش، رویکرد UWB مورد استفاده در این مطالعه، که Reverse TDoA نامیده می‌شود، به حفظ حریم خصوصی از طریق طراحی و همچنین تعداد نامحدودی از شرکت‌کنندگان اجازه می‌دهد. اصل این رویکرد UWB به طور خلاصه در زیر توضیح داده می شود: حریم خصوصی با طراحی و تعداد نامحدود شرکت کنندگان با یک حالت انتقال خالص گره های زیرساخت و یک حالت دریافت خالص دستگاه های تلفن همراه به دست می آید که به آنها برچسب UWB نیز می گویند. علاوه بر این و بر خلاف روش های توضیح داده شده قبلی، زیرساخت در حال حاضر هماهنگ شده است. در نتیجه، زمان انتشار سیگنال ارسال شده توسط زیرساخت بر روی دستگاه های تلفن همراه برای محاسبه موقعیت دستگاه ارزیابی می شود. این اصل در شکل 2 نشان داده شده است.
حتی اگر داده های خام ارائه شده توسط سیستم UWB به کار گرفته شده در مقایسه با سایر تکنیک های محلی سازی ذکر شده در جدول 1 بسیار دقیق هستند ، OGM ها می توانند این دقت را حتی بیشتر افزایش دهند که در قسمت نتایج بعدا نشان داده خواهد شد.

2.2. نقشه های شبکه اشغال

نقشه‌برداری شبکه اشغال در ابتدا توسط Moravec و Elfes در سال 1985 معرفی شد [ 33 ]. در اصل، این روش نقشه برداری برای سونارهای پر سر و صدا توسعه داده شد و “نقشه برداری با پوزهای شناخته شده” نام داشت. در ادبیات، به‌ویژه در زمینه رباتیک احتمالی، نقشه‌برداری شبکه اشغال اغلب به فرآیند تولید نقشه‌ها از داده‌های حسگر پر سر و صدا و نامشخص گفته می‌شود در حالی که موقعیت ربات با حسگرهای متصل مانند دوربین‌ها، اسکنرهای برد لیزری و LIDAR است. شناخته شده [ 34 ، 35 ، 36 ]. در این مسئله نقشه برداری، هدف ساختن یک نقشه اشغال محیط است که در آن رخداد موانع ذخیره می شود.
برای موقعیت‌یابی/محلی‌سازی، مشکل مخالف باید حل شود: بر اساس یک نقشه موجود، موقعیت اجسام باید استخراج شود، همچنین در حضور داده‌های حسگر نویزدار. در مورد ما، نقشه موجود یک نقشه داخلی OSM است که ابتدا باید در یک نقشه شبکه اشغال تبدیل شود. در این زمینه، تولید OGM تبدیل یک پلان طبقه به سلول های گسسته مستقل است. هر سلول متغیری را ذخیره می کند که درجه اشغال خود را تخمین می زند. متغیر می تواند باینری یا پیوسته باشد و بیان کند که سلول اشغال شده است یا نه یا درجه اشغال را نشان می دهد، یعنی احتمال اشغال شی را که باید محلی سازی شود.
ادبیات موجود بینشی در مورد چگونگی انتقال نقشه های OSM به OGM و پس از آن برای اهداف محلی سازی می دهد.
کوردج و همکاران در انتشارات خود. یک سیستم محلی سازی برای وسایل نقلیه هوشمند ارائه می کند که از داده های نقشه فضای باز OSM به عنوان اطلاعات قبلی استفاده می کند [ 37 ، 38 ]. این سیستم ها OGM ها را بر اساس اطلاعات جاده و ساختمان OSM تولید می کند و داده های حسگرهای حسگرهای نوری را با این OGM ها مطابقت می دهد.
هررا و همکاران اولین کسانی هستند که OGM ها را از نقشه های داخلی OSM تولید می کنند [ 39 ، 40 ]. الگوریتم آنها OGM ها را از یک شبکه گراف تعریف شده دستی که داده های نقشه داخلی را پوشش می دهد، استخراج می کند. این نمودار شامل گره هایی است که با مطالعات تجربی تعریف شده اند و موقعیت های احتمالی داخل ساختمان را نشان می دهند. با این حال، این گره ها باید به صورت دستی به نمودار اضافه شوند.
نایک و همکاران داده های داخلی مبتنی بر OSM را برای ناوبری ربات پیشنهاد کرد و یک OGM بدوی برای این منظور تولید کرد [ 41 ]. این روش تولید تنها شامل مجموعه محدودی از اشیاء، یعنی اطلاعات در مورد اتاق ها و راهروها است. علاوه بر این، OGM تنها بین دو حالت اشغال تمایز قائل می شود.
به طور خلاصه، کار مرتبط ارائه شده یا بر داده های OSM در فضای باز متمرکز است یا فاقد اتوماسیون کامل نسل OGM است و تنها بخش کوچکی از ویژگی های ساختمان را پوشش می دهد. بنابراین، ما یک روش برای تولید بسیار خودکار OGM بر اساس نقشه‌های داخلی OSM پیشنهاد می‌کنیم که تا حد ممکن اطلاعاتی را در مورد فضای داخلی ساختمان در بر می‌گیرد.
دوره-آموزش-حرفه-ای-gis

3. روش شناسی

این بخش ابتدا یک نمای کلی در مورد الگوریتم با مراحل تکی آن ارائه می دهد و تحقق هر مرحله و همچنین داده های ورودی و خروجی را با جزئیات توضیح می دهد. در مرحله دوم، روش پیشنهادی برای بهبود موقعیت داخلی با استفاده از OGM ارائه شده است.

3.1. تولید خودکار OGM

الگوریتم پیشنهادی ما برای تولید OGM به سه مرحله تقسیم می‌شود: تبدیل مختصات، مرتب‌سازی داده‌ها و ارائه OGM، همانطور که در شکل 3 مشاهده می‌شود . داده های OSM استفاده شده در این نشریه توسط نویسندگان بر اساس طرح برچسب گذاری داخلی ساده (SIT) [ 10 ] ترسیم شده است و به دلیل داده های حساس در داخل ساختمان تحت قانون حفاظت از داده ها برای عموم قابل دسترسی نیست.
در مرحله اول، داده های نقشه ورودی OSM، که در قالب سیستم جهانی ژئودتیک 1984 (WGS-84) نشان داده شده اند، باید به مختصات OGM تبدیل شوند. بنابراین، مختصات داده‌های نقشه داخلی ابتدا به یک نمایش متریک و به یک سیستم مختصات محلی (LCS) تبدیل شد که همراه با مبدا و جهت آن، بسته به کاربرد موقعیت‌یابی خاص که از OGMها استفاده می‌کرد، باید تعریف می‌شد. این تبدیل برای نمایش همه اشیا، یعنی هم اشیاء از نقشه OSM و هم اشیایی که قرار است در یک سیستم مختصات محلی و متریک قرار گیرند، ضروری بود. تبدیل داده‌های داخلی به فرمت متریک محلی مزیت سازگاری را برای دستگاه‌های دیگر به ارمغان آورد. سایر دستگاه‌ها ممکن است ربات‌های صنعتی باشند که با یک سیستم مختصات متریک محلی یا دستگاه‌هایی که یک نقشه شبکه را پردازش می‌کنند کار می‌کنند. پس از آن، یک تبدیل از LCS متریک در مختصات OGM بر اساس وضوح OGM به صورت دستی تعریف شده اعمال شد. بنابراین، مختصات OGM نشان دهنده شاخص های سلولی OGM است.
در طول مرتب‌سازی داده‌های نقشه، تمام اشیاء نقشه داخلی به یک سطح اولویت خاص که مربوط به یک لایه در فرآیند رندر است، اختصاص داده شد، جایی که OGM لایه به لایه با یک ترتیب ثابت رندر شد. این تخصیص بر اساس تگ های OSM هر شیء جغرافیایی بود. برای رندر OGM، ترتیب خاصی را در یک جدول جستجو برای دستیابی به خروجی های OGM معقول تعریف کردیم. این امر ضروری بود، زیرا ممکن است اشیاء جغرافیایی در مجموعه داده‌های OSM همپوشانی داشته باشند. به عنوان مثال، نواحی اتاق و دیوارهای آن توسط دو شی جغرافیایی مجزا توصیف شد، در حالی که منطقه نقشه‌برداری شده اتاق ممکن است با دیوارهای نقشه‌برداری شده آن همپوشانی داشته باشد. در این مرحله، طرح نقشه برداری OSM دیوارها را به عنوان لایه دوم بر روی مناطق اتاق در نظر گرفت، به طوری که مرزهای دیوار نقشه برداری شده، دیوارهای فیزیکی دنیای واقعی را در بالای مناطق زیرین اتاق تعریف می کند. اکنون خروجی رندر نمونه ای از داده های مرتب نشده را در نظر بگیرید: رندر کردن دیوارهای یک اتاق قبل از رندر کردن مساحت آن منجر به از دست رفتن اطلاعات موقعیت دیوار به دلیل “رندر بیش از حد” دیوارها توسط منطقه اتاق می شود. این مثال لزوم مرتب‌سازی معقول داده‌ها را مطابق با طرح‌های نقشه‌برداری OSM نشان می‌دهد. در کنار ترتیب زمانی اشیاء رندر شدند، لایه احتمال اشغال اشیاء در آن سطح را مشخص کرد و شکلی که شی با آن رندر شده بود.
در نهایت، OGM با رندر کردن اشیاء نقشه که به لایه‌های خاص با احتمالات آنها تخصیص داده شده بودند ساخته شد.

3.1.1. داده های ورودی

این الگوریتم به سه مجموعه اطلاعات ورودی نیاز داشت: داده‌های نقشه داخلی OSM، مبدا سیستم مختصات محلی و وضوح نقشه شبکه مورد نظر. داده‌های نقشه داخلی OSM در یک فایل زبان نشانه‌گذاری توسعه‌یافته (XML) از جمله اشیاء جغرافیایی داخلی، مانند اتاق‌ها، دیوارها، درها و راهروها ذخیره می‌شوند که با مجموعه‌ای از گره‌ها با مختصات طول و عرض جغرافیایی و همچنین برچسب‌های OSM، که مشخص می‌شود. معنای هر شی را شرح داد.
دومین اطلاعات مورد نیاز موقعیت و جهت LCS بود. این موقعیت شامل مختصات WGS-84 (طول و عرض جغرافیایی) بود و جهت با زاویه چرخش بین مختصات سیستم مختصات WGS-84 و مختصات LCS تعیین شد. منشا LCS و همچنین زاویه چرخش را می توان با استفاده از JOSM (Java-OpenStreetMap) -Editor [ 42 ] با قابلیت های اندازه گیری ارائه شده توسط پلاگین ها [ 43 ] تنظیم کرد.
رزولوشن های نقشه شبکه سومین داده ورودی این الگوریتم بودند و بر حسب سلول های شبکه در هر متر مشخص شدند. در مقاله ما سلول های شبکه به عنوان پیکسل مشخص شده اند و بنابراین وضوح بر حسب پیکسل در متر (px/m) نشان داده می شود. این وضوح برای تبدیل موقعیت‌های شیء جغرافیایی به سیستم مختصات OGM، که از پیکسل‌ها به عنوان واحد استفاده می‌کرد، استفاده شد.
داده های ورودی توصیف شده در ابتدای راه اندازی الگوریتم تجزیه و در یک ساختار داده داخلی برای پردازش بیشتر در مراحل محاسباتی زیر ذخیره شدند.

3.1.2. مرحله 1: تغییر سیستم مختصات

از آنجایی که سیستم های موقعیت یابی داخلی از چندین مؤلفه سیستم با سیستم مختصات واحد خود تشکیل شده اند، لازم است که همه اجزای مختلف از یک سیستم مختصات محلی در برنامه کلی موقعیت یابی داخلی استفاده کنند. چنین اجزایی می توانند انواع مختلفی از حسگرها، ربات ها یا الگوریتم هایی باشند که داده های موقعیت یابی را بیشتر پردازش می کنند.
برای تولید OGM، داده‌های ورودی باید به مختصات OGM تبدیل می‌شد، که سپس ابعاد متریک اولیه یک محیط داخلی را در مختصات پیکسل OGM نشان می‌داد، همانطور که قبلاً در شکل 3 نشان داده شده است.

با استفاده از یک کتابخانه جغرافیایی [ 44 ، 45 ]، مختصات نقشه داخلی از فرمت WGS-84 به یک سیستم مختصات محلی متریک با حل مسئله معکوس ژئودزیکی (IGP)، که کوتاه‌ترین مسیر را بین دو نقطه روی سطح تعیین می‌کند، منتقل شدند. از زمین. الگوریتم 1 زیر جریان داده را با جزئیات ارائه می کند:

الگوریتم 1: الگوریتم محاسبه فواصل متریک محلی ( Δایکس�و Δ��) بین هر مختصات داخلی و مبدا LCS.
Ijgi 10 00216 i001
بنابراین، نتایج مولفه‌های فاصله متریک روی قوس طول و عرض جغرافیایی بود Δایکس�و Δ��بین مبدا LCS و همچنین یک گره از یک شی جغرافیایی در موقعیت ایکس�1،��1. پس از آن زاویه چرخش �از LCS برای در نهایت تبدیل استفاده شد Δایکس�و Δ��به مختصات x و y محلی . شکل 4 این تبدیل سیستم مختصات را به تصویر می کشد.
در نهایت، داده های نقشه در مختصات LCS به مختصات OGM تبدیل شدند. این امر با تعریف دستی وضوح OGM بر حسب پیکسل بر متر (px/m) و پس از ضرب کردن هر مختصات LCS در این مقدار وضوح برای بدست آوردن مختصات OGM گرد در پیکسل (px) به دست آمد. انتخاب رزولوشن به دقت سیستم موقعیت یابی بستگی دارد که نتایج آن باید بهبود یابد. به عنوان مثال، یک سیستم UWB با دقت 1 سانتی متر می تواند از OGM با وضوح تصویر استفاده کند. 1px/0.01متر=100px/متر.

3.1.3. مرحله 2: مرتب سازی داده های نقشه

همانطور که قبلاً در بخش 3.1 توضیح داده شد ، یک مجموعه داده نقشه مرتب برای تولید یک OGM با روش رندر لایه ای که شامل رندر بیش از حد نیز می شود، ضروری است. اگرچه، به دلیل ساختار تعریف داده‌های OSM، اشیاء جغرافیایی در داده‌های نقشه داخلی مرتب نشده‌اند و ممکن است همپوشانی داشته باشند. بنابراین، یک جدول جستجو که برچسب های مربوط به اشیاء جغرافیایی را به یک لایه رندر خاص اختصاص می دهد ایجاد شد. این جدول جستجو در شکل 5 نشان داده شده است .
اولین لایه رندر (L1) اشیاء جغرافیایی داخلی داخلی را با کمترین محدودیت برای اشیاء قابل موقعیت مانند اتاق ها، راهروها، پله ها، راه پله ها یا آسانسورها نگهداری می کرد. از این نظر، کمترین محدودیت ها به بالاترین احتمال برای یک موقعیت داخلی معتبر اشاره دارد. لایه دوم (L2) شامل انواع دیوارها بود که به طور قطع آزادی حرکت اجسام قابل موقعیت را محدود می کرد. بازشوها، مانند درها و ورودی ها، به طور جداگانه در نظر گرفته شدند تا به عنوان لایه سوم (L3) در بالای دیوارها قرار گیرند و امکان بازنویسی محدودیت های تعیین شده توسط دیوارها را فراهم کنند.

3.1.4. مرحله 3: رندر OGM

به عنوان آخرین مرحله از تولید OGM، رندر انجام شد. بنابراین، هر طبقه از یک ساختمان با هندسه خاص خود منجر به یک OGM جداگانه می شود. در نتیجه، یک بوم برای هر طبقه ایجاد شد و ابعاد این بوم‌ها با کمترین و بالاترین مختصات OGM هر طبقه که مرزهای بوم را مشخص می‌کردند، مشخص شد.
خود رندر مقادیر مقیاس خاکستری 8 بیتی را مدیریت می کرد که احتمالات موقعیت یابی را در محدوده ای از 0%(0.0)به 100%(1.0)با وضوح تقریبی 0.4%. هنگام رندر کردن قسمت های داخلی لایه L1، به عنوان مثال، اتاق ها، راهروها یا پله ها، این مناطق با مقیاس خاکستری 0.75 پر می شوند همانطور که در شکل 6 ب نشان داده شده است. استفاده از مقدار احتمال 75 درصد به جای 100 درصد به آن اجازه می دهد تا متعاقباً مسیرهای محبوب با احتمالات بالاتر را اضافه کند، بنابراین نقشه شبکه می تواند در صورت شناسایی چنین مسیرهایی که اغلب استفاده می شود، در گذشته بهینه شود.
این مرحله با رندر کردن یک لوله گرادیان در مجاورت مرزهای داخلی ناحیه حاصل از لایه L1 دنبال شد، شکل 6 ج را ببینید. با استفاده از این رفتار گرادیان، احتمال کمتری از موقعیت ها در مرزهای مناطق داخلی مدل شد. از این رو، احتمال اشغال به سمت دیوارها به شکل یک دایره صاف در مورد ما کاهش یافت، در حالی که مقدار خاکستری که دایره با آن پر شده بود به صورت خطی با افزایش شعاع کاهش یافت. اشکال دیگر، مانند توزیع های نرمال، نیز معقول بودند. ابعاد شکل نسبت به اندازه فضای داخلی بود.
در مرحله بعد، دیوارهای لایه L2 در بالای ناحیه L1 رندر شدند. دیوارها نیز به عنوان مناطق مدل‌سازی شدند و با احتمال موقعیت‌یابی پر می‌شوند 0.0، که تضمین می کرد که این منطقه برای اشیاء و افراد قابل موقعیت غیرقابل دسترسی است. این مرحله رندر در شکل 6 d نمایش داده شده است.
همانطور که در شکل 6 e نشان داده شده است، لایه L3 شامل بازشوها و رفتار احتمالی آنها در ناحیه اطراف آنها است. دهانه ها در بالای لایه های قبلی ارائه شده اند و احتمال موقعیت یابی 0.75 را نشان می دهند. تجارب تجربی نشان داده است که افراد به شکلی شبیه به قیف وارد یا خارج می شوند. در مورد دهانه هایی که از هر دو جهت قابل دسترسی بودند، از دو قیف برای رندر استفاده می شد، به طوری که شکل به دست آمده شبیه به شکل ساعت شنی می شد. قیف ها عمود بر دیوار اطراف دهانه مربوطه قرار گرفتند.
در نهایت، اعمال الگوریتم کامل به داده‌های داخلی OSM یک ساختمان خاص، یک OGM برای هر سطح از این ساختمان ارائه می‌کند که داده‌های خروجی الگوریتم تولید OGM بود.

3.2. بهبود موقعیت

3.2.1. روش

روش بهبود موقعیت با استفاده از مثال ساختمان دانشگاه شرح داده شده است. شکل 7 روش را به تصویر می کشد: برای به دست آوردن اطلاعات موقعیت یابی دقیق تر و حذف موقعیت های غیرقابل قبول (به عنوان مثال، موقعیت های درون دیوار)، حاصل ضرب هادامارد H را محاسبه کردیم ، یعنی ضرب عنصری یک ماسک گاوسی G (شکل و اندازه عبارتند از در زیر در بخش 3.2.2 توضیح داده شده است �جیمتولید شده از ساختمان این �جیمبه عنوان مشخص شد OGMدر معادله زیر

اچ=جی∘OGM
برای محاسبه H برای یک اندازه گیری خاص، نقطه مرکزی G ws با موقعیت اندازه گیری شده تراز شد. سپس H با توجه به رابطه ( 1 ) محاسبه شد. در مرحله بعدی، موقعیت اصلاح شده در �جیممختصات پیکسل با استخراج موقعیت حداکثر در H به دست آمد . این مرحله در شکل 8 نشان داده شده است. موقعیت نهایی در مختصات متریک با استفاده از وضوح به دست آمد که در مثال ما 0.01 متر بر پیکسل در هر دو جهت x و y بود.
3.2.2. پارامترهای ماسک گاوسی
ماسک گاوسی به اندازه ای ساخته شده است 6متر×6مترو انحراف استاندارد 1.5 متر. این پارامترها دقت سیستم موقعیت یابی UWB را که تحت تأثیر شرایط به اصطلاح سخت غیرخط دید (NLOS) و خطاهای اضافی در نزدیکی مناطق مرزی منطقه موقعیت یابی تعریف شده توسط خطوط متصل کننده UWB خارجی قرار می گیرد، مدل می کند. ماهواره های یک راه اندازی شرایط NLOS دقت سیستم های UWB را تا حدود 1 متر کاهش داد [ 46 ]. با توجه به خطاهای اضافی ذکر شده در مناطق مرزی، دقت حتی بیشتر کاهش یافت [ 47 ]، و در نتیجه انحراف استاندارد ما 1.5 متر تخمین زده شد و اطمینان کمتری را مدل سازی کرد. اندازه ماسک از 6متر×6متربا توجه به دو زمان انحراف معیار انتخاب شده به منظور پوشش تقریبا تنظیم شد 95%ناحیه زیر تابع گاوسی. برای ساخت ماسک گاوسی در پیکسل، اندازه های متریک با وضوح OGM ضرب شد. به عنوان مثال وضوح OGM از 10px/مترمنجر به اندازه ماسک از 60px×60px.

4. نتایج و بحث

این بخش نتایج را برای تولید خودکار OGM ارائه می کند و بحث می کند. علاوه بر این، روشی برای ارزیابی تاثیر بهبود موقعیت با استفاده از OGMها و همچنین نتایج مربوطه ارائه و در نظر گرفته شده است.

4.1. نسل OGM

ما آزمایش‌هایی را با 9 مجموعه داده نقشه‌های ساختمانی مختلف انجام دادیم، که از نظر کیفی نشان داده‌اند که الگوریتم OGM‌های معقولی را ارائه می‌دهد. مثالی برای یکی از این OGM های تولید شده، که نمایانگر یک طبقه کامل از یک ساختمان است، در شکل 9 نشان داده شده است . هنگام مقایسه ورودی، به عنوان مثال، داده های داخلی OSM، با OGM ارائه شده، می توان دید که اشیاء مختلف سه لایه به درستی در قالب مقادیر احتمالی مقیاس خاکستری نشان داده شده اند. بنابراین مطالعه ما ثابت کرد که تولید خودکار پیشنهادی OGM از داده‌های داخلی OSM با منبع جمعی نتایج قابل اعتمادی ارائه می‌دهد، مشروط بر اینکه محیط داخلی به درستی نقشه‌برداری شده باشد.
با این وجود، الگوریتم هنوز دارای سه محدودیت بود که باید در کار آینده مورد توجه قرار گیرد: اولاً، الگوریتم به طور خودکار کیفیت و صحت داده های OSM ورودی را ارزیابی نمی کند. از آنجایی که این داده‌ها توسط داوطلبان بدون هیچ آموزش خاصی ترسیم شده است، داده‌ها می‌توانند بسیار نادرست باشند و حتی ویژگی‌های ضروری مانند درها ممکن است وجود نداشته باشند و بنابراین می‌توانند بر OGM حاصل تأثیر منفی بگذارند. با اجرای فعلی، هیچ اعتبارسنجی خودکار داده‌های ورودی انجام نشد، بنابراین باید یک بررسی دستی قابل قبول OGM تولید شده انجام شود. در نتیجه، اعتبارسنجی داده های ورودی هنوز یک موضوع باز است که باید حل شود. ثانیاً، ساعت‌های شنی، که با اندازه‌های از پیش تعریف‌شده ثابت در موقعیت‌های درب ارائه می‌شوند، به طور یکپارچه به احتمال پایه منطقه داخلی متصل نبودند.بخش 3.1.4 ). بر این اساس، اندازه ساعت شنی باید به صورت پویا با اندازه اتاق نیز تطبیق داده شود. ثالثاً، قرار دادن فعلی ساعت شنی در گوشه های باریک یک اتاق منجر به بازنویسی ناخواسته اطلاعات دیوار شد.

4.2. بهبود موقعیت

به منظور ارزیابی تأثیر OGM تولید شده بر دقت موقعیت یابی، ما چندین ماهواره UWB را در ساختمان نمونه خود نصب کردیم که در نهایت یک منطقه موقعیت یابی داخلی را در بر می گرفت. این بنا دارای طولی بوده است 22متردر جهت x و عرض 10متردر جهت y دو راه‌اندازی با موقعیت‌های مرجع مختلف (RP) در ساختمان نمونه تعریف شد. تگ UWB که قرار بود قرار گیرد در سه موقعیت مرجع مختلف برای هر تنظیم قرار داده شد. راه اندازی 1 (S1) تأثیر OGM ها را زمانی که از پنج Satlet استفاده می شد تأیید کرد و در شکل 10 نشان داده شده است. راه اندازی 2 (S2) اثر OGM ها را هنگامی که مقدار satlet های مورد استفاده برای موقعیت یابی کاهش یافت، بررسی کرد. در این تنظیم، اندازه‌گیری‌هایی با زیرساخت چهار Satlet برای سه موقعیت مرجع مختلف انجام شد.
برای هر موقعیت مرجع، که با استفاده از اندازه گیری فاصله لیزری با دقت بالاتر از مشخص شد نوع گره ناشناخته: فونتنوع گره ناشناخته: فونت، ما چندین اندازه گیری UWB را جمع آوری کردیم (تا 500 در هر RP). ابتدا میانگین خطا را در جهت x و y محاسبه کردیم نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتو نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتو همچنین میانگین کلی خطا نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتبین اندازه گیری و موقعیت مرجع بدون استفاده از OGM. بنابراین، خطای کلی به عنوان فاصله اقلیدسی بین اندازه گیری و مرجع تعریف شد. در مرحله دوم، ما از OGM برای به دست آوردن موقعیت های اصلاح شده استفاده کردیم و محاسبه کردیم نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت، نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتو نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتاز نو. نتایج بدون و با استخدام OGM در جدول 2 و جدول 3 خلاصه شده است. علاوه بر آن، ما از نمودارهای تابع توزیع تجمعی تجربی (ECDF) برای رتبه‌بندی خطاهای موقعیت کلی برای همه اندازه‌گیری‌های هر موقعیت مرجع استفاده کردیم.
در ادامه، تنظیمات ارزیابی و همچنین نتایج برای S1 ارائه شده است.
برای S1، جدول 2 و شکل 11 نشان می دهد که OGM ها تنها تأثیر جزئی بر موقعیت هایی داشتند که قبلاً دقت زیر متر را داشتند. ما همچنین از آزمون‌های t دو نمونه‌ای برای تحلیل اهمیت آماری تفاوت‌های بین خطاها با و بدون OGM استفاده کردیم. نتایج این آزمایش‌ها تأثیر جزئی OGM مورد استفاده برای RP 1 و RP 3 را تأیید کرد. به همین ترتیب، آزمون t برای RP 2 تأثیر مثبت قابل‌توجهی را که قبلاً در نمودار CDF در شکل 11 قابل مشاهده بود، ثابت کرد . با این وجود، می توان اشاره کرد که OGM ها دقت موقعیت یابی را در مثال های ما افزایش دادند.
در ادامه، تنظیمات ارزیابی و همچنین نتایج برای S2 ارائه شده است. تنظیم در شکل 12 زیر نشان داده شده است.
با نگاهی دقیق تر به S2 با شکل 12 و شکل 13 و جدول 3 ، می بینیم که برای RP 4، استفاده از OGM موقعیت یابی را به طور قابل توجهی بهبود بخشید: بدون استفاده از OGM، سیستم UWB تگ UWB را بسیار نزدیک به دیوار و همچنین گاهی در داخل دیوار، در حالی که مرجع در واقع در آستانه در بود. با کمک OGM، اندازه گیری های نادرست UWB به درب منتقل شد. این امر میانگین خطاها را در جهت x و y به طور قابل توجهی کاهش داد. این تنظیم نشان داد که برای سناریوهایی که در شکل 1 توضیح داده شده است، OGM خروجی های موقعیت یابی را بهبود بخشیده است، که ما همچنین می توانیم با t دو نمونه تأیید کنیم.-تست. در مقابل RP 4، بهبودهای RP 5 و RP 6 چندان واضح نبود. اگرچه ما در واقع می‌توانستیم بهبودی را در جهت y ببینیم که اندازه‌گیری‌ها از دیوار دور می‌شوند، خطا در جهت x به طور مداوم بالا باقی می‌ماند. این به این دلیل است که تگ های UWB بسیار نزدیک یا حتی خارج از ناحیه موقعیت یابی داخلی قرار داشتند، به طوری که موقعیت قرار گرفته به دلایلی که قبلاً در بخش 3.2 ذکر شد ، به [ 47 ] مراجعه کنید، مستعد خطا بود. علاوه بر این، ما اهمیت آماری نتایج را برای RP 5 و RP 6 با انجام t دو نمونه بررسی کردیم.-تست ها نتایج نشان داد که تفاوت‌های بین این خطاها هنوز از نظر آماری مرتبط هستند حتی اگر برای بهبود نتیجه موقعیت‌یابی در همین مثال مفید نباشند. در نتیجه، RP 5 و RP 6 محدودیت OGM ها را نشان دادند: اگرچه اندازه گیری های غیرقابل قبول نزدیک به دیوارها را می توان از دیوار دور کرد، OGM ها قادر به تصحیح خروجی های محلی سازی کاملاً نادرست نبودند.
دوره-آموزش-حرفه-ای-gis

5. نتیجه گیری و کار آینده

در این مقاله به مشکل بهبود دقت برای موقعیت یابی داخل ساختمان پرداختیم. کار قبلی اثربخشی یکپارچه سازی منابع داده خارجی مانند OGM ها را که احتمال اشغال را در نقشه های داخلی نشان می دهند، در فرآیند موقعیت یابی نشان داده است. با این حال، این رویکردهای قبلی بر تولید OGM برای محیط‌های بیرونی متمرکز شده‌اند و به مراحل دستی نیاز دارند. علاوه بر این، داده های نقشه تجاری ارائه شده مانند Google Maps اجازه دسترسی رایگان به داده های خام مورد نیاز برای تولید OGM را نمی دهد. برای مقابله با این مسائل، ما پیشنهاد کردیم از داده‌های مبتنی بر جمعیت در دسترس، یعنی داده‌های OSM که توسط یک جامعه بزرگ نقشه‌برداری می‌شوند، استفاده کنیم. ما علاوه بر این روشی را پیشنهاد کردیم که برای اولین بار تولید OGM ها را برای محیط های داخلی خودکار می کند. سرانجام، ما روش پیشنهادی خود را با نشان دادن مزایای یکپارچه سازی OGM های تولید شده به طور خودکار در موقعیت یابی بر روی یک مثال واقعی ارزیابی کردیم. نتایج ما شواهدی برای افزایش دقت موقعیت‌یابی ارائه می‌کند، اما محدودیت‌هایی را نیز آشکار می‌کند. این محدودیت‌ها برای تولید OGM و بهبود موقعیت‌یابی مورد بحث قرار گرفته‌اند. در ادامه، کارهای آینده هم برای تولید OGM و هم برای بهبود موقعیت ارائه شده است.

5.1. نسل OGM

علاوه بر محدودیت‌های مربوط به تولید OGM که در بخش قبل ارائه شد و در آینده مورد بررسی قرار خواهد گرفت، توسعه بیشتری نیز در نظر گرفته شده است: در نسخه‌های بعدی اجرای این روش، نقاط مورد علاقه (POI) و مسیرهای محبوب در ساختمان‌ها همانطور که قبلاً در بخش 3.1.4 اشاره شد، در OGM ادغام شود .
نوع POI به کاربرد سیستم موقعیت یابی مورد نظر بستگی دارد. به عنوان مثال، ناوبری داخلی برای بازدیدکنندگان موزه باید منطقه اطراف نقاشی ها را به عنوان مکان هایی با احتمال بالا برای موقعیت در نظر بگیرد. از آنجا که نقاشی‌ها معمولاً روی دیوارها نصب می‌شوند، ارزش اشغال OGM در چنین مناطقی باید افزایش یابد.
برای تعریف مسیرهای پرطرفدار، می توان از هر دو روش دستی و خودکار استفاده کرد: یک راه حل دستی این است که از چند نفر بخواهیم به صورت دستی مسیرهایی را در نقشه ترسیم کنند که فکر می کنند احتمال استفاده مکرر وجود دارد. با این حال، روش‌های خودکار مناسب‌تر هستند. یک راه حل معقول یک رویکرد مبتنی بر یادگیری است که در آن مسیرهای پرکاربرد از خروجی موقعیت یابی واقعی مشتق شده و نوعی نقشه حرارتی تولید می شود. هر چه تشخیص های بیشتری در یک سلول OGM ثبت شود، احتمال مسیر، یعنی گرمای این سلول بیشتر است. یک روش بیشتر می‌تواند مسیرها را با اعمال الگوریتم‌های اسکلت‌سازی در مناطق نقشه داخلی تعیین کند، در حالی که اسکلت توپولوژیکی باقی‌مانده این مسیرها را نشان می‌دهد. در نهایت، گزینه دیگر تعیین مسیرهای مستقیم بین اشیاء مربوطه است.

5.2. بهبود موقعیت

با توجه به استفاده از OGM برای بهبود موقعیت، دامنه در آینده به شرح زیر خواهد بود: در اجرای فعلی، انحراف استاندارد و اندازه ماسک روی یک مقدار ثابت تنظیم شده است. با این حال، این پارامترها باید به صورت پویا بسته به اطمینانی که موقعیت فعلی با آن اندازه گیری می شود، تنظیم شوند. در آینده، سیستم UWB مورد استفاده در این مطالعه، چنین اطلاعات اطمینانی را برای هر موقعیت اندازه‌گیری شده ارائه خواهد کرد، که می‌تواند برای تنظیم پویا انحراف استاندارد در مرحله تصحیح OGM استفاده شود. به این ترتیب، اندازه‌گیری‌های نزدیک یا خارج از مرز ناحیه موقعیت‌یابی را می‌توان با انحراف استاندارد بالاتر و اندازه ماسک بزرگ‌تر برای یافتن موقعیت‌های احتمالی‌تر درمان کرد.
علاوه بر آن، ما قصد داریم روش پیشنهادی را در ساختمان‌های بیشتر و بزرگ‌تر مانند کتابخانه دانشگاه خود ارزیابی کنیم. برای این منظور، ما باید نقشه‌های داخلی OSM موجود را برای این ساختمان‌ها ایجاد یا استفاده کنیم، OGMهای مطابق با آن را تولید کنیم، سیستم‌های موقعیت‌یابی UWB را در زیرساخت ساختمان یکپارچه کنیم و موقعیت‌های مرجع را برای ارزیابی تعریف کنیم. در نهایت، این سیستم موقعیت یابی بهبود یافته UWB باید برای برنامه های ناوبری داخلی استفاده شود. بر اساس موقعیت کاربر فعلی، اطلاعات مربوط به نشانه های اطراف را می توان به کاربر ارسال کرد تا جهت گیری او در یک ساختمان ناشناخته تسهیل شود. علاوه بر این، مشابه ناوبری در فضای باز، موقعیت کاربر باید برای به روز رسانی مسیر به یک هدف در داخل ساختمان استفاده شود.
به طور خلاصه، فن‌آوری‌های موقعیت‌یابی داخلی موجود همیشه مستعد خطا هستند و می‌توانند به موقعیت‌های نادرست و غیرقابل قبول منجر شوند. ما مزایای تولید OGM ها از نقشه های جمع آوری شده را نشان دادیم و پس از آن یک الگوریتم تولید خودکار OGMs را پیشنهاد کردیم. علاوه بر این، ما این داده‌های OGM را در یک الگوریتم موقعیت‌یابی داخلی با استفاده از UWB و نتایج موقعیت‌یابی بهبودیافته ادغام کردیم.

منابع

  1. کارون، سی. چمبرلند-ترمبلی، دی. لاپیر، سی. هادایا، ص. روشه، اس. Saada, M. موقعیت داخلی. در دایره المعارف GIS ; Shekhar, S., Xiong, H., Zhou, X., Eds. Springer: Cham, Switzerland, 2017; ص 1011-1019. [ Google Scholar ] [ CrossRef ]
  2. برنا، RF; گارسیا وازکز، جی پی. Galvan-Tejada، CE; مونوز-رودریگز، دی. بارگاس-روزالس، سی. Fangmeyer, J. تکامل فن آوری های موقعیت یابی داخلی: یک بررسی. J. Sens. 2017 , 2017 , 2630413. [ Google Scholar ] [ CrossRef ]
  3. پیوند، JAB; اسمیت، پی. ویول، ن. Wehrle, K. FootPath: پیمایش دقیق بر اساس نقشه در فضای داخلی با استفاده از تلفن های هوشمند. در مجموعه مقالات کنفرانس بین المللی 2011 در موقعیت یابی داخلی و ناوبری داخلی، گیماراس، پرتغال، 21 تا 23 سپتامبر 2011. صص 1-8. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. رمضان، ح. یوستیوان، ی. Kwon, J. اعمال محدودیت های حرکت در موقعیت یابی داخلی مبتنی بر BLE RSSI برای استخراج مسیرهای معنایی معتبر. Sensors 2020 , 20 , 527. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  5. کوکینیس، ا. راسپوپولوس، م. کاناریس، ال. لیوتا، ا. Stavrou, S. موقعیت یابی داخلی بر اساس اثر انگشت با کمک نقشه. در مجموعه مقالات بیست و چهارمین سمپوزیوم بین المللی سالانه بین المللی IEEE در سال 2013 در مورد ارتباطات رادیویی شخصی، داخلی و سیار (PIMRC)، لندن، بریتانیا، 8 تا 11 سپتامبر 2013. ص 270-274. [ Google Scholar ] [ CrossRef ]
  6. منگ، جی. رن، م. وانگ، پی. ژانگ، جی. Mou, Y. بهبود دقت موقعیت یابی از طریق الگوریتم تطبیق نقشه برای کیلومترشمار بصری-اینرسی. Sensors 2020 , 20 , 552. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  7. کنسرسیوم، OG CityGML | OGC. 2021. در دسترس آنلاین: https://www.ogc.org/standards/citygml (در 5 مارس 2021 قابل دسترسی است).
  8. کنسرسیوم، OG IndoorGML | OGC. 2021. در دسترس آنلاین: https://www.ogc.org/standards/indoorgml (در 5 مارس 2021 قابل دسترسی است).
  9. Poljansek، M. استانداردسازی مدل سازی اطلاعات ساختمان (BIM). 2018. در دسترس آنلاین: https://ec.europa.eu/jrc/en/publication/building-information-modelling-bim-standardization (در 5 مارس 2021 قابل دسترسی است).
  10. OSM-Community. برچسب‌گذاری ساده داخلی–ویکی OpenStreetMap. 2021. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Simple_Indoor_Tagging (در 5 مارس 2021 قابل دسترسی است).
  11. لی، کی جی. کونتی، جی. کنستانتینیدیس، ای. زلاتانوا، اس. بامیدیس، ص. 10-OGC IndoorGML: یک رویکرد استاندارد برای نقشه‌های داخلی. در داده های جغرافیایی و اثرانگشتی برای ایجاد سیستم هایی برای موقعیت یابی داخلی و ناوبری داخلی/خارجی ؛ Conesa, J., Pérez-Navarro, A., Torres-Sospedra, J., Montoliu, R., Eds. سیستم های هوشمند داده محور، انتشارات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2019؛ ص 187-207. [ Google Scholar ] [ CrossRef ]
  12. Topf, J. OpenStreetMap Taginfo | برچسب ها | داخلی=اتاق در دسترس آنلاین: https://taginfo.openstreetmap.org/tags/indoor=room (در 5 مارس 2021 قابل دسترسی است).
  13. OSM-Community. Indoor Mapping–OpenStreetMap Wiki. 2020. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/Indoor_Mapping (در 5 مارس 2021 قابل دسترسی است).
  14. گریچن، تی. اشمیت، آر. ریشتر، جی. Heinkel، تولید نقشه شبکه اشغال U. از داده‌های داخلی OSM برای برنامه‌های موقعیت‌یابی داخلی. در مجموعه مقالات ششمین کنفرانس بین المللی نظریه، کاربردها و مدیریت سیستم های اطلاعات جغرافیایی، آنلاین، 7 تا 9 مه 2020؛ جلد 1، ص 168–174. [ Google Scholar ] [ CrossRef ]
  15. لین، بی. قاسملوی، ز. لین، سی. تانگ، ایکس. لی، ی. Zhang, S. یک سیستم موقعیت یابی نور مرئی داخلی بر اساس ارتباطات دوربین نوری. IEEE Photonics Technol. Lett. 2017 ، 29 ، 579-582. [ Google Scholar ] [ CrossRef ]
  16. برگن، MH; شال، FS; کلوکاس، آر. چنگ، جی. هولزمن، JF به سوی اجرای یک سیستم موقعیت‌یابی داخلی نوری مبتنی بر زاویه جهانی. جلو. اپتوالکترون. 2018 ، 11 ، 116-127. [ Google Scholar ] [ CrossRef ]
  17. ورنر، ام. کسل، ام. Marouane, C. تعیین موقعیت داخلی با استفاده از دوربین تلفن هوشمند. در مجموعه مقالات کنفرانس بین المللی 2011 در موقعیت یابی داخلی و ناوبری داخلی، گیماراس، پرتغال، 21 تا 23 سپتامبر 2011. صص 1-6. [ Google Scholar ] [ CrossRef ]
  18. چابارکاپا، د. گروجیچ، آی. Pavlović، P. تجزیه و تحلیل مقایسه ای سیستم های موقعیت یابی داخلی با انرژی کم بلوتوث. در مجموعه مقالات دوازدهمین کنفرانس بین المللی 2015 در زمینه مخابرات در ماهواره، کابل و خدمات رادیویی مدرن (TELSIKS)، نیس، صربستان، 20-22 اکتبر 2015. صص 76-79. [ Google Scholar ] [ CrossRef ]
  19. کومینلی، ام. پاتراس، پ. گرینگولی، اف. مرده در هنگام ورود: مطالعه تجربی سیستم موقعیت یابی بلوتوث 5.1. در مجموعه مقالات سیزدهمین کارگاه بین المللی در مورد بسترهای آزمایشی شبکه بی سیم، ارزیابی تجربی و خصوصیات (WiNTECH)، لس کابوس، مکزیک، 25 اکتبر 2019؛ انجمن ماشین‌های محاسباتی: لس کابوس، مکزیک، 2019؛ صص 13-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. سوریاوانشی، NB; ویسوواردان ردی، ک. Chandrika، قابلیت یافتن جهت VR در استاندارد بلوتوث 5.1. در ارتباطات همه جا حاضر و محاسبات شبکه ; Kumar, N., Venkatesha Prasad, R., Eds. یادداشت های سخنرانی موسسه علوم کامپیوتر، انفورماتیک اجتماعی و مهندسی مخابرات. Springer: Cham، سوئیس، 2019; صص 53-65. [ Google Scholar ] [ CrossRef ]
  21. لیو، اف. لیو، جی. یین، ی. وانگ، دبلیو. هو، دی. چن، پی. نیو، Q. بررسی تکنیک های موقعیت یابی داخلی مبتنی بر WiFi. IET Commun. 2020 ، 14 ، 1372-1383. [ Google Scholar ] [ CrossRef ]
  22. جنتنر، سی. اولمشنایدر، ام. کوئنر، آی. Dammann, A. WiFi-RTT Positioning Indoor. در مجموعه مقالات سمپوزیوم IEEE/ION 2020 Position, Location and Navigation Symposium (PLANS)، پورتلند، OR، ایالات متحده آمریکا، 20-23 آوریل 2020؛ ص 1029–1035. [ Google Scholar ] [ CrossRef ]
  23. اوزدنیزچی، بی. کوسکون، وی. خوب، K. NFC داخلی: یک سیستم ناوبری داخلی. Sensors 2015 , 15 , 7571–7595. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  24. وو، ی. زو، HB; Du، QX; Tang, SM بررسی وضعیت تحقیقاتی سیستم‌های محاسبه مردگان عابر پیاده بر اساس سنسورهای اینرسی. بین المللی جی. اتوم. محاسبه کنید. 2019 ، 16 ، 65-83. [ Google Scholar ] [ CrossRef ]
  25. Storch, M. Indoor-Navigation mit تلفن های هوشمند durch Auswertung des Erdmagnetfelds mit dem IndoorAtlas-Framework ; Wichmann Verlag: کارلسروهه، آلمان، 2019. [ Google Scholar ]
  26. سان، م. وانگ، ی. خو، اس. کائو، اچ. Si, M. موقعیت یابی داخلی ادغام موقعیت یابی PDR/ژئومغناطیسی بر اساس فیلتر ذرات ژنتیکی. Appl. علمی 2020 ، 10 ، 668. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. خو، اچ. وو، ام. لی، پی. زو، اف. وانگ، آر. الگوریتم موقعیت یابی داخلی RFID بر اساس رگرسیون بردار پشتیبان. Sensors 2018 , 18 , 1504. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  28. سکو، اف. Jiménez، محلی سازی مشارکتی داخلی مبتنی بر تلفن هوشمند AR با فناوری RFID. Sensors 2018 , 18 , 266. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  29. علاریفی، ع. السلمان، ع. الصالح، م. النافسه، ع. الحضرمی، س. العمار، م. الخلیفه، فناوری های موقعیت یابی داخلی باند فوق العاده HS: تجزیه و تحلیل و پیشرفت های اخیر. Sensors 2016 , 16 , 707. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. دابوو، پ. پیترا، وی دی. پیراس، م. جبار، ع.ا. Kazim، SA موقعیت یابی داخلی با استفاده از فناوری های باند فوق عریض (UWB): دقت موقعیت یابی و عملکرد سنسورها. در مجموعه مقالات سمپوزیوم موقعیت، مکان و ناوبری IEEE/ION 2018 (PLANS)، مونتری، کالیفرنیا، ایالات متحده آمریکا، 23 تا 26 آوریل 2018؛ صص 175-184. [ Google Scholar ] [ CrossRef ]
  31. بوتلر، ال. اسپورک، ام. دیولد، ک. رومر، ک. یافتن جهت با UWB و BLE: یک مطالعه مقایسه ای. در مجموعه مقالات هفدهمین کنفرانس بین المللی IEEE 2020 در مورد سیستم های حسگر و Ad Hoc موبایل (MASS)، دهلی، هند، 10 تا 13 دسامبر 2020؛ ص 44-52. [ Google Scholar ] [ CrossRef ]
  32. مظهر، ف. خان، ام.جی. Sällberg، B. موقعیت یابی دقیق داخلی با استفاده از UWB: مروری بر روش ها، الگوریتم ها و پیاده سازی ها. سیم. پارس اشتراک. 2017 ، 97 ، 4467-4491. [ Google Scholar ] [ CrossRef ]
  33. موراوک، اچ. Elfes، A. نقشه‌های با وضوح بالا از سونار با زاویه باز. در مجموعه مقالات کنفرانس بین المللی IEEE 1985 در مجموعه مقالات روباتیک و اتوماسیون، سنت لوئیس، MO، ایالات متحده آمریکا، 25-28 مارس 1985; جلد 2، ص 116-121. [ Google Scholar ] [ CrossRef ]
  34. ماتیس، ال. الفس، الف. ادغام داده های سونار و محدوده استریو با استفاده از یک نمایش مبتنی بر شبکه. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 1988 در مجموعه مقالات روباتیک و اتوماسیون، فیلادلفیا، PA، ایالات متحده، 24-29 آوریل 1988. جلد 2، ص 727–733. [ Google Scholar ] [ CrossRef ]
  35. Konolige، K. شبکه های اشغال بهبود یافته برای ساخت نقشه. Auton. ربات. 1997 ، 4 ، 351-367. [ Google Scholar ] [ CrossRef ]
  36. Thrun، S. شبکه های اشغال یادگیری با مدل های رو به جلو. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2001 در مورد ربات ها و سیستم های هوشمند، گسترش نقش اجتماعی رباتیک در هزاره بعدی (Cat. No.01CH37180)، Maui، HI، ایالات متحده، 29 اکتبر تا 3 نوامبر 2001. جلد 3، ص 1676–1681. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. کوردج، م. بهره برداری از داده های نقشه برای درک وسایل نقلیه هوشمند. دکتری پایان نامه، Universitéde Technologie de Compiègne، Compiègne، فرانسه، 2015. [ Google Scholar ]
  38. کوردج، م. موراس، جی. شرفاوی، وی. Bonnifait، P. همجوشی به کمک نقشه با استفاده از شبکه‌های شواهد برای ادراک موبایل در محیط شهری. توابع اعتقادی: نظریه و کاربردها . Denoeux, T., Masson, MH, Eds.; پیشرفت در هوشمند و نرم، محاسبات. Springer: برلین/هایزنبرگ، آلمان، 2012; صص 343-350. [ Google Scholar ]
  39. هررا، JCA؛ هینکنجان، ا. Plöger، PG; Maiero, J. محلی‌سازی داخلی قوی با استفاده از فیلتر فیوژن بهینه برای سنسورها و اطلاعات طرح‌بندی نقشه. در مجموعه مقالات کنفرانس بین المللی موقعیت یابی داخلی و ناوبری داخلی، مونبلیارد، فرانسه، 28 تا 31 اکتبر 2013. صص 1-8. [ Google Scholar ] [ CrossRef ]
  40. هررا، JCA؛ Plöger، PG; هینکنجان، ا. مایرو، جی. فلورس، ام. Ramos، A. موقعیت یابی داخلی عابر پیاده با استفاده از حسگر چندگانه تلفن هوشمند، چراغ های رادیویی، نقشه احتمال موقعیت های کاربر و نمایش طرح طبقه IndoorOSM. در مجموعه مقالات کنفرانس بین المللی 2014 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، بوسان، کره، 27 تا 30 اکتبر 2014. صص 636-645. [ Google Scholar ] [ CrossRef ]
  41. نایک، ال. بلومنتال، اس. هیبل، ن. بروینینککس، اچ. Prassler، E. برنامه افزودنی نگاشت معنایی برای OpenStreetMap که در ناوبری روبات داخلی کاربرد دارد. در مجموعه مقالات کنفرانس بین المللی رباتیک و اتوماسیون 2019 (ICRA)، مونترال، QC، کانادا، 20 تا 24 مه 2019؛ صص 3839–3845. [ Google Scholar ] [ CrossRef ]
  42. OSM-Community. JOSM. 2019. در دسترس آنلاین: https://josm.openstreetmap.de/ (دسترسی در 5 مارس 2021).
  43. OSM-Community. JOSM/Plugins/Measurement—OpenStreetMap Wiki. 2019. در دسترس آنلاین: https://wiki.openstreetmap.org/wiki/JOSM/Plugins/measurement (در 5 مارس 2021 قابل دسترسی است).
  44. کارنی، الگوریتم های CFF برای ژئودزیک. جی. جئود. 2013 ، 87 ، 43-55. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. کارنی، CFF GeographicLib. 2019. در دسترس آنلاین: https://geographiclib.sourceforge.io/ (دسترسی در 5 مارس 2021).
  46. Mraz, L. ملاحظات دقت برای ردیابی داخلی UWB در یک محیط صنعتی. 2019. در دسترس آنلاین: https://www.sewio.net/accuracy-considerations-for-uwb-indoor-tracking-in-an-industrial-environment/ (دسترسی در 5 مارس 2021).
  47. Langley، RB Dilution of Precision. GPS World 1999 ، 5 ، 52-59. [ Google Scholar ]
Ijgi 10 00216 g001 550
شکل 1. مثال محلی سازی: تصحیح داده های حسگر نادرست با گنجاندن اطلاعات در مورد محیط داخلی. نقطه‌های آبی و خاکستری اندازه‌گیری حسگر را نشان می‌دهند، در حالی که نقاط خاکستری مربوط به موقعیت‌های نامعتبر است، به عنوان مثال، در داخل یک دیوار، که می‌توان آن را در موقعیت صحیحی که با سبز نشان داده می‌شود تنظیم کرد.
Ijgi 10 00216 g002 550
شکل 2. مفهوم موقعیت یابی: به اصطلاح ماهواره های باند فوق العاده (UWB) (گره های زیرساخت، که لنگرها نیز نامیده می شوند) در محیط داخلی توزیع می شوند و سیگنال های موقعیت یابی را که توسط دستگاه های تلفن همراه دریافت می شوند، که برچسب های UWB نیز نامیده می شوند، در محیط داخلی منتقل می کنند. . به این ترتیب، فردی که مثلاً یک تلفن همراه در دست دارد، می تواند پیدا شود.
Ijgi 10 00216 g003 550
شکل 3. نمای کلی مفهوم: الگوریتم تولید نقشه شبکه اشغال (OGM) به سه مرحله اصلی تقسیم می شود.
Ijgi 10 00216 g004 550
شکل 4. تبدیل یک شیء جغرافیایی در موقعیت ایکس�1،��1در مختصات WGS-84 به یک LCS متریک داده شده است. Δایکس�و Δ��مؤلفه های فاصله را در قوس طول و عرض جغرافیایی بین مبدا LCS و یک شی جغرافیایی نشان می دهد. �زاویه چرخش بین سیستم مختصات WGS-84 و LCS است.
Ijgi 10 00216 g005 550
شکل 5. جدول جستجو برای تخصیص اشیاء جغرافیایی با استفاده از برچسب های مربوط به برنامه آنها به یک لایه رندر خاص.
Ijgi 10 00216 g006 550
شکل 6. تصویری از فرآیند رندر OGM. ( الف ) نقشه فضای داخلی OpenStreetMap (OSM) با پنجره ها (آبی)، دیوارها (خاکستری)، دهانه ها (قرمز) و خود منطقه اتاق (زرد). ( ب ) منطقه حاصل از L1 با اشیاء اولیه داخلی. ( ج ) مدلسازی مرز با گرادیان. ( د ) رندر کردن دیوارها در L2. ( ه ) ارائه دهانه ها در L3.
Ijgi 10 00216 g007 550
شکل 7. مفهوم تصحیح موقعیت. محصول هادامارد H یک ماسک گاوسی G و �جیمبرای ساختمان نمونه تولید شده است.
Ijgi 10 00216 g008 550
شکل 8. نمای جزییات محصول هادامارد H : رنگ قرمز نشان دهنده یک احتمال زیاد و رنگ آبی یک احتمال کم است. این �جیممختصات پیکسل موقعیت تصحیح شده با استفاده از حداکثر H یافت می شود. ( الف ) نمای بالا در مورد جزئیات مربوط به H از شکل 7 . ( ب ) نمای برجسته از جزئیات مربوطه H.
Ijgi 10 00216 g009 550
شکل 9. خروجی OGM تولید شده از داده های داخلی OSM. ( الف ) نمونه نقشه OSM داخلی یک طبقه در یک ساختمان. ( ب ) OGM تولید شده از داده های نقشه داخلی OSM داده شده.
Ijgi 10 00216 g010 550
شکل 10. S1: موقعیت های مرجع (RP) برای ارزیابی در ساختمان نقشه برداری شده. نمونه‌های موقعیت‌های اندازه‌گیری شده و تصحیح شده به دلیل وجود خطاهای کوچک برای وضوح بهتر نشان داده نمی‌شوند. موقعیت های مرجع مختلف با رنگ قرمز برای RP 1، سبز برای RP 2 و رنگ آبی برای RP 3 کدگذاری می شوند.
Ijgi 10 00216 g011 550
شکل 11. S1: تابع توزیع تجمعی تجربی برای سه موقعیت مرجع RP 1، RP 2 و RP 3.
Ijgi 10 00216 g012 550
شکل 12. S2: موقعیت های مرجع (RP) برای ارزیابی و همچنین نمونه هایی از موقعیت های اندازه گیری شده و تصحیح شده در ساختمان نقشه برداری شده. نمونه های مختلف با رنگ قرمز برای RP 4، سبز برای RP 5 و رنگ آبی برای RP 6 کدگذاری می شوند. بنابراین، دایره نشان دهنده مرجع، مستطیل اندازه گیری شده و ستاره موقعیت تصحیح شده است. مستطیل خاکستری شفاف ناحیه موقعیت یابی داخلی سیستم UWB است که توسط ساتلت ها پوشانده شده است.
Ijgi 10 00216 g013 550
شکل 13. S2: تابع توزیع تجمعی تجربی برای سه موقعیت مرجع RP 4، RP 5 و RP 6. لطفاً به مقیاس متفاوت آبسیسا در مقایسه با شکل 11 توجه کنید.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید