خلاصه

روش های موقعیت یابی داخلی مبتنی بر WiFi به دلیل نصب گسترده نقاط دسترسی WiFi (APs) توجه زیادی را به خود جلب کرده است. اخیراً استاندارد WiFi اصلاح شده و به یک رویکرد دو طرفه جدید مبتنی بر اندازه گیری زمان رفت و برگشت (RTT) معرفی شده است که تغییراتی را برای موقعیت یابی داخلی بر اساس WiFi ایجاد می کند. در این کار، ما یک روش موقعیت‌یابی WiFi RTT بر اساس شناسایی خط دید (LOS) و کالیبراسیون محدوده پیشنهاد می‌کنیم. با توجه به پیچیدگی محیط داخلی، ما یک الگوریتم شناسایی غیرخط دید (NLOS) و LOS بر اساس تشخیص سناریو طراحی می کنیم. سناریوی موقعیت‌یابی برای کمک به شناسایی فواصل NLOS و LOS شناسایی می‌شود و رگرسیون فرآیند گاوسی (GPR) برای ساخت مدل تشخیص سناریو استفاده می‌شود. در همین حال، مدل کالیبراسیون برای فاصله LOS برای تصحیح فاصله اندازه گیری ارائه شده است و اطلاعات سناریو برای محدود کردن موقعیت تخمین زده شده استفاده می شود. هنگامی که یک درخواست موقعیت یابی وجود دارد، سناریوی موقعیت یابی با مدل تشخیص سناریو شناسایی می شود و فاصله اندازه گیری LOS بر اساس سناریوی شناسایی شده به دست می آید. اندازه‌گیری‌های محدوده LOS ابتدا کالیبره می‌شوند و سپس برای تخمین موقعیت گوشی هوشمند مورد استفاده قرار می‌گیرند. در نهایت، سناریوی موقعیت‌یابی برای محدود کردن مکان تخمین برای اجتناب از آن فراتر از سناریو استفاده می‌شود. نتایج تجربی نشان می‌دهد که اثر موقعیت‌یابی روش پیشنهادی به مراتب بهتر از الگوریتم حداقل مربعات (LS) است و به میانگین خطا (ME) 0.862 متر و خطای ریشه میانگین مربع (RMSE) 0.989 متر می‌رسد. هنگامی که یک درخواست موقعیت یابی وجود دارد، سناریوی موقعیت یابی با مدل تشخیص سناریو شناسایی می شود و فاصله اندازه گیری LOS بر اساس سناریوی شناسایی شده به دست می آید. اندازه‌گیری‌های محدوده LOS ابتدا کالیبره می‌شوند و سپس برای تخمین موقعیت گوشی هوشمند مورد استفاده قرار می‌گیرند. در نهایت، سناریوی موقعیت‌یابی برای محدود کردن مکان تخمین برای اجتناب از آن فراتر از سناریو استفاده می‌شود. نتایج تجربی نشان می‌دهد که اثر موقعیت‌یابی روش پیشنهادی به مراتب بهتر از الگوریتم حداقل مربعات (LS) است و به میانگین خطا (ME) 0.862 متر و خطای ریشه میانگین مربع (RMSE) 0.989 متر می‌رسد. هنگامی که یک درخواست موقعیت یابی وجود دارد، سناریوی موقعیت یابی با مدل تشخیص سناریو شناسایی می شود و فاصله اندازه گیری LOS بر اساس سناریوی شناسایی شده به دست می آید. اندازه‌گیری‌های محدوده LOS ابتدا کالیبره می‌شوند و سپس برای تخمین موقعیت گوشی هوشمند مورد استفاده قرار می‌گیرند. در نهایت، سناریوی موقعیت‌یابی برای محدود کردن مکان تخمین برای اجتناب از آن فراتر از سناریو استفاده می‌شود. نتایج تجربی نشان می‌دهد که اثر موقعیت‌یابی روش پیشنهادی به مراتب بهتر از الگوریتم حداقل مربعات (LS) است و به میانگین خطا (ME) 0.862 متر و خطای ریشه میانگین مربع (RMSE) 0.989 متر می‌رسد. اندازه‌گیری‌های محدوده LOS ابتدا کالیبره می‌شوند و سپس برای تخمین موقعیت گوشی هوشمند مورد استفاده قرار می‌گیرند. در نهایت، سناریوی موقعیت‌یابی برای محدود کردن مکان تخمین برای اجتناب از آن فراتر از سناریو استفاده می‌شود. نتایج تجربی نشان می‌دهد که اثر موقعیت‌یابی روش پیشنهادی به مراتب بهتر از الگوریتم حداقل مربعات (LS) است و به میانگین خطا (ME) 0.862 متر و خطای ریشه میانگین مربع (RMSE) 0.989 متر می‌رسد. اندازه‌گیری‌های محدوده LOS ابتدا کالیبره می‌شوند و سپس برای تخمین موقعیت گوشی هوشمند مورد استفاده قرار می‌گیرند. در نهایت، سناریوی موقعیت‌یابی برای محدود کردن مکان تخمین برای اجتناب از آن فراتر از سناریو استفاده می‌شود. نتایج تجربی نشان می‌دهد که اثر موقعیت‌یابی روش پیشنهادی به مراتب بهتر از الگوریتم حداقل مربعات (LS) است و به میانگین خطا (ME) 0.862 متر و خطای ریشه میانگین مربع (RMSE) 0.989 متر می‌رسد.

کلید واژه ها:

وای فای ؛ RTT _ موقعیت یابی داخلی ؛ شناسایی LOS ; کالیبراسیون برد ; الگوریتم LS

1. معرفی

فناوری موقعیت یابی داخلی به دلیل تقاضای گسترده در بازار و چشم انداز اقتصادی عظیم آن توجه گسترده ای را به خود جلب کرده است. همانطور که می دانیم، سیستم جهانی ناوبری ماهواره ای (GNSS) [ 1 ] می تواند موقعیت یابی با دقت بالا را در محیط بیرون انجام دهد، که می تواند خدمات مبتنی بر مکان (LBS) را برای کاربران در فضای باز فراهم کند، مانند موقعیت یابی و ناوبری کاربر، ناوبری خودرو، نجات اضطراری و محافظت در برابر سرقت با این حال، گاهی اوقات سیگنال‌های GNSS نمی‌توانند به یک محیط داخلی برسند و به موقعیت‌یابی دست یابند، یا سیگنال‌های GNSS دریافتی برای تشخیص موقعیت‌یابی با دقت بسیار ضعیف هستند [ 2 ]. بنابراین، برای کاربران داخلی که نیاز به LBS دارند، لازم است جایگزینی برای تشخیص موقعیت با دقت بالا پیدا کنند.
محققان بسیاری از فناوری‌های موقعیت‌یابی داخلی را پیشنهاد کرده‌اند که عمدتاً شامل باند فوق‌وسیع (UWB) [ 3 ، 4 ]، بلوتوث [ 5 ، 6 ]، وفاداری بی‌سیم (WiFi) [ 7 ، 8 ، 9 ]، شناسایی فرکانس رادیویی (RFID) [ 10 ، 11 ]، بینایی کامپیوتری [ 12 ]، اولتراسونیک [ 13 ]، سیستم ناوبری اینرسی (INS) [ 14 ، 15 ]، کاذب [ 16 ، 17 ]، میدان ژئومغناطیسی [ 18 ]، نور مرئی [ 19]] و غیره در این میان UWB، RFID، اولتراسونیک، کاذب و نور مرئی دقت موقعیت یابی بالایی دارند اما به تجهیزات ویژه نیاز دارند [ 20 ، 21 ، 22 ، 23 ، 24 ]. این نشان می دهد که هزینه های موقعیت یابی آنها نسبت به سایر روش ها بیشتر است. INS یک روش موقعیت یابی است که به موقعیت اولیه نیاز دارد و معمولاً به سایر روش ها مانند GNSS، UWB، pseudolite و RFID کمک می کند [ 15 ، 25 ، 26 ]. بینایی کامپیوتر از دوربین برای به دست آوردن تصاویر استفاده می کند و موقعیت را بر اساس ویژگی های استخراج شده از تصاویر تخمین می زند [ 27]]. نقطه ضعف اصلی آن این است که به شرایط نور خوب و سخت افزار خوب نیاز دارد که بتواند هزینه های محاسباتی بالایی را پشتیبانی کند. بلوتوث در اندازه کوچک و آسان برای نصب است، اما با فاصله کوتاه انتقال آن محدود شده است [ 28 ]. موقعیت یابی مبتنی بر میدان مغناطیسی از آشفتگی میدان مغناطیسی داخلی ناشی از مصالح ساختمانی برای رسیدن به موقعیت استفاده می کند [ 29 ].
برخی از روش‌های فوق را می‌توان در گوشی هوشمند اجرا کرد، مانند بلوتوث، میدان ژئومغناطیسی، دید کامپیوتر و وای‌فای. تلفن‌های هوشمند پرکاربرد یک پلتفرم مشترک برای موقعیت‌یابی در فضای داخلی فراهم می‌کنند که برای ارتقای توسعه و کاربرد آن مفید است. رویکرد موقعیت یابی مبتنی بر WiFi به دلیل نصب گسترده روترهای WiFi [ 30 ] به طور گسترده مورد استفاده قرار می گیرد. این به طور عمده شامل دو استراتژی است، یکی انگشت نگاری [ 31 ، 32 ، 33 ، 34 ، 35 ]، و دیگری چندلایه بودن [ 36 ، 37 ، 38]]. اشکال انگشت نگاری این است که ساخت پایگاه داده اثر انگشت آفلاین نیاز به جمع آوری داده های زیادی دارد و بنابراین منابع زیادی را می طلبد [ 34 ]. روش‌های تخمین فاصله قبلی مبتنی بر WiFi دارای معایبی است که کاربرد چندلایه را محدود می‌کند [ 38 ].
ظاهر WiFi RTT یک رویکرد جدید دو طرفه را با دقت محدوده یک متر ارائه می دهد که انتخاب جدیدی را برای فناوری موقعیت یابی داخلی WiFi به ارمغان می آورد. شناسایی NLOS و LOS می تواند به بهبود دقت موقعیت یابی داخلی بر اساس وای فای RTT کمک کند و تولید NLOS ممکن است به دلیل انتقال سیگنال از صحنه باشد. بنابراین، برخی از محققان روش هایی برای شناسایی فاصله های NLOS و LOS با تشخیص سناریو ابداع کردند. نویسندگان [ 39] از الگوریتم خوشه بندی برای تشخیص سناریوی موقعیت یابی استفاده کرد و موقعیت تخمین زده شده را محدود کرد تا آن را به سناریو تعلق دهد. با این وجود، تشخیص سناریوی موقعیت یابی برای WiFi RTT به دلیل اطلاعات موقعیت یابی محدود با اندازه گیری برد و مکان فرستنده ها بسیار سخت است.
بنابراین، این مقاله یک رویکرد شناسایی LOS مبتنی بر تشخیص سناریو را برای کمک به موقعیت‌یابی RTT WiFi به منظور افزایش دقت آن پیشنهاد می‌کند. مدل تشخیص سناریو توسط GPR ایجاد می شود و سپس شناسایی LOS بر اساس تشخیص سناریو می تواند به دست آید. مدل تشخیص می تواند از فواصل اندازه گیری شده برای به دست آوردن صحنه موقعیت یابی استفاده کند. از آنجایی که تعیین اینکه سیگنال NLOS از یک یا چند دیوار عبور می کند دشوار است، بنابراین ساخت یک مدل کالیبراسیون برد دقیق برای فاصله NLOS دشوار است. با این حال، با شرایط LOS، مدل کالیبراسیون محدوده برای LOS را می توان به راحتی برای اصلاح فاصله اندازه گیری LOS ایجاد کرد. بر اساس اندازه گیری های محدوده LOS کالیبره شده، می توان موقعیت گوشی هوشمند را به دست آورد. بعلاوه، موقعیت تخمینی زمانی که خارج از سناریوی موقعیت یابی باشد توسط سناریوی موقعیت یابی محدود می شود. مشارکت های این اثر به شرح زیر خلاصه می شود:
(1)
ما یک روش شناسایی NLOS و LOS را بر اساس تشخیص سناریو پیشنهاد می‌کنیم. در رویکرد شناسایی NLOS و LOS پیشنهادی، سناریوی موقعیت‌یابی فعلی باید شناسایی شود، و سپس فاصله اندازه‌گیری LOS با سناریوی شناسایی‌شده به دست می‌آید، که از تأثیر فواصل NLOS بر دقت موقعیت‌یابی جلوگیری می‌کند.
(2)
یک روش تشخیص سناریو بر اساس GPR برای تشخیص صحنه موقعیت یابی پیشنهاد شده است که نیازی به جمع آوری داده های آموزشی ندارد و از فواصل واقعی بین گوشی های هوشمند و نقاط دسترسی (APs) به عنوان داده های آموزشی استفاده می کند.
(3)
یک مدل کالیبراسیون برد آسان برای اصلاح اندازه‌گیری برد در شرایط LOS ایجاد شده است و موقعیت تلفن هوشمند با این فواصل کالیبره شده تخمین زده می‌شود. سپس، با اطلاعات موقعیت سناریوی موقعیت یابی، موقعیت تخمین زده شده فراتر از سناریو مهار می شود تا اطمینان حاصل شود که در صحنه موقعیت یابی قرار دارد.
بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 2 کار مرتبط با WiFi RTT را معرفی می کند. بخش 3 چارچوب FTM و اصل محدوده WiFi RTT را به تفصیل شرح می دهد. بخش 4 اصل ساخت روش تشخیص سناریو بر اساس GPR و روش ایجاد مدل کالیبراسیون محدوده را ارائه می دهد. بخش 5 روش موقعیت یابی داخلی را بر اساس شناسایی LOS و کالیبراسیون برد معرفی می کند. بخش 6 محیط و روش آزمایش را توصیف می کند و نتایج آزمایش را نشان می دهد و تجزیه و تحلیل می کند. در بخش 7 ، این مقاله را به پایان می‌رسانیم و به کارهای آینده اشاره می‌کنیم.

2. کارهای مرتبط

استاندارد WiFi برای پاسخگویی به نیازهای موقعیت یابی داخلی تغییراتی داشت. می توان دریافت که یک رویکرد دامنه دو طرفه جدید در پروتکل 802.11-REVmc2 معرفی شده است که بر روی یک نوع بسته جدید به نام فریم اندازه گیری زمان دقیق (FTM) ساخته شده است [40 ] . فاصله بین فرستنده و گیرنده با اندازه گیری زمان رفت و برگشت (RTT) برآورد می شود [ 41 ]. علاوه بر این، گوگل اعلام کرد که سیستم عامل آندروید 9 آن از فناوری RTT پشتیبانی می کند و رابط برنامه نویسی برنامه (API) مربوطه را ارائه می دهد [ 42 ]، و چندین گوشی هوشمند را منتشر کرد که از WiFi RTT پشتیبانی می کردند. مزیت بسیار مهم WiFi RTT این است که نیازی به همگام سازی ساعت نیست [ 43]، که می تواند در دسترس بودن سیستم موقعیت یابی داخلی بر اساس WiFi را افزایش دهد. مزیت دیگر WiFi RTT این است که دقت محدوده می تواند به یک متر برسد و می تواند از دستیابی به موقعیت یابی با دقت بالا در داخل ساختمان پشتیبانی کند [ 44 ]. بنابراین، موقعیت یابی داخلی بر اساس WiFi RTT به یک کانون تحقیقاتی جدید تبدیل شده است [ 43 ، 44 ، 45 ، 46 ، 47 ، 48 ، 49 ].
با این حال، مطالعات روی WiFi RTT در حال حاضر اندک است. به عنوان مثال، دقت محدوده سطح متر را می توان در یک محیط چند مسیری کم به دست آورد و ثابت کرد [ 44 ]. برای غلبه بر چالش‌های مختلف محیط داخلی، اثرانگشت با تکنیک‌های مبتنی بر محدوده ترکیب شد، و زمان انتشار قدرت سیگنال دریافتی (RSS) برای پرداختن به تضعیف سیگنال چند مسیری، غیرخط دید (NLOS) و چالش‌های تداخل استفاده شد. محیط های داخلی [ 45 ]. یادگیری ماشین برای مقاومت در برابر چند مسیر به منظور بهبود دقت محدوده استفاده شد [ 46]. مدل خطای تخمین فاصله با مدل مخلوط گاوسی ایجاد شد و فواصل اندازه گیری را کالیبره کرد و سپس از فواصل کالیبره شده برای تخمین موقعیت استفاده شد [ 47 ]. Yu [ 48 ] یک مدل محدوده بلادرنگ مبتنی بر WiFi RTT ارائه کرد که می تواند خطای محدوده ناشی از NLOS، چند مسیری و غیره را کاهش دهد. Guo [43] یک روش کالیبراسیون پیشنهاد کرد که افست محدوده RTT را در انتهای فرستنده حذف می کند و بهبود می بخشد. دقت محدوده سیگنال‌های NLOS یا LOS توسط چارچوب آزمون فرضیه و ماشین بردار پشتیبان (SVM) شناسایی شدند و بر اساس میزان خطای چند مسیری به سیگنال‌های با کیفیت پایین و با کیفیت تقسیم شدند. .]. می‌توان نتیجه گرفت که شناسایی NLOS و LOS یک راه مهم برای افزایش دقت موقعیت‌یابی است.
با این حال، روش های فوق دارای محدودیت هایی بودند. اگرچه دقت محدوده وای فای RTT می تواند به یک متر برسد، دقت محدوده یک متری فقط در شرایط چند مسیری یا LOS کم قابل تحقق است و در یک محیط داخلی پیچیده قابل دستیابی نیست [44 ] . RSS می تواند در مهار تاثیر چند مسیری، NLOS و غیره بر دقت موقعیت یابی کمک کند، اما نقطه ضعف آن این بود که نوسان مقادیر RSS منجر به نتایج ضعیف می شود [ 45 ]. مدل بازداری چند مسیری مبتنی بر یادگیری ماشینی برای جمع‌آوری مقادیر زیادی از داده‌های آموزشی مورد نیاز بود و نمی‌توان آن را برای گوشی‌های هوشمند استفاده کرد [ 46]]. مدل خطای تخمین فاصله تأثیر نسبتاً کمی برای مهار خطاهای دامنه داشت و جمع آوری اثر انگشت کار فشرده بود [ 47 ]. مدل محدوده زمانی واقعی [ 48 ] تأثیر محدودی بر سرکوب خطای محدوده داشت، و بهبود دقت موقعیت‌یابی عمدتاً به ترکیب با محاسبه مرده عابر پیاده قوی (PDR) بستگی داشت [48 ] . اگرچه نویسندگان [ 49 ] یک مدل شناسایی NLOS و LOS ساختند و کیفیت سیگنال را ارزیابی کردند، ساختار روش برای اعمال آن در گوشی‌های هوشمند بسیار پیچیده بود.

3. روش ها

3.1. وای فای RTT

قبل از معرفی WiFi RTT باید دانش موجود در مورد پروتکل WiFi FTM را مرور کنیم زیرا WiFi RTT بر اساس چارچوب FTM ساخته شده است. WiFi Alliance پروژه صدور گواهینامه قابلیت همکاری را برای فعال کردن WiFi برای پشتیبانی از عملکرد موقعیت یابی داخلی در سال 2016 راه اندازی کرد. عملکرد موقعیت یابی گواهینامه WiFi در استاندارد IEEE 802.11 [50 ] گنجانده شده است ، با هدف ارائه دقت سطح متر برای موقعیت یابی تجهیزات داخلی.
اصل پروتکل FTM در شکل 1 نشان داده شده است . این یک رویکرد پینگ پنگ است که اندازه گیری زمان سیگنال رفت و برگشت است. در این پروتکل، گوشی هوشمند ابتدا نیاز به ارسال درخواست FTM به نقطه دسترسی RTT دارد [ 42 ]. سپس، AP و تلفن هوشمند شروع به ارسال پیام FTM و ثبت مُهر زمانی ارسال آن می کنند و منتظر بسته تایید آن می شوند و مهر زمانی دریافت آن را ثبت می کنند. بنابراین، زمان رسیدن (ToA) و زمان خروج (ToD) را می توان به دست آورد و برای محاسبه زمان پرواز (ToF) سیگنال از فرستنده به گیرنده استفاده کرد. جدایی بین AP و گوشی هوشمند بر اساس ToF تخمین زده می شود.

با توجه به اینکه سیستم عامل اندروید دارای RTT API می باشد، بنابراین گوشی هوشمند می تواند زمان پرواز سیگنال را بر اساس اندازه گیری RTT بدست آورد که به صورت زیر قابل محاسبه است:

تیoاف=(تی2تیoآ-تی2تیoD)+(تی1تیoآ-تی1تیoD)2

جایی که تیمنToA (من=1، 2)و تیمنToD (من=1، 2)به ترتیب اندازه گیری ith ToA و ith ToD را نشان می دهد. تیoافزمان مبارزه سیگنال از AP ​​به تلفن هوشمند است. تلفن هوشمند می تواند همزمان به چندین AP متصل شود و فواصل اندازه گیری شده را تا آنها بدست آورد.

سرعت امواج الکترومغناطیسی با سرعت نور برابر است. بنابراین، محدوده بین فرستنده و گوشی هوشمند با تخمین زده می شود تیoافو سرعت نور همانطور که در رابطه (2) نشان داده شده است.

دrتیتی=تیoاف∗ج

جایی که جنشان دهنده سرعت نور و دrتیتیفاصله اندازه گیری است که بر اساس زمان پرواز و سرعت سیگنال محاسبه می شود.

3.2. الگوریتم حداقل مربع

حداقل مربع (LS) یک الگوریتم موقعیت یابی کلاسیک برای چندلایه شدن است [ 51 ، 52 ]. اغلب برای فناوری موقعیت یابی داخلی، مانند UWB، pseudolite و اولتراسونیک استفاده می شد. بنابراین، ما الگوریتم LS را به عنوان الگوریتم موقعیت یابی در این مقاله انتخاب کرده ایم. LS یک الگوریتم بهینه‌سازی کلاسیک است که هدف آن یافتن تطابق تابع بهینه داده‌ها با به حداقل رساندن مجموع مربعات خطاها است. یک مثال در شکل 2 نشان داده شده استبرای ارائه اصل الگوریتم LS که برای موقعیت یابی وای فای RTT استفاده می شود. با فرض وجود چهار AP در محیط داخلی، یک گوشی هوشمند به عنوان گیرنده در نظر گرفته می شود و اندازه گیری برد را بدست می آورد. فاصله اندازه گیری بین هر AP و تلفن هوشمند می تواند یک دایره بکشد. در تئوری، تمام دایره ها در یک نقطه، که محل قرارگیری گوشی هوشمند است، قطع می شوند. بر اساس نظریه فوق، موقعیت یابی بر اساس الگوریتم LS را می توان با حل موقعیت نقطه تقاطع محقق کرد.

هنگامی که فواصل اندازه گیری بین چند فرستنده و تلفن هوشمند جمع آوری شد، معادله را می توان به صورت زیر ایجاد کرد. از هر فاصله اندازه گیری می توان برای تولید معادلات یک دایره استفاده کرد.

{(ایکس1-ایکس)2+(Y1-y)2=د12(ایکس2-ایکس)2+(Y2-y)2=د22⋮(ایکسn-ایکس)2+(Yn-y)2=دn2

جایی که (ایکسمن، Yمن) {من=1، 2،⋯،n}و (ایکس، y)نشان دهنده موقعیت ith AP و گوشی هوشمند، به ترتیب، nتعداد AP است، و دمن {من=1، 2،⋯،n}فاصله اندازه گیری شده بین گوشی هوشمند و ith AP است. برای حل موقعیت نقطه تقاطع، معادله باید با کم کردن آخرین فرمول ساده شود و معادله ساده شده به صورت بیان شود.

{(ایکسn-ایکس1)ایکس+(Yn-Y1)y=(د12-دn2+ایکسn2+Yn2-ایکس12-Y12)/2(ایکسn-ایکس2)ایکس+(Yn-Y2)y=(د22-دn2+ایکسn2+Yn2-ایکس22-Y22)/2⋮(ایکسn-ایکسn-1)ایکس+(Yn-Yn-1)y=(دn-12-دn2+ایکسn2+Yn2-ایکسn-12-Yn-12)/2

معادله (4) را می توان با شکل ساده تری بیان کرد، همانطور که در رابطه (5) نشان داده شده است.

آایکس=ب

جایی که آو ببه ترتیب n -1 در 2 ماتریس و n -1 بردار ستون بعدی هستند وایکسموقعیت تخمینی است که می تواند به صورت نشان داده شود [ایکس، y]تی. ماتریکس آو بردار برا می توان با رابطه (6) نشان داد.

آ=[ایکسn-ایکس1ایکسn-ایکس2⋮Yn-Y1Yn-Y2⋮ایکسn-ایکسn-1Yn-Yn-1] ، ب=[(د12-دn2+ایکسn2+Yn2-ایکس12-Y12)/2(د12-دn2+ایکسn2+Yn2-ایکس22-Y22)/2⋮(د12-دn2+ایکسn2+Yn2-ایکسn-12-Yn-12)/2]

در نهایت، نتیجه موقعیت یابی بر اساس الگوریتم LS را می توان به صورت بیان کرد

ایکس=(آتیآ)-1آتیب

4. روش شناسایی NLOS و LOS

4.1. سناریو، NLOS و تعریف LOS

در مقاله، سناریو به عنوان یک فضای داخلی بسته و مستقل تعریف شده است که از سایر فضاهای داخلی جدا شده است و سناریوی موقعیت یابی سناریویی است که گوشی هوشمند در آن قرار دارد. شکل 3 نمونه هایی از سناریوی موقعیت یابی، NLOS و LOS را نشان می دهد. در این شکل دو سناریو وجود دارد که به نام های سناریو A و B و فضاهای مستقلی هستند که با دیوار جدا شده اند. می بینیم که سیگنال AP در یک سناریو باید از دیوار عبور کند تا به سناریوی دیگری برسد. بنابراین، وقتی صحنه موقعیت‌یابی سناریوی A است، ما فرض کردیم که سیگنال‌های AP در سناریو A و B باید به ترتیب سیگنال‌های LOS و NLOS باشند. به عبارت دیگر، اگر سناریوی موقعیت یابی شناخته شده باشد، سیگنال های LOS و NLOS به راحتی قابل شناسایی هستند.

4.2. روش شناسایی NLOS و LOS بر اساس تشخیص سناریو

این مقاله از GPR برای ساخت یک مدل تشخیص سناریو استفاده می‌کند که هدف آن شناسایی سیگنال‌های NLOS و LOS است. مزیت مهم روش تشخیص سناریو بر اساس GPR عدم نیاز به جمع آوری داده های آموزشی است. در این مقاله از موقعیت APها برای بدست آوردن موقعیت برخی از نقاط مربوط به سناریوهای مختلف و محاسبه فاصله واقعی بین آنها و APها استفاده می کنیم و این فواصل واقعی به عنوان داده های ورودی آموزش GPR در نظر گرفته می شود که می توان آن را بیان کرد. مانند ایکس{ایکس1، ایکس2،⋯،ایکساس}، و شاخص های سناریوی مربوطه، داده های خروجی برای آموزش هستند که می توانند به صورت بیان شوند Y{y1، y2،⋯،yاس}. بین داده های ورودی و خروجی باید نقشه ای به شرح زیر وجود داشته باشد:

Y=f(ایکس)+γ

جایی که γنویز گاوسی با میانگین و واریانس صفر است، δ2، یعنی γ~ن(0،δ2). استعداد داده های آموزشی را نشان می دهد.

GPR یک مدل ناپارامتریک است. هدف آن استفاده از فرآیند گاوسی قبل برای انجام تحلیل رگرسیون بر روی داده ها و ایجاد رابطه نگاشت برای تابع هدف است. در GPR، فرآیند گاوسی مجموعه‌ای از متغیرهای تصادفی است که تابع توزیع گاوسی مشترک هستند، که توسط یک تابع میانگین و تابع کوواریانس تعیین می‌شود، همانطور که در رابطه (9) نشان داده شده است:

f(ایکس)~جیپ(متر(ایکس)،ک(ایکس،ایکس))
متر(ایکس)=E[f(ایکس)]
ک(ایکس،ایکس)=[ک(ایکس1،ایکس1)ک(ایکس1،ایکس2)⋯ک(ایکس1،ایکسن)ک(ایکس2،ایکس1)ک(ایکس2،ایکس2)⋱ک(ایکس2،ایکسن)⋮ ⋮ک(ایکسن،ایکس1)ک(ایکسن،ایکس2)⋯ک(ایکسن،ایکسن)]
ک(ایکسمن،ایکسj)=E[(f(ایکسمن)-متر(ایکسمن))(f(ایکسj)-متر(ایکسj))]

جایی که f(ایکس)نشان دهنده فرآیند گاوسی است، متر(ایکس)تابع میانگینی است که بدون از دست دادن کلیت، صفر دیده می شود، E(·)عملگر انتظار را نشان می دهد، ک(ایکس،ایکس)ماتریس کوواریانس است و ک(ایکسمن،ایکسj)تابع کوواریانس است.

تابع هسته در این کار در رابطه (13) که یک تابع هسته گاوسی است بیان شده است. فراپارامترها δfو لبه ترتیب محدوده انحراف استاندارد و مقیاس طول را نشان می دهد و ایکسمنمجموعه ای از فواصل واقعی بین نقطه ith و AP است. این مقاله فاصله اقلیدسی را برای محاسبه انتخاب کرد ک(ایکسمن،ایکسj)، که توسط “ایکسمن-ایکسj”.

ک(ایکسمن،ایکسj)=δf2هایکسپ(-“ایکسمن-ایکسj”2ل2)

شاخص سناریوی پیش بینی y∗و شاخص سناریوی آموزشی Yیک توزیع گاوسی چند متغیره را بطور مشترک به صورت زیر دنبال کنید:

[Yy∗]=ن{0،[ک(ایکس،ایکس)ک(ایکس،ایکس∗)ک(ایکس∗،ایکس)ک(ایکس∗،ایکس∗)]}

جایی که ایکس∗و ایکسبه ترتیب داده های آزمون و داده های آموزشی هستند. توزیع پسین پ(y∗|Y)را می توان به صورت بیان کرد

y∗|Y=ن(ک(ایکس∗،ایکس)ک(ایکس،ایکس)-1Y، ک(ایکس∗،ایکس)-ک(ایکس∗،ایکس)ک(ایکس،ایکس)-1ک(ایکس،ایکس∗))
بنابراین، هنگامی که اندازه گیری محدوده واقعی به دست می آید، می توان آنها را به عنوان داده های آزمایشی که داده های ورودی مدل است در نظر گرفت. سپس می توان از خروجی مدل برای تعیین سناریوی موقعیت یابی استفاده کرد و فاصله اندازه گیری بین گوشی هوشمند و AP متعلق به سناریوی موقعیت یابی، فاصله LOS است. در تخمین موقعیت یابی، سناریوی شناسایی شده به شناسایی فاصله LOS کمک می کند و فاصله LOS برای تخمین موقعیت گوشی هوشمند استفاده می شود.

4.3. محدودیت موقعیت بر اساس تشخیص سناریو

در مورد یک سناریوی شناخته شده، می توانیم از اطلاعات سناریو برای تصحیح موقعیت تخمین زده شده استفاده کنیم تا از پرش از سناریو جلوگیری کنیم. هنگامی که موقعیت تخمین زده شده در صحنه موقعیت یابی فعلی قرار می گیرد، نشان داده می شود که موقعیت تخمین زده نیاز به محدودیتی دارد. در غیر این صورت، مکان تخمین زده شده باید به سناریوی موقعیت یابی محدود شود، همانطور که در شکل 4 نشان داده شده است .

روش محدودیت موقعیت در رابطه (16) نشان داده شده است.

{ایکسپ=مترمنnایکس+دایکس  (ایکسپ<مترمنnایکس)ایکسپ=مترآایکسایکس-دایکس  (ایکسپ>مترآایکسایکس)yپ=مترمنnY+دy  (yپ<مترمنnY)yپ=مترآایکسY-دy  (yپ>مترآایکسY)

جایی که ( ایکسپ،yپ) موقعیت فراتر از سناریوی مکان را نشان می دهد، (مترمنnایکس،  مترمنnY)و (مترآایکسایکس،  مترآایکسY)به ترتیب حداکثر و حداقل موقعیت سناریوی موقعیت یابی و دایکسو دyمقادیر اصلاحی هستند که هر دو در این مقاله 0.2 متر هستند که ضخامت دیواره است.

زمانی که مختصات X محل تخمینی بزرگتر از مترآایکسایکسیا کمتر از مترمنnایکس، مختصات X باید با علامت جایگزین شود مترآایکسایکسیا مترمنnایکسو ضخامت دیوار را کم یا اضافه کرد. روش تصحیح مختصات Y مانند روش تصحیح X است .

5. الگوریتم محلی سازی داخلی

5.1. مدل کالیبراسیون برد برای فاصله LOS

این مقاله از برازش حداقل مربعات غیرخطی برای ایجاد مدل کالیبراسیون برد برای فاصله LOS استفاده کرد. به منظور ایجاد مدل کالیبراسیون محدوده، ابتدا یک تابع چند جمله ای غیرخطی ساختیم که نشان دهنده رابطه نگاشت بین خطای محدوده و فاصله اندازه گیری است، همانطور که در رابطه (17) نشان داده شده است. فاصله کالیبره شده باید مجموع خطای پیش بینی شده و فاصله اصلی باشد، همانطور که در رابطه (18) نشان داده شده است.

ه=ج1∗دrتیتی3+ج2∗دrتیتی2+ج3∗دrتیتی+ج4
دج=دrتیتی+ه=دrتیتی+ج1∗دrتیتی3+ج2∗دrتیتی2+ج3∗دrتیتی+ج4

جایی که هو دrتیتیخطای محدوده و اندازه گیری دامنه هستند، [ج1، ج2،ج3،ج4]پارامترهای مدل ناشناخته هستند و دجفاصله کالیبره شده است.

هدف برازش حداقل مربعات غیرخطی یافتن گروهی از پارامترها است که می تواند مجموع مربعات باقیمانده مدل را با توجه به داده های شناخته شده به حداقل برساند. هو دrتیتی. حداقل مجموع مجذورهای باقیمانده را می توان با رابطه (19) ارائه کرد.

مترمنn(س)=مترمنn(∑من=1م(yمن-f(ایکسمن،β))2)

جایی که سمجموع مربع های باقیمانده را نشان می دهد، مترمنn(·)نشان دهنده حداقل مقدار و ماندازه داده های ورودی و خروجی است. راه حل پارامترهای مدل با برازش حداقل مربعات غیرخطی یک رویکرد تکراری است. پارامترهای مدل بهینه را می توان در فرآیند تکراری بی وقفه حل کرد.

با این حال، ممکن است در داده های آموزشی به دلیل چند مسیری، NLOS و غیره، نقاط پرت وجود داشته باشد. این مقادیر پرت ممکن است بسیار دور از مقادیر واقعی باشند. بنابراین حذف نقاط پرت در داده های آموزشی ضروری است و از روش فیلتر هامپل برای شناسایی و حذف نقاط پرت استفاده شده است.
در روش فیلتر هامپل، مقدار متوسط ​​نمونه با طول K محاسبه شده و برای تخمین انحراف معیار هر نمونه با توجه به قدر مطلق مقدار میانی استفاده می شود. اگر تفاوت بین نمونه و مقدار متوسط ​​بیش از سه انحراف استاندارد باشد، این نمونه به عنوان یک مقدار پرت شناخته می شود و باید با مقدار متوسط ​​جایگزین شود. به عبارت دیگر، اندازه گیری محدوده انتخاب شده باید در بازه [ μ-3σ, μ + 3σ ] باشد، که μ مقدار متوسط ​​و σ انحراف استاندارد است.

5.2. الگوریتم محلی سازی داخلی بر اساس شناسایی LOS و کالیبراسیون محدوده

الگوریتم محلی سازی داخلی بر اساس شناسایی LOS و کالیبراسیون محدوده عمدتاً شامل دو بخش است: یکی ساخت مدل کالیبراسیون محدوده و دیگری تخمین مکان، همانطور که در شکل 5 نشان داده شده است . در مرحله ساخت مدل، اندازه گیری های محدوده RTT در فواصل مختلف در شرایط LOS جمع آوری می شود. با این اندازه گیری های برد، مدل کالیبراسیون برد برای فاصله LOS ساخته می شود.
یکی از کمک های اصلی روش پیشنهادی استفاده از سناریوی شناخته شده برای کمک به شناسایی فاصله NLOS و LOS است. سپس، فواصل LOS برای تخمین موقعیت گوشی هوشمند انتخاب می شوند. از مدل کالیبراسیون محدوده LOS برای تصحیح اندازه‌گیری برد استفاده می‌شود و موقعیت گوشی هوشمند با فواصل LOS اصلاح شده حل می‌شود. الگوریتم LS به عنوان الگوریتم موقعیت یابی انتخاب می شود.
مزیت دیگر روش پیشنهادی این است که می توان از صحنه موقعیت یابی برای محدود کردن مکان تخمین زده استفاده کرد. هنگامی که موقعیت تخمین زده شده خارج از صحنه موقعیت یابی است، اطلاعات صحنه می تواند موقعیت را محدود کند تا اطمینان حاصل شود که در سناریو قرار دارد. با این حال، اگر موقعیت تخمین زده شده در سناریوی موقعیت یابی قرار گیرد، هیچ اصلاحی وجود ندارد.

6. آزمایش کنید

6.1. محیط تجربی

محیط آزمایشی در این مقاله شامل دو اتاق با چیدمان، طول و غیره متفاوت بود که به صورت دو سناریو دیده می‌شد و E و F نام‌گذاری شدند. شکل 6 چیدمان منطقه آزمایشی را در این مقاله نشان می‌دهد. ستاره قرمز نشان دهنده نقطه آزمایش (TP) با مختصات شناخته شده است. موقعیت AP با آنتن خاکستری ارائه می شود. سایر اشیاء موجود در محیط داخلی نیز در این شکل نشان داده شده است که طبق افسانه قابل درک است.
طول و عرض محیط آزمایشی به ترتیب 19.5 و 5.84 متر بود. مساحت آن تقریباً 113.88 متر مربع بود. در محیط آزمایشی، در مجموع هشت AP و در هر اتاق چهار AP وجود دارد. توزیع APs در سناریوی E نیز متفاوت از سناریوی F است. برای آزمایش عملکرد روش پیشنهادی، اندازه‌گیری‌های برد در 129 TP جمع‌آوری شد و به عنوان داده‌های آزمون در نظر گرفته شد. بنابراین، 129 گروه از داده های آزمون در کل آزمایش وجود دارد. علاوه بر این، ما یک گوشی هوشمند Google Pixel 3 را انتخاب کردیم که از Android RTT API به عنوان گیرنده برای جمع‌آوری اندازه‌گیری محدوده پشتیبانی می‌کند.
دو رویکرد برای تعیین پیچیده بودن یا نبودن یک محیط آزمایشی وجود دارد: یکی استفاده از دقت داده‌های نمونه‌گیری توزیع شده یکنواخت به عنوان معیار قضاوت، و دیگری به درجه پیچیده چیدمان داخلی، میزان تداخل سیگنال‌های دیگر بستگی دارد. چگالی، درجه بازتاب مواد، و غیره. تنها با در نظر گرفتن پیکربندی فضایی، می‌توانیم از چگالی فضایی چیدمان داخلی به عنوان معیاری برای تعیین پیچیده بودن محیط داخلی استفاده کنیم.

6.2. ساخت مدل کالیبراسیون محدوده

برای ایجاد مدل کالیبراسیون برد، اندازه‌گیری‌های محدوده RTT در فواصل مختلف جمع‌آوری شد. برای هر فاصله، زمان اکتساب 30 ثانیه و فرکانس اکتساب 1 هرتز بود. هنگامی که تمام داده های ساخت مدل به دست آمد، نقاط پرت در داده ها باید حذف شوند تا قابلیت اطمینان افزایش یابد. بنابراین، فیلتر Hample را برای پردازش اندازه‌گیری‌های محدوده اصلی انتخاب کردیم. شکل 7 اثر فیلترینگ گروهی از اندازه گیری های محدوده را نشان می دهد. پس از فیلتر همپل، اندازه‌گیری‌های محدوده نرم‌تر شدند.

میانگین اندازه گیری های برد پردازش شده در هر فاصله به عنوان فاصله اندازه گیری نهایی در نظر گرفته شد که به عنوان داده های ورودی مدل در نظر گرفته شد. خطاهای دامنه با اندازه گیری فواصل و فاصله واقعی محاسبه و به عنوان داده های خروجی مدل مشاهده شد. سپس، برازش حداقل مربعات غیرخطی برای ایجاد رابطه نگاشت بین اندازه‌گیری دامنه و خطای محدوده، که راه‌حل بهینه پارامترهای مدل ارائه‌شده در رابطه (17) بود، استفاده شد. پارامترهای مدل [-0.0084، 0.0721، -0.0973، 1.0427] بودند، و مدل کالیبراسیون محدوده در این مقاله می تواند به صورت زیر بیان شود:

دج=-0.0084∗دrتیتی3+0.0721∗دrتیتی2-0.0973∗دrتیتی+1.0427+دrتیتی
ساخت مدل فقط نیاز به جمع آوری مقدار کمی از اندازه گیری برد دارد و روش ساخت بسیار آسان است. علاوه بر این، مدل کالیبراسیون محدوده پیچیدگی کمی دارد. می بینیم که مدل محدوده به دلیل پیچیدگی کم و پیاده سازی آسان، قابلیت استفاده قوی در برنامه های بلادرنگ دارد.

6.3. اثر مدل کالیبراسیون محدوده

هدف مدل کالیبراسیون محدوده کاهش خطای اندازه‌گیری محدوده LOS به منظور بهبود اثر موقعیت‌یابی است. در آزمون این بخش، سناریوی E را به عنوان ناحیه آزمایشی برای نشان دادن اثر کالیبراسیون محدوده انتخاب کردیم. اندازه گیری دامنه در یک TP جمع آوری شد و زمان و فرکانس اکتساب به ترتیب 30 ثانیه و 1 هرتز بود. خطاهای برد فواصل اندازه‌گیری واقعی و فواصل کالیبره‌شده بین گوشی هوشمند و چهار AP در سناریوی E برای مشاهده تأثیر کالیبراسیون برد مورد تجزیه و تحلیل قرار گرفت.شکل 8مقادیر میانگین و انحرافات استاندارد خطاهای محدوده اندازه‌گیری‌های محدوده اصلی و اندازه‌گیری‌های محدوده کالیبره‌شده چهار AP در یک TP را نشان می‌دهد. دقت زمانی که اندازه‌گیری برد کالیبره شد، بهبود پیدا کرد. خطاهای محدوده فاصله های کالیبره شده کمتر از خطاهای اندازه گیری برد واقعی بود.
برای مطالعه بهبود اثر موقعیت‌یابی با مدل کالیبراسیون محدوده مورد استفاده، آزمایشی را انجام دادیم. صحنه E به عنوان منطقه آزمایشی انتخاب شد. در این آزمایش، اندازه‌گیری برد بین گوشی هوشمند و تمام APهای نصب شده در صحنه E با مدل کالیبراسیون برد کالیبره شد و سپس از فواصل کالیبره‌شده برای تخمین مکان استفاده شد. الگوریتم LS الگوریتم موقعیت یابی بود. شکل 9 نتایج تجربی را نشان داد که هیستوگرام خطاهای موقعیت یابی بدون کالیبراسیون و کالیبراسیون برد بود.
همانطور که در جدول 1 نشان داده شده است، اثر موقعیت یابی بر اساس کالیبراسیون محدوده بهتر از آن بدون کالیبراسیون محدوده بود . ME کالیبراسیون برد 0.864 متر و ME 1.067 متر بدون مدل کالیبراسیون برد بود. هنگامی که اندازه‌گیری‌های برد تصحیح شد، دقت موقعیت‌یابی 0.203 متر بهبود یافت. علاوه بر این، در مقایسه با کالیبراسیون محدوده، RMSE 0.18 متر افزایش یافت که اندازه‌گیری‌های برد کالیبره نشدند. مدل کالیبراسیون برد می تواند دقت اندازه گیری برد را بهبود بخشد و در نتیجه دقت موقعیت یابی را افزایش دهد.

6.4. اثر محدودیت موقعیت

این مقاله از اطلاعات سناریو برای محدود کردن موقعیت تخمینی استفاده کرد، که از ظاهر شدن مکان تخمینی فراتر از سناریوی موقعیت‌یابی جلوگیری کرد. بنابراین، در این بخش تأثیر محدودیت موقعیت بر موقعیت‌یابی را با یک آزمون بررسی کردیم. صحنه F به عنوان منطقه آزمایشی برای مطالعه اثر محدودیت موقعیت انتخاب شد، به این معنی که صحنه موقعیت از قبل شناخته شده بود. در این آزمایش، از روش شناسایی NLOS و LOS برای کمک به موقعیت یابی داخل ساختمان استفاده نمی شود و تنها از محدودیت موقعیت برای موقعیت یابی داخلی استفاده می شود.
فواصل اندازه گیری همه APها برای تخمین موقعیت گوشی هوشمند مورد استفاده قرار گرفت و الگوریتم LS به عنوان الگوریتم موقعیت یابی انتخاب شد. سپس مکان تخمین زده شده توسط اطلاعات سناریوی F تصحیح شد. نتایج تجربی در شکل 10 نشان داده شده است . هنگامی که سناریوی موقعیت یابی شناخته شد، اثر موقعیت یابی با محدودیت موقعیت استفاده شده بهبود یافت. مکان تخمینی که فراتر از صحنه موقعیت یابی بود تصحیح شد تا اطمینان حاصل شود که در این صحنه قرار دارد، که اثر موقعیت یابی را بهبود بخشید.
ME و RMSE موقعیت یابی بدون محدودیت موقعیت به ترتیب 2.86 و 3.453 متر بود. ME و RMSE به ترتیب 2.002 و 2.327 متر بودند که مکان تخمین زده شده مهار شد. در مقایسه با موقعیت یابی بدون محدودیت موقعیت، ME و RMSE موقعیت یابی بر اساس محدودیت موقعیت به ترتیب 0.858 متر و 1.125 متر بهبود یافتند. اثر موقعیت یابی زمانی بهبود می یابد که مکان تخمین توسط اطلاعات سناریو محدود شود.

6.5. الگوریتم محلی سازی داخلی بر اساس شناسایی LOS و کالیبراسیون محدوده

این بخش عمدتاً اثر موقعیت‌یابی الگوریتم محلی‌سازی داخلی را بر اساس شناسایی LOS و کالیبراسیون محدوده معرفی می‌کند. برای ارزیابی عملکرد روش پیشنهادی، آزمایشاتی انجام شد. در آزمایش اول، از دو روش موقعیت‌یابی برای تخمین موقعیت گوشی هوشمند استفاده شد: یکی الگوریتم LS بر اساس شناسایی LOS و دیگری یک الگوریتم LS به طور مستقیم که از اندازه‌گیری‌های اصلی برای به دست آوردن موقعیت استفاده می‌کرد. سناریوی E و F به عنوان منطقه آزمایشی برای آزمون انتخاب شدند و 129 گروه از داده های آزمون وجود داشت. خطاهای موقعیت یابی دو روش موقعیت یابی در شکل 11 نشان داده شده است .
به منظور تجزیه و تحلیل اثرات موقعیت یابی دو روش با جزئیات بیشتر، توابع توزیع تجمعی (CDFs) خطاهای موقعیت یابی دو روش نشان داده شده است. شکل 11 نشان داده شده است.. می بینیم که اثر موقعیت یابی روش پیشنهادی به مراتب بهتر از الگوریتم LS بود. این نشان داد که استفاده از شناسایی NLOS و LOS می تواند به طور موثر اندازه گیری برد قابل اعتماد را به دست آورد، و اثر موقعیت یابی در هنگام استفاده از فواصل LOS بسیار بهبود یافته است. برای بررسی کارایی محاسباتی روش پیشنهادی، رایانه ای با پردازنده مرکزی 7 اینتل، حافظه 8 گیگابایتی و سیستم عامل ویندوز 10 به عنوان بستر آزمایش برای به دست آوردن زمان اجرا انتخاب شد. شبیه سازی بر روی MATLAB 2016 انجام شد و تعداد تست ها 100 عدد بود. میانگین زمان اجرای الگوریتم LS 0.17 میلی ثانیه و LS بر اساس LOS و روش پیشنهادی به ترتیب 0.4 و 0.44 میلی ثانیه بود. اگرچه روش پیشنهادی زمان محاسبات بزرگتری نسبت به LS و LS بر اساس الگوریتم های LOS دارد، روش پیشنهادی بازده محاسباتی بسیار نزدیکی به روش LS بر اساس LOS دارد و میانگین زمان اجرای روش پیشنهادی تنها 0.27 میلی ثانیه کندتر از الگوریتم LS بود. این همچنین می تواند نشان دهد که روش پیشنهادی کارایی محاسباتی خوبی دارد.
اثرات موقعیت یابی الگوریتم LS، LS بر اساس LOS و روش پیشنهادی در شکل 12 نشان داده شده است . همچنین می‌توانیم ببینیم که اثر موقعیت‌یابی روش پیشنهادی به مراتب بهتر از الگوریتم LS و بهتر از الگوریتم LS بر اساس شناسایی LOS بود. این نشان داد که ترکیبی از شناسایی NLOS و LOS، کالیبراسیون برد و محدودیت موقعیت می تواند دقت موقعیت یابی را افزایش دهد و یک اثر موقعیت یابی خوب به دست آورد. در این میان، شناسایی LOS بارزترین تأثیر را در بهبود اثر موقعیت‌یابی داشت. حداکثر خطای موقعیت یابی روش پیشنهادی 2.829 متر و خطاهای الگوریتم LS و الگوریتم LS بر اساس LOS به ترتیب 3.205 و 7.870 متر بود. در قابل مشاهده استشکل 12 که الگوریتم LS دارای نقاط پرت بیشتری نسبت به روش پیشنهادی است که نشان می دهد روش پیشنهادی بهتر از الگوریتم LS است.
جدول 2 میانگین خطاها و ریشه میانگین مربعات خطا (RMSEs) LS، LS بر اساس LOS و روش پیشنهادی را نشان می دهد. ME روش پیشنهادی 0.868 متر است که کمترین بین سه روش و ME الگوریتم LS 2.031 متر است. در مقایسه با الگوریتم LS، روش پیشنهادی پیشرفت زیادی داشت و ME آن 1.169 متر کاهش یافت. RMSEهای الگوریتم LS و روش پیشنهادی به ترتیب 606/2 و 989/0 متر بود. در مقایسه با الگوریتم LS، RMSE روش پیشنهادی 1.617 متر کاهش یافت. از آنجایی که RMSE می تواند تا حدودی پایداری موقعیت یابی را ارائه دهد، پایداری موقعیت یابی روش پیشنهادی به مراتب بهتر از الگوریتم LS بود.
RMSE و ME LS بر اساس LOS به ترتیب 1.245 و 1.11 متر بود. در مقایسه با LS بر اساس LOS، ME روش پیشنهادی 0.248 متر بهبود یافت و RMSE آن 0.256 متر کاهش یافت. این نشان داد که اثرات بهبود یافته کالیبراسیون برد بر روی دقت و پایداری موقعیت‌یابی ضعیف‌تر از شناسایی LOS بود. با این حال، به دلیل استقرار آسان و محاسبات کمتر مدل کالیبراسیون برد، همچنان یک رویکرد خوب برای افزایش دقت و پایداری موقعیت‌یابی بود. مشاهده می شود که روش پیشنهادی بهترین اثر موقعیت یابی و کمترین ME و RMSE را در بین سه روش داشت.
علاوه بر این، خطاهای موقعیت یابی مربوط به برخی از احتمالات تجمعی اصلی نیز در این جدول قابل مشاهده است. خطاهای موقعیت‌یابی متناظر روش پیشنهادی همچنان در بین سه روش کمترین بود که احتمال خطای تجمعی 50%، 70% و 90% بود. بنابراین، ما به این نتیجه رسیدیم که روش پیشنهادی می تواند به طور موثر دقت و ثبات موقعیت یابی را با استفاده از WiFi RTT بهبود بخشد.
روش پیشنهادی در کاربردهای بلادرنگ دارای برتری هایی است. اول از همه، روش پیشنهادی بدون جمع‌آوری داده‌های آموزشی، مدل شناسایی سناریو را ایجاد می‌کند که باعث صرفه‌جویی در منابع و افزایش دسترسی به این روش می‌شود. ثانیاً، روش پیشنهادی یک مدل کالیبراسیون محدوده با پیچیدگی کم و پیاده‌سازی آسان ایجاد می‌کند که قابلیت استفاده قوی دارد. در نهایت، روش پیشنهادی تنها به اندازه‌گیری برد نیاز دارد تا به دست آوردن فاصله LOS، که دارای قابلیت گسترش زیادی است، دست یابد.

7. نتیجه گیری

این مقاله یک روش موقعیت‌یابی داخلی را بر اساس شناسایی LOS و کالیبراسیون برد پیشنهاد می‌کند، که می‌تواند صحنه موقعیت‌یابی را تشخیص دهد و فواصل LOS را بر اساس سناریوی شناسایی‌شده شناسایی کند. با در نظر گرفتن خطای فاصله LOS، کالیبراسیون برد برای فاصله LOS برای تصحیح فاصله LOS در این مقاله ساخته شد. فواصل اندازه گیری در شرایط LOS برای کالیبره شدن به منظور کاهش خطاهای محدوده انتخاب می شوند. علاوه بر این، بر اساس اطلاعات سناریو، نتیجه موقعیت یابی فراتر از صحنه موقعیت یابی را می توان به سناریو محدود کرد.
نتایج تجربی نشان داد که اثر موقعیت‌یابی روش پیشنهادی بهتر از الگوریتم LS و الگوریتم LS مبتنی بر LOS است. ME و RMSE روش پیشنهادی 862/0 و 989/0 متر بود. در مقایسه با برخی از فناوری‌های موقعیت‌یابی، مانند اثر انگشت WiFi، اثر انگشت بلوتوث، و RSS مبتنی بر محدوده، موقعیت‌یابی مبتنی بر WiFi RTT می‌تواند به زیرمترها برسد و در نتیجه دقت بهتری داشته باشد. سهم اصلی موقعیت یابی بر اساس WiFi RTT این است که می تواند به دقت زیر متر برسد. روش پیشنهادی نیازی به جمع‌آوری داده‌ها برای داده‌های آموزش مدل ندارد، که یک مزیت بزرگ در کاربرد بلادرنگ است. از مدل کالیبراسیون محدوده پیچیدگی کم برای تصحیح اندازه گیری برد استفاده می کند و هزینه محاسباتی زیادی اضافه نمی کند.
در آینده، ما بر روی موقعیت‌یابی سه‌بعدی بر اساس WiFi RTT تمرکز خواهیم کرد، زیرا ممکن است شناسایی LOS در محیط داخلی چند طبقه نیاز به شناخت طبقه فعلی داشته باشد. بنابراین، نکات تحقیقاتی آینده الگوریتم های موقعیت یابی موقعیت یابی سه بعدی، ترکیبی از موقعیت یابی RTT و سایر روش های تعیین موقعیت ارتفاعی و غیره خواهد بود.

منابع

  1. محمود، ح. تریپاتی، ن. Tipdecho، T. سوئیچینگ بدون درز بین سیستم موقعیت یابی داخلی مبتنی بر GNSS و WLAN برای موقعیت یابی همه جا حاضر. علوم زمین آگاه کردن. 2014 ، 8 ، 221-231. [ Google Scholar ] [ CrossRef ]
  2. Olesen، DM ارزیابی عملکرد و بهبود موقعیت یابی GPS/BDS در فضای داخلی. Adv. Space Res. 2017 ، 59 ، 870-876. [ Google Scholar ]
  3. موسی، ع. Nugraha، GD; هان، اچ. چوی، دی. سئو، اس. Kim, J. یک روش تشخیص NLOS مبتنی بر درخت تصمیم برای بهبود دقت ردیابی مکان داخلی UWB. بین المللی J. Commun. سیستم 2019 , 32 . [ Google Scholar ] [ CrossRef ]
  4. یو، ک. ون، ک. لی، ی. ژانگ، اس. ژانگ، ک. یک الگوریتم جدید کاهش NLOS برای محلی‌سازی UWB در محیط‌های سخت داخلی. IEEE Trans. وه تکنولوژی 2019 ، 68 ، 686-699. [ Google Scholar ] [ CrossRef ]
  5. چن، ال. پی، ال. کوسنیمی، اچ. چن، ی. کروگر، تی. Chen, R. Bayesian Fusion برای موقعیت یابی داخلی با استفاده از اثر انگشت بلوتوث. سیم. پارس اشتراک. 2013 ، 70 ، 1735-1745. [ Google Scholar ] [ CrossRef ]
  6. توپاک، اف. پکریکلی، MK; Tanyer، AM ارزیابی قابلیت زیست فناوری بلوتوث فناوری کم انرژی برای محلی سازی داخلی. جی. کامپیوتر. مدنی مهندس 2018 , 32 . [ Google Scholar ] [ CrossRef ]
  7. ژانگ، جی. لیو، ی. پاتون، جی. Periaswamy، SCG; Roppel, T. BFVP: الگوریتم محلی سازی تگ UHF RFID احتمالی با استفاده از فیلتر بیزی و مدل RFID توان متغیر. IEEE Trans. الکترون صنعتی 2018 ، 65 ، 8250–8259. [ Google Scholar ] [ CrossRef ]
  8. سان، دبلیو. ژو، ام. یو، اچ. تانگ، اچ. Lin, A. تقویت اثر انگشت برای محلی سازی WiFi داخلی بر اساس رگرسیون فرآیند گاوسی. IEEE Trans. وه تکنولوژی 2018 ، 67 ، 10896-10905. [ Google Scholar ] [ CrossRef ]
  9. آهنگ، X. فن، X. شیانگ، سی. بله، س. لیو، ال. وانگ، ز. او، X. یانگ، ن. Fang, G. چارچوب محلی سازی داخلی مبتنی بر شبکه عصبی کانولوشنال جدید با اثر انگشت WiFi. دسترسی IEEE 2019 ، 7 ، 110698–110709. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، دی. یانگ، LT; حداقل، سی. ژائو، اس. گوو، ام. یین، زی. سیستم های مکان یابی بلادرنگ با استفاده از RFID فعال برای اینترنت اشیا. سیستم IEEE J. 2017 ، 10 ، 1226-1235. [ Google Scholar ] [ CrossRef ]
  11. خو، اچ. دینگ، ی. لی، پی. وانگ، آر. Li، Y. یک الگوریتم موقعیت یابی داخلی RFID بر اساس احتمال بیزی و K-نزدیکترین همسایه. Sensors 2017 ، 17 ، 1806. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. شیائو، آ. رویزی، سی. درن، ال. یوجین، سی. Dewen, W. یک سیستم موقعیت یابی داخلی بر اساس اشیاء ساکن در صحنه های داخلی بزرگ با استفاده از دوربین گوشی های هوشمند. Sensors 2018 , 18 , 2229. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. خیام، MO; نورالرحیم، م. لی، ایکس. ریتز، سی. Guan، YL; طراحی SS از شکل‌های موج چیرپ برای موقعیت‌یابی آلتراسونیک با دسترسی چندگانه در فضای داخلی. IEEE Sens. J. 2018 , 18 , 6375–6390. [ Google Scholar ] [ CrossRef ]
  14. چن، جی. او، جی. پنگ، ا. ژنگ، ال. Shi, J. یک سیستم محلی سازی داخلی INS/WiFi بر اساس حداقل مربعات وزنی. Sensors 2018 , 18 , 1458. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. Rizos, C. یک روش حل ابهام عدد صحیح برای ادغام GPS/شبه‌دولیت/INS. جی. جئود. 2005 ، 79 ، 242-255. [ Google Scholar ]
  16. لی، ایکس. ژانگ، پی. هوانگ، جی. ژانگ، Q. ژائو، کیو. تجزیه و تحلیل عملکرد موقعیت یابی سودولیت داخلی بر اساس فیلتر کالمن بدون بو. راه حل GPS. 2019 ، 23 . [ Google Scholar ] [ CrossRef ]
  17. جون، اچ. روش کالیبراسیون دقیق موقعیت‌های کاذب در سیستم‌های ناوبری داخلی. محاسبه کنید. ریاضی. Appl. 2003 ، 46 ، 1711-1724. [ Google Scholar ]
  18. ممکن است.؛ دو، ز. جیانگ، کیو. Hou, Z. Basmag: یک سیستم محلی سازی مبتنی بر HMM بهینه شده با استفاده از الگوریتم تطبیق دنباله های عقب با بهره برداری از اطلاعات ژئومغناطیسی. IEEE Sens. J. 2016 , 16 , 7472–7482. [ Google Scholar ] [ CrossRef ]
  19. Zhou، Z. الگوریتم موقعیت یابی داخلی با استفاده از ارتباطات نور مرئی دیود ساطع کننده نور. انتخاب کنید مهندس 2012 ، 51 ، 5009. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. فیلوننکو، وی. کالن، سی. Carswell, J. بررسی موقعیت یابی اولتراسونیک در تلفن های همراه. در مجموعه مقالات کنفرانس بین المللی 2010 در مورد موقعیت یابی داخلی و ناوبری داخلی، زوریخ، سوئیس، 15 تا 17 سپتامبر 2010. [ Google Scholar ]
  21. Tan, KG Objects ردیابی در یک محیط خواننده متراکم با استفاده از شبکه های موقعیت یابی آنتن RFID. بین المللی جی. الکترون. 2009 ، 96 ، 1281-1307. [ Google Scholar ]
  22. پترسون، GD سیستم های موقعیت یابی UWB با دقت زیر میلی متری سنجش فشاری: رویکرد فضا-زمان. رقم. فرآیند سیگنال 2013 ، 23 ، 340-354. [ Google Scholar ]
  23. Han, SK یک سیستم موقعیت یابی ارتباط نور مرئی داخلی با استفاده از تکنیک تخصیص حامل RF. J. Lightwave Technol. 2013 ، 31 ، 134-144. [ Google Scholar ]
  24. الگوریتم محلی‌سازی نسبی شبه‌دولیت داخلی لیو، YQ با فیلتر کالمن. Acta Phys. گناه 2014 ، 63 ، 228402. [ Google Scholar ]
  25. هو، سی سی; Lee, R. سیستم موقعیت یابی داخلی در زمان واقعی بر اساس تخمین موقعیت مکانی دوتایی هرون RFID و تخمین مکان اینرسی-ناوبری IMU. در مجموعه مقالات سی و نهمین کنفرانس سالانه نرم افزار و برنامه های کامپیوتری IEEE 2015، تایچونگ، تایوان، 1 تا 5 ژوئیه 2015؛ ص 481-486. [ Google Scholar ]
  26. لیو، دی. تحقیق در مورد الگوریتم ترکیبی فیلتر کالمن و فیلتر ذرات در موقعیت‌یابی فیوژن IMU و UWB. اوباش Inf. سیستم 2018 , 2018 . [ Google Scholar ] [ CrossRef ]
  27. Schmalstieg, D. موقعیت یابی و ناوبری داخل ساختمان با دوربین تلفن. محاسبات فراگیر IEEE 2009 ، 8 ، 22-31. [ Google Scholar ]
  28. استریگل، الف. برآورد نزدیکی چهره به چهره با استفاده از بلوتوث در تلفن های هوشمند. IEEE Trans. اوباش محاسبه کنید. 2014 ، 13 ، 811-823. [ Google Scholar ]
  29. گائو، ی. الگوریتم فیلتر ذرات بهبود یافته برای موقعیت یابی ژئومغناطیسی داخلی. J. Sens. 2018 ، 2018 ، 1–9. [ Google Scholar ]
  30. ژوانگ، ی. سید، ز. لی، ی. El-Sheimy، N. ارزیابی دو سیستم موقعیت‌یابی WiFi بر اساس جمع‌سپاری خودکار دستگاه‌های دستی برای ناوبری داخلی. IEEE Trans. اوباش محاسبه کنید. 2016 ، 15 ، 1982-1995. [ Google Scholar ] [ CrossRef ]
  31. وانگ، پی. Luo, Y. تحقیق در مورد الگوریتم مکان داخلی WiFi بر اساس محدوده RSSI. در مجموعه مقالات چهارمین کنفرانس بین‌المللی علوم اطلاعات و مهندسی کنترل (ICISCE) در سال 2017، چانگشا، چین، 21 تا 23 ژوئیه 2017؛ صفحات 1694-1698. [ Google Scholar ]
  32. زی، ی. وانگ، ی. نالاناتان، ا. وانگ، ال. یک روش محلی‌سازی داخلی K-نزدیک‌ترین همسایه بهبودیافته بر اساس فاصله اسپیرمن. فرآیند سیگنال IEEE Lett. 2016 ، 23 ، 351-355. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. کارلسون، اف. کارلسون، ام. برنهاردسون، بی. توفسون، اف. Persson، M. Sensor با استفاده از اندازه‌گیری سیگنال WiFi دو باند، موقعیت‌یابی داخلی را ترکیب کرد. در مجموعه مقالات کنفرانس کنترل اروپا 2015 (ECC)، لینز، آسترالیا، 15 تا 17 ژوئیه 2015؛ صفحات 1669-1672. [ Google Scholar ]
  34. یو، اف. جیانگ، م. لیانگ، جی. Qin، X. هو، م. پنگ، تی. Hu, X. گسترش بومی سازی فضای داخلی مبتنی بر RSS با استفاده از سیگنال WiFi 5G. در مجموعه مقالات کنفرانس بین المللی 2014 در زمینه هوش محاسباتی و شبکه های ارتباطی، بوپال، هند، 14 تا 16 نوامبر 2014. ص 510-514. [ Google Scholar ]
  35. Tewolde، GS; Kwon, J. محلی سازی کارآمد وای فای در فضای داخلی با استفاده از بهینه سازی ازدحام ذرات. در مجموعه مقالات پیشرفت در هوش ازدحام، چونگ کینگ، چین، 12-15 ژوئن 2011 . Springer: برلین/هایدلبرگ، آلمان، 2011; ص 203-211. [ Google Scholar ]
  36. وو، جی. Tseng، P. یک روش موقعیت یابی داخلی مبتنی بر شبکه عصبی عمیق با استفاده از اطلاعات وضعیت کانال. در مجموعه مقالات کنفرانس بین المللی محاسبات، شبکه و ارتباطات 2018 (ICNC)، مائوئی، HI، ایالات متحده آمریکا، 5 تا 8 مارس 2018؛ ص 290-294. [ Google Scholar ]
  37. لیو، دبلیو. چنگ، کیو. دنگ، ز. چن، اچ. فو، ایکس. ژنگ، ایکس. ژنگ، اس. چن، سی. وانگ، اس. بررسی سیستم های موقعیت یابی داخلی مبتنی بر CSI و پیشرفت های اخیر. در مجموعه مقالات کنفرانس بین المللی 2019 موقعیت یابی داخلی و ناوبری داخلی (IPIN)، پیزا، ایتالیا، 30 سپتامبر تا 3 اکتبر 2019؛ صص 1-8. [ Google Scholar ]
  38. ژانگ، ی. لی، دی. Wang, Y. روش موقعیت‌یابی غیرفعال داخلی با استفاده از اثر انگشت CSI بر اساس Adaboost. IEEE Sens. J. 2019 ، 19 ، 5792–5800. [ Google Scholar ] [ CrossRef ]
  39. Karegar, PA بی‌سیم انگشت‌نگاری موقعیت‌یابی داخلی با استفاده از روش‌های خوشه‌بندی انتشار میل. سیم. شبکه 2018 ، 24 ، 2825-2833. [ Google Scholar ] [ CrossRef ]
  40. آمیزور، ی. شاتزبرگ، U. Banin، L. نسل بعدی سیستم موقعیت یابی داخلی بر اساس زمان پرواز WiFi. در مجموعه مقالات بیست و ششمین نشست فنی بین‌المللی بخش ماهواره مؤسسه ناوبری (ION GNSS+ 2013)، نشویل، TN، ایالات متحده آمریکا، 16 تا 20 سپتامبر 2013. [Google Scholar ]
  41. بنین، ال. شاتزبرگ، U. Amizur، Y. WiFi FTM و Map Information Fusion برای موقعیت یابی دقیق. در مجموعه مقالات کنفرانس بین المللی 2016 در موقعیت یابی داخلی و ناوبری داخلی (IPIN)، آلکالا د هنارس، اسپانیا، 4 تا 7 اکتبر 2016. [ Google Scholar ]
  42. وانگ، ک. نیرمالاتاس، ا. لیم، سی. علامه، ک. لی، اچ. Skafidas, E. سیستم محلی سازی بی سیم نوری مادون قرمز داخلی با قابلیت تخمین توان نور پس زمینه. انتخاب کنید Express 2017 , 25 , 22923–22931. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. گوا، جی. چن، آر. بله، اف. پنگ، ایکس. لیو، ز. Pan, Y. محلی‌سازی گوشی‌های هوشمند داخلی: یک رویکرد دامنه‌دار وای‌فای ترکیبی RTT-RSS. دسترسی IEEE 2019 ، 7 ، 176767–176781. [ Google Scholar ] [ CrossRef ]
  44. ابراهیم، ​​م. لیو، اچ. جواهر، ع. نگوین، وی. گروتسر، م. هوارد، آر. یو، بی. بای، اف. تأیید: ارزیابی دقت اندازه‌گیری‌های زمان دقیق WiFi در یک پلت‌فرم باز. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی سالانه محاسبات و شبکه های سیار، دهلی نو، هند، 29 تا 31 اکتبر 2018؛ صص 417-427. [ Google Scholar ]
  45. هاشم، ا. یوسف، م. Harras, KA WiNar: محلی‌سازی زیر متری داخلی مبتنی بر RTT با استفاده از دستگاه‌های تجاری. در مجموعه مقالات کنفرانس بین المللی IEEE 2020 در مورد محاسبات و ارتباطات فراگیر (PerCom)، آستین، TX، ایالات متحده، 23 تا 27 مارس 2020؛ صص 1-10. [ Google Scholar ]
  46. دوورسکی، ن. بار-شالوم، او. بنین، ال. Amizur، Y. یک رویکرد یادگیری ماشینی برای محدوده RTT Wi-Fi. در مجموعه مقالات نشست فنی بین المللی موسسه ناوبری ION ITM 2019، Reston، VA، ایالات متحده آمریکا، 28 تا 31 ژانویه 2019. [ Google Scholar ]
  47. 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 ]
  48. یو، ی. چن، آر. چن، ال. گوا، جی. بله، اف. Liu, Z. یک الگوریتم محاسبه مرده قوی بر اساس Wi-Fi FTM و حسگرهای متعدد. Remote Sens. 2019 , 11 , 504. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. هان، ک. یو، اس ام; کیم، اس. محلی‌سازی فضای داخلی مبتنی بر تلفن هوشمند با استفاده از اندازه‌گیری زمان‌بندی دقیق Wi-Fi. در مجموعه مقالات کنفرانس بین المللی 2019 موقعیت یابی داخلی و ناوبری داخلی (IPIN)، پیزا، ایتالیا، 30 سپتامبر تا 3 اکتبر 2019؛ صص 1-5. [ Google Scholar ]
  50. پیش نویس استاندارد IEEE برای فناوری اطلاعات – ارتباطات و تبادل اطلاعات بین سیستم‌های شبکه‌های محلی و شهری – الزامات خاص بخش 11: مشخصات کنترل دسترسی متوسط ​​LAN بی‌سیم (MAC) و لایه فیزیکی (PHY). در IEEE P802.11-REVmc/D2.0، اکتبر 2013 ؛ IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، 2013؛ صص 1–3237.
  51. شارپ، آی. Yu, K. الگوریتم موقعیت یابی حداقل مربعات پیشرفته برای موقعیت یابی داخلی. IEEE Trans. اوباش محاسبه کنید. 2013 ، 12 ، 1640-1650. [ Google Scholar ] [ CrossRef ]
  52. لی، ال. شی، ج. کانگ، ی. دوان، جی. Sun، P. یک تحقیق موقعیت یابی داخلی بر اساس روش حداقل مربعات مونت کارلو. در مجموعه مقالات موقعیت یابی همه جا حاضر، ناوبری داخلی و خدمات مبتنی بر مکان 2018 (UPINLBS)، ووهان، چین، 22 تا 23 مارس 2018؛ صص 1-6. [ Google Scholar ]
Ijgi 09 00627 g001 550
شکل 1. پروتکل اندازه گیری زمان بندی دقیق (FTM).
Ijgi 09 00627 g002 550
شکل 2. اصل موقعیت یابی الگوریتم LS.
Ijgi 09 00627 g003 550
شکل 3. نمونه های سناریو، LOS، و NLOS.
Ijgi 09 00627 g004 550
شکل 4. نمودار شماتیک محدودیت موقعیت: ( a , b ) موقعیت هایی را نشان می دهد که مختصات X و Y حاصل موقعیت یابی به ترتیب فراتر از حداکثر مقادیر X و Y هستند . ( c , d ) مواردی را ارائه می دهد که مختصات X و Y به ترتیب بزرگتر و کمتر از حداکثر و حداقل مرز هستند.
Ijgi 09 00627 g005 550
شکل 5. اصل روش پیشنهادی.
Ijgi 09 00627 g006 550
شکل 6. ارائه چیدمان منطقه آزمایشی.
Ijgi 09 00627 g007 550
شکل 7. نمایش اندازه‌گیری‌های محدوده بدون و با روش فیلتر همپل: ( الف ) اندازه‌گیری‌های محدوده را بدون استفاده از فیلتر همپل نشان می‌دهد، ( ب ) اندازه‌گیری‌های محدوده پردازش شده توسط فیلتر همپل را نشان می‌دهد.
Ijgi 09 00627 g008 550
شکل 8. نوارهای خطای محدوده خطاهای چهار AP در یک TP.
Ijgi 09 00627 g009 550
شکل 9. اثر موقعیت یابی عدم کالیبراسیون و کالیبراسیون محدوده.
Ijgi 09 00627 g010 550
شکل 10. تأثیر محدودیت موقعیت بر موقعیت.
Ijgi 09 00627 g011 550
شکل 11. CDF خطاهای موقعیت یابی الگوریتم LS و الگوریتم LS بر اساس LOS.
Ijgi 09 00627 g012 550
شکل 12. اثرات موقعیت یابی LS، LS بر اساس LOS و روش پیشنهادی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید