Разбиение множества базовых станций локальной системы позиционирования на пересекающиеся группы

Цели. Актуальной проблемой систем локального позиционирования при отсутствии доступа к глобальным навигационным спутниковым системам является низкая точность позиционирования, связанная, как правило, с неравномерным покрытием рабочей зоны в связи с ее геометрическими особенностями или наличием в ее пределах массивных препятствий и стен. Обычно эта проблема решается путем размещения в рабочей зоне избыточного числа базовых станций системы позиционирования. Подобный подход порождает высокую стоимость таких систем, что в свою очередь препятствует их распространению. Поэтому исследования и разработки, направленные на повышение точности локальных систем позиционирования при использовании минимального числа станций, имеют большую актуальность. Ранее автором был предложен метод повышения точности локального позиционирования путем учета препятствий, известных на этапе проектирования системы. Учет таких препятствий при расчете местоположения реализуется за счет механизма предварительного разбиения радиомаяков на группы и выделения опорных станций этих групп среди базовых станций. Целью работы является усовершенствование этого алгоритма за счет автоматизации этапа подготовки информации о группировке станций.

Методы. Использован метод компьютерного моделирования для подтверждения работоспособности алгоритма разбиения станций системы позиционирования на пересекающиеся группы.

Результаты. Разработаны критерии автогруппировки станций и универсальный алгоритм разбиения станций на группы, позволяющий в автоматизированном режиме подготовить минимально необходимые начальные данные для программы, реализующей алгоритм позиционирования в зоне неоднородной радиопрозрачности.

Выводы. Моделирование предложенного алгоритма подтвердило его работоспособность. Полученные результаты могут использоваться как существенное дополнение к предложенному ранее алгоритму учета препятствий при расчете расстояний до базовых станций.

1. Ninh D.B., He J., Trung V.T., Huy D.P. An effective random statistical method for Indoor Positioning System using WiFi fingerprinting. Future Gener. Comput. Syst. 2020;109:238–248. https://doi.org/10.1016/j.future.2020.03.043

2. Qin F., Zuo T., Wang X. Ccpos: Wifi fingerprint indoor positioning system based on CDAE-CNN. Sensors. 2021;21(4):1114. https://doi.org/10.3390/s21041114

3. Bellavista-Parent V., Torres-Sospedra J., Perez-Navarro A. New trends in indoor positioning based on WiFi and machine learning: A systematic review. In: 2021 International Conference on Indoor Positioning and Indoor Navigation (IPIN). IEEE; 2021. https://doi.org/10.1109/IPIN51156.2021.9662521

4. Bai L., Ciravegna F., Bond R., Mulvenna M. A low cost indoor positioning system using bluetooth low energy. IEEE Access. 2020;8:136858–136871. http://dx.doi.org/10.1109/ACCESS.2020.3012342

5. Essa E., Abdullah B.A., Wahba A. Improve performance of indoor positioning system using BLE. In: 2019 14th International Conference on Computer Engineering and Systems (ICCES). IEEE; 2019. Р. 234–237. https://doi.org/10.1109/ICCES48960.2019.9068142

6. Spachos P., Plataniotis K.N. BLE beacons for indoor positioning at an interactive IoT-based smart museum. IEEE Syst. J. 2020;14(3):3483–3493. https://doi.org/10.1109/JSYST.2020.2969088

7. Dong Z.Y., Xu W.M., Zhuang H. Research on ZigBee indoor technology positioning based on RSSI. Procedia Comput. Sci. 2019;154:424–429. https://doi.org/10.1016/j.procs.2019.06.060

8. Ainul R.D. An enhanced trilateration algorithm for indoor RSSI based positioning system using ZigBee protocol. J. INFOTEL (Informatics, Telecommunication, and Electronics). 2022;14(4):301–306. https://doi.org/10.20895/infotel.v14i4.822

9. Cheng C.H., Syu S.J. Improving area positioning in ZigBee sensor networks using neural network algorithm. Microsyst. Technol. 2021;27(1):1419–1428. https://doi.org/10.1007/s00542-019-04309-2

10. Tian D., Xiang Q. Research on indoor positioning system based on UWB technology. In: 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC). IEEE; 2020. Р. 662–665. https://doi.org/10.1109/ITOEC49072.2020.9141707

11. Li B., Zhao K., Sandoval E.B. A UWB-based indoor positioning system employing neural networks. J. Geovis. Spat. Anal. 2020;4(2):18. https://doi.org/10.1007/s41651-020-00059-2

12. Che F., Ahmed Q.Z., Fontaine J., et al. Feature-based generalized Gaussian distribution method for NLoS detection in ultra-wideband (UWB) indoor positioning system. IEEE Sensors J. 2022;22(19):18726–18739. https://doi.org/10.1109/JSEN.2022.3198680

13. Lopes S.I., Vieira J.M.N., Reis J., Albuquerque D., Carvalho N.B. Accurate smartphone indoor positioning using a WSN infrastructure and non-invasive audio for TDoA estimation. Pervasive and Mobile Computing. 2015;20:29–46. https://doi.org/10.1016/j.pmcj.2014.09.003

14. Zourmand A., Sheng N.W., Hing A.L.K., AbdulRehman M. Human Counting and Indoor Positioning System Using WiFi Technology. In: 2018 IEEE International Conference on Automatic Control and Intelligent Systems (I2CACIS). IEEE: 2018. https://doi.org/10.1109/I2CACIS.2018.8603690

15. Zhao M., Chang T., Arun A., Ayyalasomayajula R., Zhang C., Bharadia D. ULoc: Low-Power, Scalable and cm-Accurate UWB-Tag Localization and Tracking for Indoor Applications. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. 2021;5(3):1–31. https://doi.org/10.1145/3478124

16. Renault S., Akbar Sheikh-Akbari, Ofoegbu E. Low Cost and Energy Efficient Hybrid Wireless Positioning System Using Wi-Fi and Bluetooth Technologies for Wearable Devices. Preprints. 2023. 2023092061. http://doi.org/10.20944/preprints202309.2061.v1

17. Астафьев А.В., Титов Д.В., Жизняков А.Л., Демидов А.А. Метод позиционирования мобильного устройства с использованием сенсорной сети BLE-маяков, аппроксимации значений уровней сигналов RSSI и искусственных нейронных сетей. Компьютерная оптика. 2021;45(2):277–285. https://doi.org/10.18287/2412-6179-CO-826 [Astafiev A.V., Titov D.V., Zhiznyakov A.L., Demidov A.A. A method for mobile device positioning using a sensor network of BLE beacons, approximation of the RSSI value and artificial neural networks. Komp’yuternaya optika = Computer Optics. 2021;45(2):277–285 (in Russ.). https://doi.org/10.18287/2412-6179-CO-826 ]

18. Subedi S., Pyun J.-Y. Practical fingerprinting localization for indoor positioning system by using beacons. J. Sensors. 2017;2017:9742170. https://doi.org/10.1155/2017/9742170

19. Крижановский М.Н. Моделирование алгоритма учета препятствий при расчете локации в системах ближнего позиционирования. Вопросы электромеханики. Труды ВНИИЭМ. 2023;192(1):14–20. https://www.elibrary.ru/evdpoc, URL: https://jurnal.vniiem.ru/text/192/14-20.pdf [Krizhanovskiy M. Modeling of the algorithm for taking into account obstacles in the calculation of location in shortrange positioning systems. Voprosy elektromekhaniki. Trudy VNIIEM = Electromechanical Matters. VNIIEM Studies. 2023;192(1):14–20 (in Russ.). https://www.elibrary.ru/evdpoc, URL: https://jurnal.vniiem.ru/text/192/14-20.pdf ]

20. Obeidat H.A., Khan R., Obeidat O.A., et al. An indoor path loss prediction model using wall correction factors for WLAN and 5G indoor networks. Radio Science J. 2018;53(4):544–564. https://doi.org/10.1002/2018RS006536