Recently, positioning systems such

Recently, positioning systems such as GPS [1] have become very popular and have made possible a large range of applications. However, most actual techniques, especially those requiring satellite coverage, are not suitable for indoor positioning. And, as nearly all modern buildings are equipped with Wi-Fi access points, indoor positioning using IEEE 802.11 standard has now become a realistic alternative. Moreover, recent smartphones are commonly equipped with Wi-Fi sensors, which makes them adequate devices to implement such an indoor positioning system. The range of potential applications is very large. Indoor positioning systems could be used to give access to an interactive map of a building. For example, they could orientate a person through an airport to the boarding gate, help a student find his classroom or facilitate the way of finding items of a shopping list in a supermarket. One successful approach for indoor positioning is based on Wi-fi fingerprints. It is applicable to scenarii with severe multipath unlike triangulation techniques where the distance to the base-stations need to be estimated based on time-of-arrival, roundtrip-time or signal strength attenuation [3]. Moreover, those techniques often require uninterfered propagation paths to work well. The fingerprint-based algorithms work differently and contain two phases: an offline and an online phase. The purpose of the offline phase is to collect information about the Wi-Fi access points signal strengths at different locations. During the online phase, the measured signal strengths are compared to the offline measurements in order to estimate the user position. For example, the positioning system RADAR [4] uses the Euclidean distance between vectors of strengths as a similarity criterion while the conditional joint probabilities are suggested in [5] and [6]. In an attempt to improve the accuracy of fingerprint-based indoor positioning systems, we propose a new method that compares online and offline signal strength probability distributions in order to find the nearest offline locations. Contrary to other techniques for which the signal strengths are averaged, we take advantage of the signal strength variations by considering the whole probability distributions. When applying the RADAR [4] and LOCATOR [6] methods to our testing data, we find that our method is about 1m more accurate at the 50% level of the CDF of the positioning error. This article is organized as follows: in Section 2, the principles of the method are described. Section 3 gives the main experimental results and Section 4 proposes a comparison with other techniques.

ผลลัพธ์ (ไทย) 2:

เมื่อเร็ว ๆ นี้ระบบตำแหน่งเช่น [1] จีพีเอสได้กลายเป็นที่นิยมมากและได้ทำไปช่วงใหญ่ของการใช้งาน แต่เทคนิคที่เกิดขึ้นจริงโดยเฉพาะอย่างยิ่งผู้ที่ต้องการความคุ้มครองดาวเทียมจะไม่เหมาะสำหรับการวางตำแหน่งในร่ม และเป็นอาคารที่ทันสมัย​​เกือบทั้งหมดมีการติดตั้งจุดเชื่อมต่อ Wi-Fi, การวางตำแหน่งในร่มโดยใช้มาตรฐาน IEEE 802.11 ได้ตอนนี้กลายเป็นทางเลือกที่มีเหตุผล นอกจากนี้มาร์ทโฟนที่ผ่านมามีการติดตั้งโดยทั่วไปกับเซ็นเซอร์ Wi-Fi ซึ่งทำให้พวกเขาอุปกรณ์ที่เพียงพอในการดำเนินการดังกล่าวเป็นระบบกำหนดตำแหน่งในร่ม ช่วงของการใช้ศักยภาพที่มีขนาดใหญ่มาก ระบบตำแหน่งในร่มที่สามารถใช้เพื่อให้เข้าถึงแผนที่แบบโต้ตอบของอาคาร ตัวอย่างเช่นพวกเขาสามารถปรับคนผ่านสนามบินไปยังประตูขึ้นเครื่องที่ช่วยให้นักเรียน Fi ND สอนในชั้นเรียนของเขาหรืออำนวยความสะดวกในวิธีการของรายการ Fi nding ของรายการช้อปปิ้งในซูเปอร์มาร์เก็ต วิธีการหนึ่งที่ประสบความสำเร็จสำหรับการวางตำแหน่งในร่มอยู่บนพื้นฐานของการเชื่อมต่อ Wi-Fi ngerprints Fi มันใช้ได้กับ scenarii กับ multipath รุนแรงแตกต่างจากเทคนิคสมการที่ระยะทางไปสถานีฐานจะต้องมีการประเมินขึ้นอยู่กับช่วงเวลาของการมาถึง, บินเวลาหรือความแรงของสัญญาณลดทอน [3] นอกจากนี้เทคนิคเหล่านั้นมักจะต้องใช้เส้นทางการขยายพันธุ์ uninterfered จะทำงานได้ดี ขั้นตอนวิธีการ ngerprint ตาม Fi ทำงานแตกต่างกันและมีสองขั้นตอนของ INE ลอริด้าและขั้นตอนการออนไลน์ วัตถุประสงค์ของฟลอริด้าของเฟส INE คือการรวบรวมข้อมูลเกี่ยวกับการเชื่อมต่อ Wi-Fi จุดเชื่อมต่อจุดแข็งของสัญญาณในสถานที่ที่แตกต่างกัน ในระหว่างขั้นตอนออนไลน์วัดจุดแข็งของสัญญาณจะถูกเมื่อเทียบกับการวัด INE ฟลอริด้าเพื่อประเมินตำแหน่งผู้ใช้ ยกตัวอย่างเช่นเรดาร์ระบบตำแหน่ง [4] ใช้ระยะทางยุคลิดระหว่างเวกเตอร์ของจุดแข็งเป็นเกณฑ์ที่คล้ายคลึงกันในขณะที่ความน่าจะเป็นเงื่อนไขร่วมกันมีข้อเสนอแนะใน [5] และ [6] ในความพยายามที่จะปรับปรุงความถูกต้องของสถ​​าบันการเงิน ngerprint ที่ใช้ระบบการวางตำแหน่งในร่ม, เรานำเสนอวิธีการใหม่ที่เปรียบเทียบการกระจาย INE ความแรงของสัญญาณความน่าจะเป็นของออนไลน์และฟลอริด้าเพื่อ Fi ND ที่ใกล้ที่สุดของสถ​​านที่ฟลอริด้า INE ขัดกับเทคนิคอื่น ๆ ซึ่งจุดแข็งของสัญญาณจะถูกเฉลี่ยเราใช้ประโยชน์จากรูปแบบความแรงของสัญญาณโดยพิจารณาจากความน่าจะเป็นทั้งการกระจาย เมื่อใช้เรดาร์ [4] และ LOCATOR [6] วิธีการเพื่อให้ข้อมูลการทดสอบของเราเรา fi nd ว่าวิธีการของเราเป็นเรื่องเกี่ยวกับ 1m ถูกต้องมากขึ้นในระดับ 50% ของ CDF ของข้อผิดพลาดตำแหน่ง บทความนี้มีการจัดระเบียบดังต่อไปนี้ในส่วนที่ 2 หลักการของวิธีการที่จะมีการอธิบาย มาตรา 3 ให้ผลการทดลองหลักและส่วนที่ 4 เสนอเปรียบเทียบกับเทคนิคอื่น ๆ

ผลลัพธ์ (ไทย) 3:

เมื่อเร็วๆ นี้ อย่างเช่นระบบ GPS ระบุตำแหน่ง [ 1 ] ได้กลายเป็นที่นิยมมากและทำให้เป็นไปได้ที่หลากหลายของการใช้งาน อย่างไรก็ตาม เทคนิคที่เกิดขึ้นจริงมากที่สุด โดยเฉพาะผู้ที่ต้องการผ่านดาวเทียม ไม่เหมาะกับตำแหน่งในร่ม และ เกือบทั้งหมดที่ทันสมัยอาคารติดตั้งจุดการเข้าถึง Wi - Fi , ตําแหน่งในร่มโดยใช้มาตรฐาน IEEE 802.11 ได้กลายเป็นทางเลือกที่เหมือนจริง นอกจากนี้ สมาร์ทโฟนล่าสุดมักติดตั้งเซ็นเซอร์ Wi - Fi ซึ่งทำให้พวกเขามีอุปกรณ์ที่จะใช้ในร่มเช่นวางระบบ ช่วงของการใช้งานที่อาจเกิดขึ้นมีขนาดใหญ่มาก ระบบการวางตำแหน่งในร่มสามารถใช้เพื่อให้เข้าถึงแผนที่แบบโต้ตอบของอาคาร ตัวอย่างเช่นพวกเขาสามารถจัดวางคนผ่านสนามบินเพื่อขึ้นเครื่องประตูช่วยถ่ายทอดนักเรียนและห้องเรียนของเขาหรืออำนวยความสะดวกทางจึงหารายการของรายการช้อปปิ้งในซูเปอร์มาร์เก็ต วิธีการหนึ่งที่ประสบความสำเร็จในการใช้ Wi - Fi จึง ngerprints . มันใช้ได้กับ scenarii ด้วยความรุนแรงแบบแตกต่างจากเทคนิคสามเส้าที่ระยะทางไปยังสถานีฐานจะต้องถูกประเมินบนพื้นฐานของเวลาของการมาถึง , เวลา หรือการรับสัญญาณแรง [ 3 ] นอกจากนี้ เทคนิคเหล่านี้มักจะต้องใช้ uninterfered เส้นทางการเผยแพร่ใช้งานได้ดี จึง ngerprint ตามขั้นตอนวิธีการทำงานที่แตกต่างกัน และประกอบด้วยสองขั้นตอน : หนึ่งของน้ำนมflและระยะทางออนไลน์ จุดประสงค์ของระยะน้ำนมflเพื่อเก็บรวบรวมข้อมูลเกี่ยวกับจุดเชื่อมสัญญาณ Wi Fi จุดแข็งในสถานที่ที่แตกต่างกัน . ในช่วงระยะออนไลน์ วัดสัญญาณ พร้อมทั้งเปรียบเทียบกับการวัดfl ine เพื่อประเมินผู้ใช้ตำแหน่ง ตัวอย่างเช่น ตำแหน่งระบบเรดาร์ [ 4 ] ใช้ระยะทางแบบยุคลิดระหว่างเวกเตอร์ของจุดแข็งเป็นเกณฑ์และเงื่อนไขความน่าจะเป็นร่วมกันมีข้อเสนอแนะใน [ 5 ] [ 6 ] ในความพยายามที่จะปรับปรุงความถูกต้องของจึง ngerprint ตามสระตำแหน่งระบบ เราจึงขอเสนอวิธีใหม่ที่เปรียบเทียบออนไลน์ และfl Ine สัญญาณแรง การแจกแจงความน่าจะเป็นในการถ่ายทอดและใกล้ที่สุดของfl Ine สถานที่ ตรงข้ามกับเทคนิคอื่น ๆที่สัญญาณพร้อมทั้งเฉลี่ย เราใช้ประโยชน์จากความแรงของสัญญาณการเปลี่ยนแปลง โดยพิจารณาจากความน่าจะเป็นทั้งหมด เมื่อใช้เรดาร์ [ 4 ] ที่ตั้ง [ 6 ] วิธีการข้อมูลการทดสอบของเรา เราจึงหาวิธีการของเราคือ ประมาณ 1m ถูกต้องมากขึ้นที่ระดับ 50% ของ CDF ของตำแหน่งผิดพลาด บทความนี้จะจัดได้ดังนี้ ในส่วนที่ 2 หลักการของวิธีการอธิบาย มาตรา 3 ให้ 1 ส่วน 4 หลักและนำเสนอการเปรียบเทียบกับเทคนิคอื่น ๆ