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 Euclideandistancebetweenvectorsofstrengthsasasimilaritycriterion 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) 1:

เมื่อเร็ว ๆ นี้ วางระบบเช่น GPS [1] ได้กลายเป็นที่นิยมมาก และทำให้สามารถใช้งานหลากหลาย อย่างไรก็ตาม ส่วนใหญ่จริงเทคนิค โดยเฉพาะอย่างยิ่งผู้ต้องเทียม ไม่เหมาะสำหรับในร่ม และ เป็นอาคารสมัยใหม่เกือบทั้งหมดมีจุดเข้าถึง Wi-fi ในร่มวางตำแหน่งโดยใช้มาตรฐาน IEEE 802.11 ได้ตอนนี้กลายเป็น ทางเลือกจริง นอกจากนี้ สมาร์ทโฟนล่าสุดทั่วไปเพียบพร้อมขาเซ็นเซอร์ ซึ่งทำให้อุปกรณ์ที่เพียงพอจะใช้ระบบการกำหนดตำแหน่งดังกล่าวในร่มมี ช่วงของการใช้งานที่มีขนาดใหญ่มาก สามารถใช้ระบบระบุตำแหน่งในร่มให้สามารถเข้าถึงแผนที่แบบโต้ตอบของอาคาร เช่น พวกเขาสามารถจัดวางคนผ่านสนามบินไปยังประตูขึ้นเครื่อง ช่วยหานักเรียนห้องเรียนของเขา หรือให้วิธีการของ finding รายการของรายการช็อปปิ้งในซูเปอร์มาร์เก็ต วิธีการประสบความสำเร็จหนึ่งสำหรับในร่มอยู่บนห้อง fingerprints มันสามารถใช้ได้ scenarii กับ multipath รุนแรงซึ่งแตกต่างจากเทคนิคการวิเคราะห์ตำแหน่งที่ระยะห่างจากสถานีฐานต้องการโดยประมาณตามเวลาของวัน รถเวลา หรือสัญญาณความแรงลดทอนสัญญาณ [3] นอกจากนี้ เทคนิคเหล่านั้นมักจะกำหนดเส้นทางเผยแพร่ uninterfered ได้ดี อัลกอริธึมที่ใช้คุณสมบัติการทำงานแตกต่าง และประกอบด้วยระยะที่สอง: การ offline และเป็นระยะที่ออนไลน์ วัตถุประสงค์ของขั้นตอนการ offline คือการ รวบรวมข้อมูลเกี่ยวกับจุดแข็งสัญญาณขาเข้าจุดสถานที่ต่าง ๆ กัน ในระหว่างระยะการแบบออนไลน์ จุดแข็งของสัญญาณที่วัดได้จะเปรียบเทียบการวัด offline เพื่อประมาณตำแหน่งผู้ใช้ ตัวอย่างเช่น ตำแหน่งระบบเรดาร์ [4] ใช้ Euclideandistancebetweenvectorsofstrengthsasasimilaritycriterion ในขณะที่มีการแนะนำน่าจะร่วมตามเงื่อนไขใน [5] [6] ในความพยายามที่จะปรับปรุงความแม่นยำของคุณสมบัติตามระบบตำแหน่งร่ม เรานำเสนอวิธีการใหม่ที่เปรียบเทียบออนไลน์และ offline สัญญาณความแรงน่าเป็นการกระจายเพื่อหาตำแหน่ง offline ที่ใกล้ที่สุด ขัดกับเทคนิคอื่น ๆ ซึ่งเป็นเฉลี่ยจุดแข็งสัญญาณ เราใช้ประโยชน์จากรูปแบบความแรงของสัญญาณ โดยพิจารณาการกระจายความน่าเป็นทั้งหมด เมื่อใช้เรดาร์ [4] และตำแหน่ง [6] วิธีการกับข้อมูลการทดสอบของเรา เราหาที่วิธีการของเราประมาณ 1 เมตรแม่นยำมากในระดับ 50% ของ CDF ที่พลาดตำแหน่ง นี้ บทความนี้จัดเป็นดังนี้: อธิบายหลักการของวิธีการในส่วนที่ 2 ส่วนที่ 3 ให้ผลทดลองหลัก และหมวดที่ 4 นำเสนอการเปรียบเทียบกับเทคนิคอื่น ๆ

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] ใช้ Euclideandistancebetweenvectorsofstrengthsasasimilaritycriterion ในขณะที่ความน่าจะเป็นเงื่อนไขร่วมกันมีข้อเสนอแนะใน [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