V Международная студенческая научная конференция Студенческий научный форум - 2013

В настоящее время проблема навигации внутри помещений становится все актуальнее. Широко распространенная GPS-технология решает множество задач, связанных с определением местоположения вне помещений, однако её невозможно использовать для навигации внутри помещений в связи со значительным ослаблением сигнала в стенах и перекрытиях зданий и недостаточной точностью позиционирования (порядка 5-10 метров). Поэтому для решения данной проблемы необходимо использовать альтернативные способы позиционирования и навигации.

Содержание работы

В последние годы предпринимались попытки разработать системы позиционирования внутри помещений, но данные решения обладают рядом недостатков: во-первых, требование внедрения и установки дорогостоящей аппаратуры (источники ИК-света, ультразвука, bluetooth-сигналов, HAIP-антенн) [1], во-вторых, решения разрабатываются для конкретной мобильной платформы, и, следовательно, данную технологию невозможно использовать на других платформах) [2, 3]. Разрабатываемая нами технология лишена перечисленных выше недостатков.

Итак, для реализации системы позиционирования используются возможности современных широкодоступных мобильных устройств (гироскопа, акселерометра, радио, видеокамеры, Wi-Fi сигнала). Определение местоположения основывается на сопоставлении текущих значений сигналов, полученных с сенсоров, с предварительно собранными характеристиками – пространственными сигнатурами сигнала. Выбор данной техники позиционирования обусловлен высокой точностью и отсутствием дополнительных требований к средствам распространения сигналов. Преимущества и недостатки различных методов рассмотрены в [4- 6].

Предварительный анализ пространственных сигнатур сигнала выполнялся с использованием деревьев решений. Деревья решений – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение [7]. Построение дерева решений осуществляется на основе алгоритма CART [8, 9]. На каждом шаге построения дерева алгоритм последовательно сравнивает все возможные разбиения для всех атрибутов, выбирает наилучший атрибут (значение сигнала) и наилучшее разбиение для него. Полученные результаты показывают возможность определения местоположения объекта с точностью до 3 метров.

Разработанная технология позиционирования предусматривает следующие этапы построения системы:

1. сбор сигналов (предварительный этап: формирование обучающего множества характеристик);

2. интеллектуальный анализ данных (построение многофакторной модели пространства);

3. позиционирование.

На начальном этапе для точек пространства внутри помещений происходит сбор данных с сенсоров мобильных устройств. Поскольку уровень Wi-Fi сигнала зависит от динамических факторов [10], измерения выполняются в различные периоды времени, на различной высоте (20-30 см, 90-100 см, 190-200 см) мобильными устройствами разных марок. В дальнейшем на основе этих данных строятся пространственные сигнатуры сигнала – векторы, компонентами которых являются значения конкретных характеристик, полученных с сенсоров мобильных устройств. В результате для каждого объекта имеем набор таких векторов. Полученные данные подвергаются анализу, в результате которого для каждой локации определяются наиболее значимые компоненты векторов. Для определения местоположения используются скрытые Марковские модели (Рис.1).

Рассмотрим подробнее данную модель.

 

a₀₁

a₁₂

a_p-1,p

a₂₃

b₀

b₁

b₂

 

Рис.1. Скрытая Марковская модель

В структуре СММ выделяют состояния, видимые наблюдателю V = {v₁,v₂,…,vn}, и скрытые S = {s₁,s₂,..,s_m}.Текущие значения сигналов представляют наблюдаемое состояние СММ, скрытые состояния соответствуют локациям внутри помещений. Таким образом, вектор текущих значений сигналов oV, а локация q S.

Матрица вероятностей A ={a_ij | i, j= 1, .., m} перехода от одного скрытого состояния к другому строится на основе графовой модели пространства: наибольшие значения имеют элементы a_ij, которым в пространстве соответствуют наиболее близкие объекты s_i и s_j. Распределение вероятностей появления наблюдаемого вектора o_k вычисляется при помощи вероятностной нейронной сети (ВНС) [11]. Рассмотрим подробнее её структуру.

Пусть имеется N обучающих векторов и m классов (объектов в пространстве). Тогда ВНС представляет собой сеть следующего вида (рис. 2), внутренний слой содержит N нейронов (мощность обучающего множества), слой суммирования k нейронов, при этом нейроны слоя образцов имеют синаптические связи только с нейроном слоя суммирования, соответствующим данному классу. Каждый i-й нейрон слоя образцов имеет набор из rвесов, соответствующих rкомпонентам входного вектора, представленного своим i-образцом (i = 1,…,N). Все веса связей нейронов слоя суммирования равны 1. Активационная функция z_iнейрона имеет следующий вид

.

Следует отметить, что степень сглаживания (отклонение от гауссовой функции) при слишком больших значениях не будет учитывать некоторые детали при аппроксимации функции плотности, в то время как слишком маленькое отклонение приведет к «острым» аппроксимирующим функциям.

Рис.2. Структура вероятностной нейронной сети

Таким образом, рассмотренная модель содержит объекты пространства и полученные с сенсоров мобильных устройств характеристики сигналов, которые описываются скрытыми и наблюдаемыми состояниями соответственно. Кроме того, данная модель имеет параметры: переходные вероятности между скрытыми состояниями, значения которых определяются из графовой модели пространства, и вероятности перехода от скрытых состояний к наблюдаемым, получаемые в результате обучения ВНС.

Следовательно, применительно к задаче определения текущего местоположения, имеются известные параметры (вероятности переходов) и наблюдаемая последовательность V = {v₁,v₂,…,vp}, требуется подобрать последовательность состояний системы Q = (q₁,…,qp), которая лучше всего соответствует наблюдаемой последовательности.

Итак, определение местоположения объекта сводится к определению наиболее вероятного пути (последовательности скрытых состояний).

Данная технология охватывает до 90% современных мобильных устройств и найдет применение в мобильных гидах для навигации в крупных торговых центрах, государственных учреждениях (музеях, галереях).

Библиографический список

1. Bill R., Cap C., Kofahl M., Mundt T. Indoor and Outdoor Positioning in Mobile Environments // Geographical Information Sciences, 2004. Vol. 10, Number 2. P. 91 98.

2. Indoor Atlas. [Электронный ресурс]. [Режим доступа: http://www.indooratlas.com/]

3. WalkBase. [Электронный ресурс]. [Режим доступа: http://www.walkbase.com/]

4. Zeimpekis V., Giaglis G.M., Lek G. A taxonomy of indoor and outdoor positioning techniques for mobile location services // SIGecom Exchange, 2003. P. 19 27.

5. Kamol Kaemarungsi and Prashant Krishnamurthy, "Modeling of Indoor Positioning Systems Based on Location Fingerprinting" //IEEE INFOCOM’2004

6. Nicola Lenihan, A local Optimal User Position System for Indoor Wireless Devices //

7. BaseGroup Labs-Деревья решений - общие принципы работы. [Электронный ресурс]. [Режим доступа: http://www.basegroup.ru/library/analysis/tree/description/]

8. BaseGroup Labs- Деревья решений - CART математический аппарат. Часть1. [Электронный ресурс]. [Режим доступа: http://www.basegroup.ru/library/analysis/tree/math_cart_part1/]

9. BaseGroup Labs- Деревья решений - CART математический аппарат. Часть2. [Электронный ресурс]. [Режим доступа: http://www.basegroup.ru/library/analysis/tree/math_cart_part2/]

10. Wireless Signal Interference. [Электронный ресурс]. [Режим доступа: http://www.far-far-away.com/~yousif/articles/wifi-sig.php]

11. Каширина И.Л. Нейросетевые технологии / И.Л. Каширина. – Воронеж: Издательско-полиграфический центр Воронежского государственного университета, 2008. – 72с.

Научный руководитель: старший преподаватель кафедры математического обеспечения вычислительных систем ПГНИУ К.А. Юрков

 

Код для цитирования: Скопировать