Eine Indoor-Standortverfolgungskarte auf einem Mobiltelefon

Ein Indoor-Positionierungssystem ( IPS ) ist ein Netzwerk von Geräten, das zur Lokalisierung von Personen oder Objekten dort eingesetzt wird, wo GPS und andere Satellitentechnologien ungenau sind oder vollständig ausfallen, beispielsweise in mehrstöckigen Gebäuden, Flughäfen, Gassen, Parkhäusern und unterirdischen Gebäuden. [ 1 ]

Eine Vielzahl von Techniken und Geräten wird zur Indoor-Positionierung eingesetzt. Diese reichen von umkonfigurierten, bereits vorhandenen Geräten wie Smartphones, WLAN- und Bluetooth -Antennen, Digitalkameras und Uhren bis hin zu speziell entwickelten Installationen mit strategisch im Raum platzierten Relais und Beacons. In IPS-Netzwerken kommen unter anderem Licht, Funkwellen, Magnetfelder, akustische Signale und Verhaltensanalysen zum Einsatz. [ 2 ] [ 3 ] IPS erreicht eine Positionsgenauigkeit von 2 cm [ 4 ] , was vergleichbar ist mit RTK- fähigen GNSS-Empfängern, die im Freien eine Genauigkeit von 2 cm erzielen. [ 5 ] IPS nutzt verschiedene Technologien, darunter die Entfernungsmessung zu nahegelegenen Ankerknoten (Knoten mit bekannten, festen Positionen, z. B. WLAN- / Li-Fi- Zugangspunkte , Bluetooth- oder Ultrabreitband-Beacons), magnetische Positionsbestimmung und Koppelnavigation . [ 6 ] Sie lokalisieren mobile Geräte und Tags entweder aktiv oder liefern Umgebungsdaten, damit Geräte ihren Standort erfassen können. [ 7 ] [ 8 ] [ 9 ] Die lokalisierte Natur eines IPS hat zu einer Fragmentierung des Designs geführt, wobei Systeme verschiedene optische [ 10 ] Funk- [ 11 ] [ 12 ] [ 13 ] [ 14 ] [ 15 ] [ 16 ] [ 17 ] oder sogar akustische [ 18 ] [ 19 ] Technologien nutzen .

IPS-Systeme finden breite Anwendung in der Wirtschaft, im Militär, im Einzelhandel und in der Bestandsverwaltung. Es gibt zwar verschiedene kommerzielle Systeme auf dem Markt, jedoch keine einheitlichen Standards für IPS-Systeme. Stattdessen wird jede Installation individuell an die räumlichen Gegebenheiten, die Baumaterialien, die Genauigkeitsanforderungen und die Budgetvorgaben angepasst.

Um stochastische (unvorhersehbare) Fehler durch Glättung auszugleichen, ist ein zuverlässiges Verfahren zur signifikanten Reduzierung des Fehlerbudgets erforderlich. Das System kann Informationen aus anderen Systemen einbeziehen, um physikalische Mehrdeutigkeiten zu bewältigen und die Fehlerkompensation zu ermöglichen. Die Bestimmung der Geräteausrichtung (oft als Kompassrichtung bezeichnet, um sie von der vertikalen Ausrichtung eines Smartphones zu unterscheiden) kann entweder durch die Erkennung von Landmarken in Echtzeitbildern oder mittels Trilateration mit Beacons erfolgen. [ 20 ] Es existieren auch Technologien zur Erfassung magnetometrischer Informationen in Gebäuden, an Orten mit Stahlkonstruktionen oder in Eisenerzbergwerken. [ 21 ]

Anwendbarkeit und Präzision

Aufgrund der Signaldämpfung durch Baumaterialien verliert das satellitengestützte Global Positioning System (GPS) in Innenräumen erheblich an Leistung, was die erforderliche Reichweite von mindestens vier Satelliten für Empfänger beeinträchtigt. Zusätzlich verursachen Mehrfachreflexionen an Oberflächen Mehrwegeausbreitung und damit unkontrollierbare Fehler. Diese Effekte beeinträchtigen alle bekannten Lösungen zur Indoor-Ortung, die elektromagnetische Wellen von Sendern zu Empfängern im Innenbereich nutzen. Um diese Probleme zu kompensieren, werden verschiedene physikalische und mathematische Methoden angewendet. Vielversprechende Ansätze zur Korrektur von Funkpositionierungsfehlern bieten alternative Navigationsinformationsquellen wie Inertialmesseinheiten ( IMU), Monokularkameras, SLAM ( Simultaneous Localization and Mapping ) und Wi-Fi SLAM. Die Integration von Daten aus verschiedenen Navigationssystemen mit unterschiedlichen physikalischen Prinzipien kann die Genauigkeit und Robustheit der Gesamtlösung erhöhen. [ 22 ]

Indoor-Positionierungssysteme sind besonders effektiv in Umgebungen mit schwachem oder fehlendem GPS-Signal, wie beispielsweise Krankenhäusern, Einkaufszentren, Lagerhallen, Fabriken, Flughäfen und unterirdischen Anlagen. Die erreichbare Genauigkeit hängt von der verwendeten Technologie ab. WLAN- und Bluetooth-basierte Systeme bieten typischerweise eine Genauigkeit zwischen 1 und 5 Metern und eignen sich daher für Navigation und Objektverfolgung. Fortschrittliche Technologien wie UWB (Ultrabreitband) ermöglichen hingegen eine zentimetergenaue Positionierung für Anwendungen mit hohen Genauigkeitsanforderungen, wie etwa Robotik, industrielle Automatisierung und Echtzeit-Geräteverfolgung. Faktoren wie Wandmaterialien, Signalstörungen, Mehrwegeausbreitung und sich bewegende Objekte können die Leistung jedoch beeinträchtigen und die Positionsgenauigkeit verringern. [ 23 ]

Das US-amerikanische Global Positioning System (GPS) und ähnliche globale Navigationssatellitensysteme (GNSS) eignen sich im Allgemeinen nicht zur Positionsbestimmung in Innenräumen, da Mikrowellen durch Dächer, Wände und andere Objekte abgeschwächt und gestreut werden. Um die Positionsbestimmung jedoch flächendeckend zu ermöglichen, kann eine Integration von GPS und Indoor-Positionierung erfolgen. [ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ] [ 30 ] [ 31 ]

Dank der zunehmenden Rechenleistung von Mikrochips werden GNSS- Empfänger immer empfindlicher. Hochempfindliche GNSS- Empfänger können Satellitensignale in den meisten Innenräumen empfangen, und die Bestimmung der 3D-Position in Gebäuden war bereits erfolgreich. [ 32 ] Neben der Erhöhung der Empfängerempfindlichkeit kommt auch die A-GPS- Technik zum Einsatz, bei der Almanach und weitere Informationen über ein Mobiltelefon übertragen werden.

Obwohl die erforderliche Abdeckung durch die vier Satelliten zur Lokalisierung eines Empfängers mit den aktuellen Designs (2008–11) für den Indoor-Betrieb nicht vollständig erreicht wird, wurde die GPS-Emulation in der Stockholmer U-Bahn erfolgreich eingesetzt. [ 33 ] Lösungen zur Erweiterung der GPS-Abdeckung ermöglichen eine zonenbasierte Positionierung in Innenräumen, die mit Standard-GPS-Chipsätzen, wie sie in Smartphones verwendet werden, möglich ist. [ 33 ]

Nutzungsarten

Lokalisierung und Positionierung

Während die meisten derzeitigen IPS-Systeme zwar die Position eines Objekts erfassen können, sind sie so ungenau, dass sie nicht zur Bestimmung der Orientierung oder Richtung eines Objekts geeignet sind. [ 34 ]

Ortung und Verfolgung

Eine Methode zur Erreichung ausreichender operativer Eignung ist das „ Tracking “. Dabei wird eine Abfolge von Positionen ermittelt, die eine Trajektorie vom ersten zum aktuellsten Standort bilden. Statistische Verfahren dienen anschließend dazu, die ermittelten Positionen in einer Trajektorie zu glätten, die den physikalischen Bewegungsmöglichkeiten des Objekts entspricht. Diese Glättung muss sowohl bei beweglichen als auch bei stationären Zielen angewendet werden, um unregelmäßige Messwerte auszugleichen. Andernfalls bestünde der einzelne stationäre Standort oder gar die verfolgte Trajektorie aus einer willkürlichen Abfolge von Sprüngen.

Identifizierung und Trennung

In den meisten Anwendungen besteht die Anzahl der Ziele aus mehr als einem. Daher muss das IPS jedes erfasste Ziel eindeutig identifizieren und die Ziele innerhalb der Gruppe einzeln unterscheiden können. Ein IPS muss die verfolgten Objekte trotz „uninteressanter“ Nachbarobjekte erkennen können. Je nach Ausführung muss entweder ein Sensornetzwerk wissen, von welchem ​​Tag es Informationen erhalten hat, oder ein Ortungsgerät muss die Ziele direkt identifizieren können.

Drahtlose Technologien

Jede drahtlose Technologie kann zur Ortung genutzt werden. Viele Systeme nutzen die bestehende drahtlose Infrastruktur für die Indoor-Positionierung. Es gibt drei primäre Systemtopologien für die Hardware- und Softwarekonfiguration: netzwerkbasiert, terminalbasiert und terminalunterstützt. Die Positionsgenauigkeit kann durch Investitionen in drahtlose Infrastruktur und deren Installation erhöht werden.

Wi-Fi-basiertes Positionierungssystem (WPS)

Das Wi-Fi-Positionierungssystem (WPS) wird dort eingesetzt, wo GPS nicht ausreicht. Die Lokalisierungstechnik für drahtlose Zugangspunkte basiert auf der Messung der Empfangssignalstärke ( RSS ) und dem sogenannten „Fingerprinting“. [ 35 ] [ 36 ] [ 37 ] [ 38 ] Um die Genauigkeit des Fingerprintings zu erhöhen, können statistische Nachbearbeitungsverfahren (wie die Gaußprozesstheorie ) angewendet werden, um die diskreten „Fingerprints“ in eine kontinuierliche RSSI-Verteilung jedes Zugangspunkts über den gesamten Standort umzuwandeln. [ 39 ] [ 40 ] [ 41 ] Typische Parameter zur Geolokalisierung eines Wi-Fi-Hotspots oder drahtlosen Zugangspunkts sind die SSID und die MAC-Adresse des Zugangspunkts. Die Genauigkeit hängt von der Anzahl der in der Datenbank gespeicherten Positionen ab. Mögliche Signalschwankungen können zu Fehlern und Ungenauigkeiten im Pfad des Nutzers führen. [ 42 ] [ 43 ]

Bluetooth

Ursprünglich ging es bei Bluetooth um Nähe, nicht um exakte Standortbestimmung. [ 44 ] Bluetooth war nicht dafür gedacht, wie GPS einen festen Standort zu liefern, ist aber als Geofencing- oder Mikrozaun-Lösung bekannt und eignet sich daher eher zur Nähebestimmung in Innenräumen als zur genauen Positionierung.

Mikrokartierung und Indoor-Kartierung [ 45 ] wurden mit Bluetooth [ 46 ] und dem von Apple Inc. entwickelten Bluetooth-LE- basierten iBeacon verknüpft . Ein großflächiges Indoor-Positionierungssystem auf Basis von iBeacons wurde implementiert und in der Praxis angewendet. [ 47 ] [ 48 ]

Die Position des Bluetooth-Lautsprechers und das Heimnetzwerk können als grobe Orientierungshilfe dienen.

Im Jahr 2021 brachte Apple seine AirTags auf den Markt , die eine Kombination aus Bluetooth- und UWB -Technologie nutzen, um Apple-Geräte im „ Wo ist?“-Netzwerk zu orten , was zu einem sprunghaften Anstieg der Popularität von Ortungstechnologien führte.

Engpasskonzepte

Das einfache Konzept der Standortindizierung und Anwesenheitsmeldung für markierte Objekte nutzt ausschließlich die bekannte Sensoridentifikation. [ 16 ] Dies ist typisch für passive RFID- / NFC- Systeme, die weder die Signalstärke noch die Entfernungen einzelner oder mehrerer Tags erfassen und weder die bekannten Standortkoordinaten des Sensors noch den aktuellen Standort der Tags aktualisieren. Für die Funktionsfähigkeit solcher Verfahren ist ein gewisser Freiraum erforderlich, um ein Überschreiten der Reichweite zu verhindern.

Rasterkonzepte

Anstelle von Langstreckenmessungen kann ein dichtes Netzwerk von Kurzstreckenempfängern, beispielsweise aus Kostengründen gitterförmig, im gesamten Überwachungsbereich angeordnet werden. Aufgrund der geringen Reichweite wird ein markiertes Objekt nur von wenigen nahe beieinander liegenden, vernetzten Empfängern identifiziert. Ein identifiziertes Tag muss sich in Reichweite des Lesegeräts befinden, um eine grobe Positionsbestimmung zu ermöglichen. Moderne Systeme kombinieren die visuelle Überwachung mittels eines Kamerarasters mit der drahtlosen Abdeckung, um die Position grob zu bestimmen.

Langstreckensensorkonzepte

Die meisten Systeme nutzen eine kontinuierliche physikalische Messung (z. B. Winkel und Entfernung oder nur Entfernung) zusammen mit den Identifikationsdaten in einem kombinierten Signal. Die Reichweite dieser Sensoren deckt meist ein ganzes Stockwerk, einen Gang oder nur einen einzelnen Raum ab. Lösungen für kürzere Reichweiten werden mit mehreren Sensoren und überlappenden Erfassungsbereichen eingesetzt.

Einfallswinkel

Der Einfallswinkel ( Angle of Arrival , AoA) ist der Winkel, unter dem ein Signal auf einen Empfänger trifft. Er wird üblicherweise durch Messung der Laufzeitdifferenz (Time Difference of Arrival, TDOA) zwischen mehreren Antennen eines Sensorarrays bestimmt. Bei anderen Empfängern erfolgt die Bestimmung durch ein Array hochgerichteter Sensoren – der Winkel lässt sich anhand des Sensors ermitteln, der das Signal empfangen hat. Der Einfallswinkel wird üblicherweise in Verbindung mit Triangulation und einer bekannten Basislinie verwendet, um die Position relativ zu zwei Ankersendern zu bestimmen.

Ankunftszeit

Time of arrival (ToA, also time of flight) is the amount of time a signal takes to propagate from transmitter to receiver. Because the signal propagation rate is constant and known (ignoring differences in mediums) the travel time of a signal can be used to directly calculate distance. Multiple measurements can be combined with trilateration and multilateration to find a location. This is the technique used by GPS and Ultra Wideband systems. Systems which use ToA, generally require a complicated synchronization mechanism to maintain a reliable source of time for sensors (though this can be avoided in carefully designed systems by using repeaters to establish coupling[17]).

The accuracy of the TOA based methods often suffers from massive multipath conditions in indoor localization, which is caused by the reflection and diffraction of the RF signal from objects (e.g., interior wall, doors or furniture) in the environment. However, it is possible to reduce the effect of multipath by applying temporal or spatial sparsity based techniques.[49][50]

Joint angle and time of arrival

Joint estimation of angles and times of arrival is another method of estimating the location of the user. Indeed, instead of requiring multiple access points and techniques such as triangulation and trilateration, a single access point will be able to locate a user with combined angles and times of arrival.[51] Even more, techniques that leverage both space and time dimensions can increase the degrees of freedom of the whole system and further create more virtual resources to resolve more sources, via subspace approaches.[52]

Received signal strength indication

Received signal strength indication (RSSI) is a measurement of the power level received by sensor. Because radio waves propagate according to the inverse-square law, distance can be approximated (typically to within 1.5 meters in ideal conditions and 2 to 4 meters in standard conditions[53]) based on the relationship between transmitted and received signal strength (the transmission strength is a constant based on the equipment being used), as long as no other errors contribute to faulty results. The inside of buildings is not free space, so accuracy is significantly impacted by reflection and absorption from walls. Non-stationary objects such as doors, furniture, and people can pose an even greater problem, as they can affect the signal strength in dynamic, unpredictable ways.

Viele Systeme nutzen eine erweiterte WLAN- Infrastruktur zur Standortbestimmung. [ 12 ] [ 14 ] [ 15 ] Keines dieser Systeme funktioniert jedoch ohne weitere Infrastruktur einwandfrei. Da WLAN-Signalstärkemessungen leider sehr ungenau sind , wird kontinuierlich an der Entwicklung präziserer Systeme geforscht.

Andere drahtlose Technologien

Andere Technologien

Nicht-Funktechnologien können zur Positionsbestimmung eingesetzt werden, ohne die bestehende drahtlose Infrastruktur zu nutzen. Dies ermöglicht eine höhere Genauigkeit, erfordert jedoch teure Geräte und Installationen.

Magnetische Positionierung

Die magnetische Positionsbestimmung ermöglicht Fußgängern mit Smartphones eine Genauigkeit von 1–2 Metern in Innenräumen mit einer Zuverlässigkeit von 90 %, ohne dass zusätzliche drahtlose Infrastruktur zur Positionsbestimmung benötigt wird. Die magnetische Positionsbestimmung basiert auf dem Eisen in Gebäuden, das lokale Variationen des Erdmagnetfelds erzeugt. Nicht optimierte Kompasschips in Smartphones können diese magnetischen Variationen erfassen und aufzeichnen, um Standorte in Innenräumen zu kartieren. [ 56 ]

Trägheitsmessungen

Die Positionsbestimmung von Fußgängern mittels Koppelnavigation und anderen Verfahren schlägt eine vom Fußgänger mitgeführte Inertialmesseinheit vor , die entweder indirekt Schritte misst (Schrittzählung) oder am Fuß befestigt ist [ 57 ] . Manchmal werden Karten oder zusätzliche Sensoren herangezogen, um die bei der Inertialnavigation auftretende Sensordrift zu begrenzen. MEMS-Inertialsensoren weisen internes Rauschen auf, das zu einem kubisch mit der Zeit wachsenden Positionsfehler führt. Um dieses Fehlerwachstum zu reduzieren, wird häufig ein Kalman-Filter- basiertes Verfahren eingesetzt [ 58 ] [ 59 ] [ 60 ] [ 61 ] . Um jedoch die Kartenerstellung zu ermöglichen, wird das SLAM-Algorithmus-Framework verwendet [ 62 ] [ 63 ] [ 64 ] [ 65 ] .

Inertiale Messverfahren erfassen im Allgemeinen die Bewegungsdifferenzen. Daher wird die Position durch Integration bestimmt, was Integrationskonstanten zur Ergebnisermittlung erfordert. [ 66 ] [ 67 ] Die tatsächliche Positionsbestimmung ergibt sich aus dem Maximum einer zweidimensionalen Wahrscheinlichkeitsverteilung, die in jedem Schritt unter Berücksichtigung des Rauschmodells aller beteiligten Sensoren und der durch Wände und Möbel bedingten Einschränkungen neu berechnet wird. [ 68 ] Basierend auf den Bewegungen und dem Gehverhalten der Nutzer kann IPS deren Positionen mithilfe von Algorithmen des maschinellen Lernens schätzen. [ 69 ]

Positionierung anhand visueller Marker

Ein visuelles Positionierungssystem kann den Standort eines kamerafähigen Mobilgeräts bestimmen, indem es die Standortkoordinaten visueller Marker dekodiert. In einem solchen System werden Marker an festgelegten Orten innerhalb eines Gebäudes platziert. Jeder Marker kodiert die Koordinaten des jeweiligen Standorts: Breitengrad, Längengrad und Höhe über dem Boden. Durch Messung des Sichtwinkels zwischen Gerät und Marker kann das Gerät seine eigenen Standortkoordinaten relativ zum Marker schätzen. Zu den Koordinaten gehören Breitengrad, Längengrad, Höhe und Höhe über dem Boden. [ 70 ] [ 71 ] Da visuelle Marker üblicherweise nicht symmetrisch sind, lässt sich auch die Ausrichtung des Nutzers bestimmen. [ 72 ]

Standort basierend auf bekannten visuellen Merkmalen

Eine Sammlung von Schnappschüssen, aufgenommen mit der Kamera eines Mobilgeräts, kann eine Bilddatenbank erstellen, die sich zur Standortbestimmung in einem Gebäude eignet. Sobald die Datenbank erstellt ist, kann ein sich im Gebäude bewegendes Mobilgerät Schnappschüsse aufnehmen, deren Werte in die Datenbank interpoliert werden können, um Standortkoordinaten zu erhalten. Diese Koordinaten können in Kombination mit anderen Ortungsmethoden für eine höhere Genauigkeit verwendet werden. Dies kann als Sonderfall der Sensorfusion betrachtet werden, bei dem die Kamera die Rolle eines weiteren Sensors übernimmt.

Mathematik

Sobald Sensordaten erfasst wurden, versucht ein IPS den wahrscheinlichsten Ursprungsort der empfangenen Übertragung zu bestimmen. Die Daten eines einzelnen Sensors sind in der Regel mehrdeutig und müssen mithilfe statistischer Verfahren aufgelöst werden, um mehrere Sensordatenströme zu kombinieren.

Empirische Methode

Eine Möglichkeit zur Positionsbestimmung besteht darin, die Daten des unbekannten Standorts mithilfe eines Algorithmus wie k-Nächste-Nachbarn mit einer großen Menge bekannter Standorte abzugleichen . Dieses Verfahren erfordert eine umfassende Vor-Ort-Begehung und ist bei wesentlichen Veränderungen der Umgebung (z. B. durch sich bewegende Personen oder Gegenstände) ungenau.

Mathematische Modellierung

Der Standort wird mathematisch berechnet, indem die Signalausbreitung angenähert und Winkel und/oder Entfernung ermittelt werden. Anschließend wird die inverse Trigonometrie zur Standortbestimmung verwendet.

Fortschrittliche Systeme kombinieren präzisere physikalische Modelle mit statistischen Verfahren:

Verwendung

Der größte Vorteil der Indoor-Positionierung für Verbraucher liegt in der Ausweitung ortsbezogener mobiler Anwendungen in Innenräumen. Da mobile Geräte immer allgegenwärtiger werden, hat die Kontextsensitivität von Anwendungen für Entwickler höchste Priorität. Die meisten Anwendungen nutzen derzeit jedoch GPS und funktionieren in Innenräumen nur unzureichend. Zu den Anwendungen, die von der Indoor-Positionierung profitieren, gehören:

Siehe auch

Referenzen

  1. ^ Magda Chelly, Nel Samama. Neue Techniken zur Indoor-Positionierung durch Kombination deterministischer und Schätzmethoden. ENC-GNSS 2009: Europäische Navigationskonferenz – Globale Navigationssatellitensysteme, Mai 2009, Neapel, Italien. S. 1–12. ⟨hal-01367483⟩ [1]
  2. ^ Curran, Kevin; Furey, Eoghan; Lunney, Tom; Santos, Jose; Woods, Derek; McCaughey, Aiden (2011). „Eine Evaluierung von Technologien zur Standortbestimmung in Innenräumen“. Journal of Location Based Services . 5 (2): 61–78 . doi : 10.1080/17489725.2011.562927 . S2CID  6154778 .
  3. ^ Belmonte-Fernández, Ó.; Montoliu, R.; Torres-Sospedra, J.; Sansano-Sansano, E.; Chia-Aguilar, D. (2018). „Eine auf Radiosität basierende Methode zur Vermeidung einer Kalibrierung für Indoor-Positionierungssysteme“. Expertensysteme mit Anwendungen . 105 : 89–101 . doi : 10.1016/j.eswa.2018.03.054 . HDL : 10234/175947 . S2CID 46918367 . 
  4. ^ „2 cm Genauigkeit mit einem Indoor-Positionierungssystem“ . VBOX Automotive . 19.11.2019. Archiviert vom Original am 21.01.2021 . Abgerufen am 19.11.2019 .
  5. ^ „2 cm Genauigkeit mit RTK“ . VBOX Automotive . 19.11.2019. Archiviert vom Original am 18.01.2021 . Abgerufen am 19.11.2019 .
  6. ^ Qiu, Chen; Mutka, Matt (2016). „CRISP: Kooperation zwischen Smartphones zur Verbesserung der Indoor-Positionsbestimmung“. Wireless Networks . 24 (3): 867–884 . doi : 10.1007/s11276-016-1373-1 . S2CID 3941741 . 
  7. ^ Furey, Eoghan; Curran, Kevin; McKevitt, Paul (2012). „HABITS: Ein Bayesianischer Filteransatz für Indoor-Tracking und -Ortung“. International Journal of Bio-Inspired Computation . 4 (2): 79. CiteSeerX 10.1.1.459.8761 . doi : 10.1504/IJBIC.2012.047178 . 
  8. ^ THES, Ausbreitung einer Position in einem verbundenen Netzwerk, Chelly, Magda Lilia; Samama, Nel; 2011, 2011TELE0018, [2]
  9. ^ Yasir, M.; Ho, S.; Vellambi, BN (2014). „Indoor-Positionierungssystem mit sichtbarem Licht und Beschleunigungsmesser“. Journal of Lightwave Technology . 32 (19): 3306–3316 . Bibcode : 2014JLwT...32.3306Y . doi : 10.1109/jlt.2014.2344772 . S2CID 25188925 . 
  10. ^ a b Liu X, Makino H, Mase K. 2010. Verbesserte Indoor-Standortbestimmung mittels eines Fluoreszenzlicht-Kommunikationssystems mit einem Neun-Kanal-Empfänger . IEICE Transactions on Communications E93-B(11):2936-44.
  11. ^ Farid, Z.; Nordin, R.; Ismail, M. (2013). „Aktuelle Fortschritte bei drahtlosen Indoor-Lokalisierungstechniken und -systemen“ . Journal of Computer Networks and Communications . 2013 : 1–12 . doi : 10.1155/2013/185138 .
  12. ^ a b Chang, N; Rashidzadeh, R; Ahmadi, M (2010). „Robust indoor positioning using differential Wi-Fi access points“. IEEE Transactions on Consumer Electronics . 56 (3): 1860–7 . Bibcode : 2010ITCE...56.1860C . doi : 10.1109/tce.2010.5606338 . S2CID 37179475 . 
  13. ^ Atia, MM; Noureldin, A.; Korenberg, MJ (2013). „Dynamische, online kalibrierte Funkkarten für die Indoor-Positionierung in drahtlosen lokalen Netzwerken“. IEEE Transactions on Mobile Computing . 12 (9): 1774–1787 . Bibcode : 2013ITMC...12.1774A . doi : 10.1109/tmc.2012.143 . S2CID 15669485 . 
  14. ^ a b c Chiou, Y.; Wang, C.; Yeh, S. (2010). „Ein adaptiver Standortschätzer mit Tracking-Algorithmen für WLANs in Innenräumen“. Wireless Networks . 16 (7): 1987–2012 . doi : 10.1007/s11276-010-0240-8 . S2CID 41494773 . 
  15. ^ a b Lim, H; Kung, L; Hou, JC; Haiyun, Luo (2010). „Zero-configuration indoor localization over IEEE 802.11 wireless infrastructure“. Wireless Networks . 16 (2): 405– 20. doi : 10.1007/s11276-008-0140-3 . S2CID 17678327 . 
  16. ^ a b c Reza, AW; Geok, TK (2009). „Untersuchung der Indoor-Standorterfassung mittels RFID-Lesegerätnetzwerk unter Verwendung eines Rasterabdeckungsalgorithmus“. Wireless Personal Communications . 49 (1): 67–80 . doi : 10.1007/s11277-008-9556-4 . S2CID 5562161 . 
  17. Zhou , Y.; Law, C. L.; Guan, Y. L.; Chin, F. (2011). „Indoor elliptical localization based on asynchronous UWB range measurement“. IEEE Transactions on Instrumentation and Measurement . 60 ( 1 ): 248–257 . Bibcode : 2011ITIM ... 60..248Z . doi : 10.1109/tim.2010.2049185 . S2CID 12880695 . 
  18. ^ a b Schweinzer, H; Kaniak, G (2010). „Ultraschallgerätelokalisierung und ihr Potenzial für die Sicherheit drahtloser Sensornetzwerke“. Control Engineering Practice . 18 (8): 852–62 . doi : 10.1016/j.conengprac.2008.12.007 .
  19. ^ Qiu, Chen; Mutka, Matt (2017). „Silent whistle: Effective indoor positioning with assistance from acoustic sensing on smartphones“. 2017 IEEE 18th International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM) . S.  1–6 . doi : 10.1109/WoWMoM.2017.7974312 . ISBN 978-1-5386-2723-5. S2CID  30783515 .
  20. ^ Positionierung und Orientierung mittels Bildverarbeitung – eine Studie der University of Washington aus dem Jahr 2007. Es wurden mehrere ähnliche Ansätze entwickelt, und es gibt aktuell (2017) Smartphone-Anwendungen, die diese Technologie implementieren.
  21. ^ Startup nutzt ein Smartphone zur Verfolgung von Personen in Innenräumen – Über Indoor Atlass (MIT Technology Review-Website)
  22. ^ Vladimir Maximov und Oleg Tabarovsky, LLC RTLS, Moskau, Russland (2013). Übersicht über Ansätze zur Genauigkeitsverbesserung eng gekoppelter ToA/IMU-basierter persönlicher Indoor-Navigationssysteme. Tagungsband der Internationalen Konferenz für Indoor-Positionierung und Indoor-Navigation, Oktober 2013, Montbéliard, Frankreich. Siehe Publikation hier. Archiviert am 05.12.2014 im Internet Archive.
  23. ^ Farid, Zahid; Nordin, Rosdiadee; Ismail, Mahamod (2013). „Aktuelle Fortschritte bei drahtlosen Indoor-Lokalisierungstechniken und -systemen“ . Journal of Computer Networks and Communications . 2013 (1) 185138. doi : 10.1155/2013/185138 . ISSN 2090-715X . 
  24. ^ Wan Mohd Yaakob Wan Bejuri, Mohd Murtadha Mohamad und Raja Zahilah (2015). Offline Beacon Selection-Based RSSI Fingerprinting for Location-Aware Shopping Assistance: A Preliminary Result. New Trends in Intelligent Information and Database Systems, S. 303–312. Siehe Publikation hier.
  25. ^ Wan Mohd Yaakob Wan Bejuri, Mohd Murtadha Mohamad und Raja Zahilah (2015). Emergency Rescue Localization (ERL) using GPS, Wireless LAN and Camera“ International Journal of Software Engineering and Its Applications , Bd. 9, Nr. 9, S. 217–232, https://serscjournals.org/index.php/IJSEIA/vol9_no9_2015/19.pdf
  26. ^ Wan Mohd Yaakob Wan Bejuri und Mohd Murtadha Mohamad (2014). Leistungsanalyse der Merkmalserkennung und des Merkmalsabgleichs auf Basis der Grauwelt für mobile Positionierungssysteme. Sensing and Imaging, Band 15, Nr. 1, S. 1-24 [3]
  27. ^ Wan Mohd, Yaakob Wan Bejuri; Murtadha Mohamad, Mohd (2014). „Wireless LAN/FM Radio-based Robust Mobile Indoor Positioning: An Initial Outcome“ (PDF) . International Journal of Software Engineering and Its Applications . 8 (2): 313–324 . Archiviert vom Original (PDF) am 30. Oktober 2023.
  28. ^ Wan; Yaakob Wan Bejuri, Mohd; Murtadha Mohamad, Mohd; Sapri, Maimunah; Shafry Mohd Rahim, Mohd; Ahsenali Chaudry, Junaid (2014). „Leistungsbewertung der raumkorrelationsbasierten Merkmalserkennung und -zuordnung für ein automatisiertes Rollstuhlnavigationssystem“. International Journal of Intelligent Transportation Systems Research . 12 (1): 9–19 . doi : 10.1007/s13177-013-0064-x . S2CID 3478714 . 
  29. ^ Wan Mohd Yaakob Wan Bejuri, Wan Mohd Nasri Wan Muhamad Saidin, Mohd Murtadha Mohamad, Maimunah Sapri und Kah Seng Lim (2013). Allgegenwärtige Positionierung: Integrierte GPS-/WLAN-Positionierung für Rollstuhlnavigationssystem. Intelligente Informations- und Datenbanksysteme, Bd. 7802, S. 394-403, siehe Veröffentlichung hier
  30. ^ Wan Mohd Yaakob Wan Bejuri, Mohd Murtadha Mohamad, Maimunah Sapri und Mohd Adly Rosly (2012). Ubiquitäre WLAN/Kamera-Positionierung mittels inverser Intensitäts- und Farbraum-basierter Merkmalserkennung und -zuordnung: Ein vorläufiges Ergebnis. Internationale Konferenz über Mensch-Maschine-Systeme 2012 (ICOMMS 2012). Siehe Publikation hier .
  31. ^ Z. Horvath, H. Horvath (2014): Die Messgenauigkeit des in Smartphones und Tablets integrierten GPS, International Journal on Electronics and Communication Technology, Ausgabe 1, S. 17-19, [4]
  32. ^ „GNSS Indoors — Fighting The Fading, Part 1 - Inside GNSS“ . www.insidegnss.com . 12.03.2008. Archiviert vom Original am 10.01.2018 . Abgerufen am 18.10.2009 .
  33. ^ a b „Syntony steigt hoch, indem es in den Untergrund geht“ . November 2016.
  34. Furey , Eoghan; Curran, Kevin; McKevitt, Paul (2012). „Probabilistische Modellierung menschlicher Bewegungen in Innenräumen zur Unterstützung von Ersthelfern“ . Journal of Ambient Intelligence and Humanized Computing . 3 (5): 559–569 . doi : 10.1007/s12652-012-0112-4 . S2CID 16611408 . 
  35. Violettas , GE; Theodorou, TL; Georgiadis, CK (August 2009). „Net Argus : Eine dreistufige Anwendungssuite für SNMP-Monitoring und WLAN-Positionierung“. 2009 Fifth International Conference on Wireless and Mobile Communications . S.  346–351 . doi : 10.1109/ICWMC.2009.64 . ISBN 978-1-4244-4679-7. S2CID  23482772 .
  36. ^ P. Bahl und VN Padmanabhan, " RADAR: ein RF-basiertes System zur Benutzerortung und -verfolgung in Gebäuden ", in: Proceedings of 19th Annual Joint Conference of the IEEE Computer and Communications Societies (INFOCOM '00), Bd. 2, S. 775–784, Tel Aviv, Israel, März 2000.
  37. ^ Youssef, Moustafa; Agrawala, Ashok (04.01.2007). „Das Horus-Ortungssystem“. Wireless Networks . 14 (3): 357–374 . doi : 10.1007/s11276-006-0725-7 . ISSN 1022-0038 . S2CID 62768948 .  
  38. ^ Y. Chen und H. Kobayashi, „ Signal strength based indoor geolocation ,“ in Proceedings of the IEEE International Conference on Communications (ICC '02), vol. 1, pp. 436–439, New York, NY, USA, April–Mai 2002.
  39. ^ Golovan AA et al. Effiziente Lokalisierung mittels verschiedener Mittelwert-Offset-Modelle in Gaußprozessen // 2014 International Conference on Indoor Positioning and Indoor Navigation (IPIN). – IEEE, 2014. – S. 365-374. [5]
  40. ^ Hähnel BFD, Fox D. Gaußprozesse zur signalstärkebasierten Positionsbestimmung //Proceedings of robotics: science and systems. – 2006. [6]
  41. ^ Ferris B., Fox D., Lawrence ND Wifi-slam using gaussian process latent variable models //IJCAI. – 2007. – Bd. 7. – Nr. 1. – S. 2480–2485. [7] Archiviert am 24.12.2022 im Internet Archive.
  42. ^ Lymberopoulos, Dimitrios; Liu, Jie; Yang, Xue; Roy Choudhury, Romit; Handziski, Vlado; Sen, Souvik (2015). „Eine realistische Bewertung und ein Vergleich von Indoor-Lokalisierungstechnologien“. Proceedings der 14. Internationalen Konferenz über Informationsverarbeitung in Sensornetzwerken . S.  178–189 . doi : 10.1145/2737095.2737726 . ISBN 978-1-4503-3475-4. S2CID  1028754 .
  43. ^ Laoudias, C.; Constantinou, G.; Constantinides, M.; Nicolaou, S.; Zeinalipour-Yazti, D.; Panayiotou, CG (2012). „Die Airplace Indoor-Positionierungsplattform für Android-Smartphones“. 2012 IEEE 13th International Conference on Mobile Data Management . S.  312–315 . doi : 10.1109/MDM.2012.68 . ISBN 978-1-4673-1796-2S2CID  14903792 .​(Auszeichnung für die beste Demo)
  44. ^ „Alles, was Sie schon immer über Beacons wissen wollten“ . Bright Talk . Abgerufen am 12.06.2014 .
  45. ^ „Apple startet ein umfangreiches Projekt zur Kartierung des Inneren jedes erreichbaren großen Gebäudes“ . Business Insider . Abgerufen am 12. Juni 2014 .
  46. ^ „Apple Inc. iBeacon mit Micromapping kann den Einzelhandel revolutionieren“ . ValueWalk. Januar 2014. Abgerufen am 12. Juni 2014 .
  47. ^ „Music City Center stellt Wegweiser-App vor“ . Archiviert vom Original am 05.12.2014 . Abgerufen am 28.11.2014 .
  48. ^ „App für das Music City Center leitet Besucher“ . The Tennessean . Abgerufen am 28.11.2014 .
  49. ^ Pourhomayoun; Jin; Fowler (2012). „Spatial Sparsity Based Indoor Localization in Wireless Sensor Network for Assistive Healthcare Systems“ (PDF) . Embc2012 .
  50. ^ CR Comsa, et al.," Source Localization Using Time Difference Of Arrival Within A Sparse Representation Framework ", ICASSP, 2011.
  51. ^ Wen, Fuxi und Chen Liang. „Feingranulare Indoor-Lokalisierung mittels eines einzelnen Zugangspunkts mit mehreren Antennen.“ IEEE Sensors Journal 15.3 (2014): 1538-1544.
  52. ^ Ahmad Bazzi , Dirk TM Slock und Lisa Meilhac. „Single snapshot joint estimation of angles and times of arrival: A 2D Matrix Pencil approach.“ 2016 IEEE International Conference on Communications (ICC). IEEE, 2016.
  53. ^ Zhan Jie; Liu HongLi; Tanjian (Dezember 2010). „Untersuchung der Entfernungsgenauigkeit basierend auf RSSI in drahtlosen Sensornetzwerken“. 2. Internationale Konferenz für Informationswissenschaft und -technik . S.  2338–2341 . doi : 10.1109/ICISE.2010.5691135 . ISBN 978-1-4244-7616-9S2CID  14465473 .​
  54. ^ „Racelogic stellt das Indoor-Positionierungssystem VBOX vor“ . 24.09.2018.
  55. ^ Lee, Yong Up; Kavehrad, Mohsen; „Design eines hybriden Lokalisierungssystems für große Entfernungen in Innenräumen mit sichtbarer Lichtkommunikation und drahtlosem Netzwerk“, Photonics Society Summer Topical Meeting Series, 2012 IEEE, Bd., Nr., S. 82–83, 9.–11. Juli 2012. Siehe Publikation hier.
  56. ^ „Geospatial World August 2014“ (PDF) . Geospatial World .
  57. ^ Foxlin, Eric (1. November 2005). „Fußgängerverfolgung mit schuhmontierten Inertialsensoren“. IEEE Computer Graphics and Applications . 25 (6): 38–46 . Bibcode : 2005ICGA...25f..38F . doi : 10.1109 / MCG.2005.140 . PMID 16315476. S2CID 19038276 .  
  58. ^ Bose, Subhojyoti; Gupta, Amit K.; Handel, Peter (2017). „Über das Rausch- und Leistungsverhalten eines am Schuh befestigten Multi-IMU-Trägheitspositionierungssystems“. Internationale Konferenz für Indoor-Positionierung und Indoor-Navigation (IPIN) 2017. S.  1–8 . doi : 10.1109/IPIN.2017.8115944 . ISBN 978-1-5090-6299-7. S2CID  19055090 .
  59. ^ Gupta, Amit K.; Skog, Isaac; Händel, Peter (2015). „Langfristige Leistungsbewertung eines fußmontierten Fußgängernavigationsgeräts“. 2015 jährliche IEEE India Conference (INDICON) . S.  1–6 . doi : 10.1109/INDICON.2015.7443478 . ISBN 978-1-4673-7399-9. S2CID  33398667 .
  60. ^ Nilsson, John-Olof; Gupta, Amit K.; Handel, Peter (2014). „Fußmontierte Trägheitsnavigation leicht gemacht“. Internationale Konferenz für Indoor-Positionierung und Indoor-Navigation (IPIN) 2014. S.  24–29 . doi : 10.1109/IPIN.2014.7275464 . ISBN 978-1-4673-8054-6. S2CID  898076 .
  61. ^ Zhang, Wenchao; Li, Xianghong; Wei, Dongyan; Ji, Xinchun; Yuan, Hong (2017). „Ein fußmontiertes PDR-System basierend auf einem IMU/EKF+HMM+ZUPT+ZARU+HDR+Kompass-Algorithmus“. Internationale Konferenz für Indoor-Positionierung und Indoor-Navigation (IPIN) 2017. S.  1–5 . doi : 10.1109/IPIN.2017.8115916 . ISBN 978-1-5090-6299-7. S2CID  19693291 .
  62. ^ Gleichzeitige Lokalisierung und Kartierung
  63. ^ Wan Mohd Yaakob Wan Bejuri, Mohd Murtadha Mohamad, Raja Zahilah (2015). Ein Vorschlag zur Notfallrettungsortung (ERL) mittels Optimierung der IMU-basierten simultanen Lokalisierung und Kartierung (SLAM) von Fußgängern. International Journal of Smart Home. Band 9, Nr. 12, S. 9–22. https://serscjournals.org/index.php/IJSH/vol9_no12_2015/2.pdf
  64. ^ Wan Mohd Yaakob Wan Bejuri, Mohd Murtadha Mohamad, Raja Zahilah (2015). Optimierung der Notfallrettungsstandortbestimmung (ERL) mittels KLD-Resampling: Ein erster Vorschlag. International Journal of u- and e- Service, Science and Technology. Band 9, Nr. 2, S. 249–262. https://serscjournals.org/index.php/IJUNESST/vol9_no2/25.pdf
  65. ^ Wan Mohd Yaakob Wan Bejuri, Mohd Murtadha Mohamad, Raja Zahilah (2015). Optimierung des Rao-Blackwell-Partikelfilters für die simultane Lokalisierung und Kartierung von Fußgängeraktivitäten (SLAM): Ein erster Vorschlag. International Journal of Security and Its Applications. Band 9, Nr. 11, S. 377–390. https://serscjournals.org/index.php/IJSIA/vol9_no11_2015/35.pdf
  66. ^ „Sensorfusion und Kartenunterstützung für die Indoor-Navigation“ . Archiviert vom Original am 28.04.2010.
  67. ^ „Fußgängerlokalisierung für Innenräume“ (PDF) . Archiviert vom Original (PDF) am 05.07.2017 . Abgerufen am 25.06.2012 .
  68. Carboni , Davide; Manchinu, Andrea; Marotto, Valentina; Piras, Andrea; Serra, Alberto (2015). „Infrastrukturfreie Indoor-Navigation: Eine Fallstudie“. Journal of Location Based Services . 9 : 33–54 . doi : 10.1080/17489725.2015.1027751 . S2CID 34080648 . 
  69. ^ Qiu, Chen; Mutka, Matt (2017). „Selbstverbessernde Indoor-Lokalisierung durch Profilierung von Outdoor-Bewegungen auf Smartphones“. 2017 IEEE 18th International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM) . S.  1–9 . doi : 10.1109/WoWMoM.2017.7974311 . ISBN 978-1-5386-2723-5. S2CID  8560911 .
  70. ^ „Wearables kommen zur Überarbeitung rein . “
  71. ^ Daniş, F. Serhan; ​​Naskali, A. Teoman; Cemgil, A. Taylan; Ersoy, Cem (2022). „Ein Datensatz und ein Datenerfassungsframework für die Indoor-Lokalisierung mit hochpräziser Positionsannotation“. Pervasive and Mobile Computing . 81 101554. arXiv : 2209.02270 . doi : 10.1016/j.pmcj.2022.101554 . S2CID 246887116 . 
  72. ^ Wortmann, Johannes; Schäufele, Bernd; Klipp, Konstantin; Radusch, Ilja; Blaß, Katharina; Jung, Thomas (Oktober 2024). „Verbesserte Zugänglichkeit für die mobile Indoor-Navigation“ . 2024 14. Internationale Konferenz über Indoor-Positionierung und Indoor-Navigation (IPIN) . S.  1–6 . arXiv : 2602.13233 . doi : 10.1109/IPIN62893.2024.10786147 . ISBN 979-8-3503-6640-2Die
  73. ^ Al-Ahmadi, Abdullah; Qasaymeh, Yazeed Mohammad; RP, Praveen; Alghamdi, Ali (2019). „Bayesian Approach for Indoor Wave Propagation Modeling“ . Progress in Electromagnetics Research M. 83 : 41–50 . doi : 10.2528 /pierm19042804 . ISSN 1937-8726 . 
  74. ^ Daniş, F. Serhan; ​​Cemgil, A. Taylan; Ersoy, Cem (2021). „Adaptiver sequentieller Monte-Carlo-Filter für die Indoor-Positionierung und -Verfolgung mit Bluetooth Low Energy Beacons“ . IEEE Access . 9 : 37022–37038 . Bibcode : 2021IEEEA...937022D . doi : 10.1109/ACCESS.2021.3062818 .
  75. Bai , Y.; Jia, W.; Zhang, H.; Mao, Z. H.; Sun, M. (2014). Landmarkenbasierte Indoor-Positionierung für sehbehinderte Personen . 12. Internationale Konferenz für Signalverarbeitung (ICSP). Band 2014. S.  678–681 . doi : 10.1109/ICOSP.2014.7015087 . ISBN 978-1-4799-2186-7PMC  4512241 . PMID  26213718 .​
  76. ^ Gaith Saqer (März 2010). „Junaio 2.0 – Erste Indoor-App für soziale Augmented Reality mit Entwickler-API auf dem SXSW“ . Archiviert vom Original am 12.03.2010.
  77. ^ „Das Fraunhofer IIS nutzt die Indoor-Positionierungstechnologie von Awiloc, um Museumsbesucher zu leiten .“ 13. Dezember 2010.
  78. ^ Qiu, C.; Mutka, MW (01.10.2015). „AirLoc: Mobile Robots Assisted Indoor Localization“. 2015 IEEE 12th International Conference on Mobile Ad Hoc and Sensor Systems . S.  407–415 . doi : 10.1109/MASS.2015.10 . ISBN 978-1-4673-9101-6S2CID  13133026 .​