개요
모바일 장치(사용자)의 실시간 측위는 현재 많은 위치 기반 서비스(Location Based Service, LBS)의 기술 기반이며 내비게이션 및 기타 기능의 기반이기도 합니다. 따라서 가능한 한 정확하고 저렴한 포지셔닝을 달성하는 것이 현재 많은 학자와 기업의 연구 목표입니다. GPS를 사용한 실외 측위는 높은 측위 정확도를 달성할 수 있었고 GPS의 성숙한 사용은 많은 플랫폼에 통합되었습니다(예: Android 플랫폼에는 실외 측위 전용 라이브러리 기능이 있음). 실내 측위는 실내 GPS 신호가 약하고 실내 공간 구조가 복잡하여 GPS 측위를 사용할 수 없지만 다른 실내 측위 방법은 많이 있습니다. 이 백서는 다양한 일반적인 실내 측위 방법을 요약합니다.
일반적인 실내 포지셔닝 방법
삼각 측량(거리 측정)
구체적으로는 도착시간(Time of Arrival, TOA), 도착시차(Time Difference of Arrival, TDOA), 도착각도(Angle of Arrival, AOA) 등을 포함한다. 먼저 여러 장치를 검색한 다음 유클리드 공식을 사용하여 사용자의 위치를 측정합니다(예: 삼각형 구성, 삼각형의 중심을 장치 위치로 사용 등).
신호 강도의 감쇠는 거리와 양의 상관 관계가 있기 때문에 WiFi 또는 BLE 신호 강도 감쇠를 기반으로 하는 방법과 같이 장치 간 거리를 측정하는 방법에는 여러 가지가 있지만 현재 신호 강도와 거리 간의 매핑 관계는 여전히 막대한 양의 "오프라인 단계" 데이터 수집으로 인해 많은 배포 비용이 소요됩니다.
삼각 측량 방법은 종종 여러 세트의 데이터를 얻을 수 있기 때문에 많은 포지셔닝 방법도 그리디 알고리즘(근사 최적 솔루션 찾기), KNN 알고리즘(가장 가까운 이웃 알고리즘) 등을 결합하여 여러 데이터 세트에 서로 다른 가중치를 할당하고 결과 데이터는 최종 측정값입니다.
근접 방식
기본 원리는 iBeacon과 같이 특정 정보(지문 정보)가 내장된 비콘을 포지셔닝 장면에 미리 다수 설치하여 사용자가 특정 비콘의 신호 범위에 진입하면 사용자가 비콘 위치에서. 단점은 오차가 크고 개선된 알고리즘은 비콘을 기반으로 한 삼각 측량을 통해 위치 정확도를 높일 수 있다는 점입니다.
이러한 유형의 포지셔닝 방법은 쇼핑몰의 매장 정보 푸시와 같은 사용자 콘텐츠 수준에서 일부 서비스를 추가할 수 있다는 점을 언급할 가치가 있습니다. 쇼핑몰의 관련 정보.
장면 분석
WiFi 지문 위치 확인 방식이 대표적인 예입니다. 이러한 유형의 포지셔닝 방법의 기본 원칙은 다음과 같습니다.
1. 포지셔닝 장면의 일부 특정 정보(예: WiFi 지문)는 사전에 수집되어 일반적으로 오프라인 단계라고 하는 클라우드 데이터베이스에 저장됩니다
. 사용자가 포지셔닝 요청을 보내면 모바일 장치는 먼저 현재 장면의 WiFi 지문 데이터를 수집하여 서버로 전송합니다. 서버는 데이터베이스에 따라 검색 및 매칭합니다. WiFi 지문 유사도가 가장 높은 위치를 찾은 후 반환합니다. 위치 정보 일반적으로 온라인 단계라고 합니다.
이 포지셔닝 방식의 단점은 오프라인 단계에서 엄청난 양의 정보를 수집해야 한다는 점인데, MCS(Mobile Crowdsensing, Mobile Crowd Sensing)를 사용하면 이 문제를 완화할 수 있지만 여전히 많은 구축 비용이 소요된다.
보행자 데드레커닝(PDR)
기본 원리는 사용자가 마지막으로 획득한 정확한 위치(GPS를 사용하여 방에 들어가기 전에 마지막으로 실외 위치를 파악하기 위해 획득한 위치)를 기반으로 모바일 장치의 풍부한 내장 센서를 사용하고, 수학적 공식에 따라 사용자의 위치를 지속적으로 계산 사용자의 변위를 통해 사용자의 실시간 위치를 추론 포지셔닝 시
주로 사용자의 변위와 두 방향 사이의 방향각(헤딩)을 측정합니다. 사용자의 방향과 지정된 좌표. PDR의 단점은 누적 오류가 있고 더 명확하다는 것입니다.
변위의 관점에서 오류는 주로 사용자의 행동에 대한 판단, 즉 사용자의 "한 걸음 앞으로"를 판단하는 방법과 사용자의 보폭 예측, 즉 사용자가 얼마나 오래 "걸어가는지"에서 발생합니다. 한 걸음".
방향각(헤딩) 측면에서 주요 오류는 서로 다른 모바일 장치의 내장 센서가 정밀도가 다르기 때문에 오류가 발생하기 쉽다는 것입니다. 측정 편차가 발생합니다.
이제 PDR에 대한 연구는 주로 위의 두 가지 유형의 오류를 제거하는 데 중점을 둡니다.
실내 포지셔닝의 추가 개발
실내 포지셔닝은 초기에 위도 및 경도, 고도 등과 같은 일부 초기 데이터를 수집합니다. 이러한 데이터의 추가 사용은 현재 연구 핫스팟 중 하나이며 실내 시각 지도가 대표적인 방향입니다.
실내 시각 지도
벽이 어디인지, 엘리베이터가 어디인지, 복도가 어디인지 등 다수의 사용자가 업로드한 활동 정보를 통해 실내 구조를 근사화하는 것이 기본 원리다.
일반적인 방법은 사용자의 활동 궤적을 기반으로 하는데, 예를 들어 사용자가 벽을 통과할 수 없기 때문에 사용자가 가보지 않은 곳에 벽이 있다고 유추할 수 있습니다. 가속도를 측정하여 장소가 "엘리베이터"인지 알 수 있습니다.
또 다른 방식은 사용자 장비의 카메라를 이용하여 지속적으로 사진을 촬영하고, 사진을 클라우드 서버에 업로드하고, 이미지 처리를 통해 사용자가 거주하는 실내 환경을 재구성(시뮬레이션)하는 것입니다.
개인적으로 실내 시각지도의 어려움은 기초자료를 많이 수집해야 한다는 점이라고 생각합니다.
심층 연구 방향
- 포지셔닝 정확도 향상(가장 직관적);
- 포지셔닝 비용 절감(동일한 효과, 비용 절감 및 높은 실용성)
- 기존 포지셔닝 데이터 활용(LBS, 위치 기반 서비스, 시각 지도 생성 등).
———————————————————————————————
마지막으로 개인 공개 계정을 게시합니다. WeChat에서 "Chaqian"을 검색하거나 아래 사진을 스캔하세요. 보통 프로그래밍 관련 글이 업데이트 될 예정이니 많은 관심 부탁드립니다~
