Localisation intérieure basée sur un CNN utilisant des séries temporelles RSS

La localisation intérieure des nœuds mobiles suscite un grand intérêt en raison des récentes avancées dans les dispositifs mobiles et du nombre croissant de services basés sur la localisation. Le fingerprinting basé sur la force du signal reçu Wifi (RSS) est largement utilisé pour la localisation intérieure en raison de sa simplicité et de ses faibles exigences matérielles. Cependant, sa précision de positionnement est significativement affectée par les fluctuations aléatoires des valeurs RSS causées par l'atténuation et les phénomènes de multi-trajet. Cet article présente une approche basée sur un réseau de neurones convolutionnels (CNN) pour la localisation intérieure utilisant des séries temporelles RSS provenant de points d'accès réseau local sans fil (WLAN). L'application d'un CNN sur une série temporelle de lectures RSS devrait réduire le bruit et l'aléatoire présents dans des valeurs RSS séparées et améliorer ainsi la précision de localisation. Le modèle proposé est mis en œuvre et évalué sur un jeu de données multi-bâtiments et multi-étages, le jeu de données UJIIndoorLoc. L'approche proposée fournit une précision de 100 % pour la prédiction de bâtiment, une précision de 100 % pour la prédiction d'étage et l'erreur moyenne dans l'estimation des coordonnées est de 2,77 m.