Grâce à l’émergence dans la vie quotidienne des appareils de plus en plus populaires que sont les smartphones et les tablettes, la tâche de postionner l'utilisateur par le biais de son téléphone est une problématique fortement étudiée dans les domaines non seulement de la recherche mais également des communautés industrielles. Parmi ces technologies, les approches GPS sont devenues une norme et ont beaucoup de succès pour une localisation en environnement extérieur. Par contre, le Wi-Fi, les capteurs inertiels et le Bluetooth sont plutôt préférés pour les tâches de positionnement dans un environnement intérieur.Pour ce qui concerne le positionnement des smartphones, les approches basées sur les « empreintes digitales » (fingerprint) Wi-Fi sont bien établies. D'une manière générale, ces approches tentent d'apprendre la fonction de correspondance (cartographie) des caractéristiques du signal Wi-Fi par rapport à la position de l’appareil dans le monde réel. Elles nécessitent généralement une grande quantité de données pour obtenir une bonne cartographie. Lorsque ces données d'entraînement disponibles sont limitées, l'approche basée sur les empreintes digitales montre alors des taux d’erreurs élevés et devient moins stable. Dans nos travaux, nous explorons d’autres approches, différentes, pour faire face à cette problématique du manque de données d'entraînement. Toutes ces méthodes sont testées sur un ensemble de données public qui est utilisé lors d’une compétition internationale à la Conférence IPIN 2016.En plus du système de positionnement basé sur la technologie Wi-Fi, les capteurs inertiels du smartphone sont également utiles pour la tâche de suivi. Les trois types de capteurs, qui sont les accéléromètres, le gyroscope et la boussole magnétique, peuvent être utilisés pour suivre l'étape et la direction de l'utilisateur (méthode SHS). Le nombre d'étapes et la distance de déplacement de l'utilisateur sont calculés en utilisant les données de l'accéléromètre. La position de l'utilisateur est calculée par trois types de données avec trois méthodes comprenant la matrice de rotation, le filtre complémentaire et le filtre de Madgwick. Il est raisonnable de combiner les sorties SHS avec les sorties de Wi-Fi, car les deux technologies sont présentes dans les smartphones et se complètent. Deux approches combinées sont testées. La première approche consiste à utiliser directement les sorties Wi-Fi comme points de pivot pour la fixation de la partie de suivi SHS. Dans la deuxième approche, nous comptons sur le signal Wi-Fi pour construire un modèle d'observation, qui est ensuite intégré à l'étape d'approximation du filtre à particules. Ces combinaisons montrent une amélioration significative par rapport au suivi SHS ou au suivi Wi-Fi uniquement.Dans un contexte multiutilisateur, la technologie Bluetooth du smartphone pourrait fournir une distance approximative entre les utilisateurs. La distance relative est calculée à partir du processus de numérisation du périphérique Bluetooth. Elle est ensuite utilisée pour améliorer la sortie des modèles de positionnement Wi-Fi. Nous étudions deux méthodes. La première vise à créer une fonction d'erreur qui permet de modéliser le bruit dans la sortie Wi-Fi et la distance approximative produite par le Bluetooth pour chaque intervalle de temps spécifié. La seconde méthode considère par contre cette relation temporelle et la contrainte de mouvement lorsque l'utilisateur se déplace. Le modèle d'observation du filtre à particules est une combinaison entre les données Wi-Fi et les données Bluetooth. Les deux approches sont testées en fonction de données réelles, qui incluent jusqu'à quatre utilisateurs différents qui se déplacent dans un bureau. Alors que la première approche n'est applicable que dans certains scénarios spécifiques, la deuxième approche montre une amélioration significative par rapport aux résultats de position basés uniquement sur le modèle d'empreintes digitales Wi-Fi. / With the popularity of smartphones and tablets in daily life, the task of finding user’s position through their phone gains much attention from both the research and industry communities. Technologies integrated in smartphones such as GPS, Wi-Fi, Bluetooth and camera are all capable for building a positioning system. Among those technologies, GPS has approaches have become a standard and achieved much success for the outdoor environment. Meanwhile, Wi-Fi, inertial sensors and Bluetooth are more preferred for positioning task in indoor environment.For smartphone positioning, Wi-Fi fingerprinting based approaches are well established within the field. Generally speaking, the approaches attempt to learn the mapping function from Wi-Fi signal characteristics to the real world position. They usually require a good amount of data for finding a good mapping. When the available training data is limited, the fingerprinting-based approach has high errors and becomes less stable. In our works, we want to explore different approaches of Wi-Fi fingerprinting methods for dealing with a lacking in training data. Based on the performance of the individual approaches, several ensemble strategies are proposed to improve the overall positioning performance. All the proposed methods are tested against a published dataset, which is used as the competition data of the IPIN 2016 Conference with offsite track (track 3).Besides the positioning system based on Wi-Fi technology, the smartphone’s inertial sensors are also useful for the tracking task. The three types of sensors, which are accelerate, gyroscope and magnetic, can be employed to create a Step-And-Heading (SHS) system. Several methods are tested in our approaches. The number of steps and user’s moving distance are calculated from the accelerometer data. The user’s heading is calculated from the three types of data with three methods, including rotation matrix, Complimentary Filter and Madgwick Filter. It is reasonable to combine SHS outputs with the outputs from Wi-Fi due to both technologies are present in the smartphone. Two combination approaches are tested. The first approach is to use directly the Wi-Fi outputs as pivot points for fixing the SHS tracking part. In the second approach, we rely on the Wi-Fi signal to build an observation model, which is then integrated into the particle filter approximation step. The combining paths have a significant improvement from the SHS tracking only and the Wi-Fi only. Although, SHS tracking with Wi-Fi fingerprinting improvement achieves promising results, it has a number of limitations such as requiring additional sensors calibration efforts and restriction on smartphone handling positions.In the context of multiple users, Bluetooth technology on the smartphone could provide the approximated distance between users. The relative distance is calculated from the Bluetooth inquiry process. It is then used to improve the output from Wi-Fi positioning models. We study two different combination methods. The first method aims to build an error function which is possible to model the noise in the Wi-Fi output and Bluetooth approximated distance for each specific time interval. It ignores the temporal relationship between successive Wi-Fi outputs. Position adjustments are then computed by minimizing the error function. The second method considers the temporal relationship and the movement constraint when the user moves around the area. The tracking step are carried out by using particle filter. The observation model of the particle filter are a combination between the Wi-Fi data and Bluetooth data. Both approaches are tested against real data, which include up to four different users moving in an office environment. While the first approach is only applicable in some specific scenarios, the second approach has a significant improvement from the position output based on Wi-Fi fingerprinting model only.
Identifer | oai:union.ndltd.org:theses.fr/2017GREAM092 |
Date | 15 December 2017 |
Creators | Ta, Viet-Cuong |
Contributors | Grenoble Alpes, Hanoi University of sciences (Hanoi), Castelli, Eric, Vaufreydaz, Dominique, Dao, Trung-Kien |
Source Sets | Dépôt national des thèses électroniques françaises |
Language | English |
Detected Language | French |
Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0144 seconds