An Adaptive Indoor Localization Approach Using WiFi RSSI Fingerprinting with SLAM-Enabled Robotic Platform and Deep Neural Networks

要約

屋内ローカライゼーションは、IoT とロボット工学の時代において重要な役割を果たしており、WiFi テクノロジーはその普及性から顕著な選択肢となっています。
屋内位置特定システムを強化し、WiFi フィンガープリンティング データセット作成のギャップに対処するために、WiFi フィンガープリンティング データセットを作成する方法を紹介します。
私たちは、Simultaneous Localization And Mapping (SLAM) アルゴリズムを使用し、ロボット プラットフォームを採用して、正確なマップを構築し、屋内環境でロボットの位置を特定しました。
私たちは、データの取得、フィンガープリンティング データセットの収集、および正確なグラウンド トゥルース マップの構築を容易にするソフトウェア アプリケーションを開発しました。
続いて、SLAM 経由で生成された空間情報と WiFi スキャンを調整して、包括的な WiFi フィンガープリンティング データセットを作成しました。
作成されたデータセットは、屋内位置特定のためのディープ ニューラル ネットワーク (DNN) のトレーニングに使用され、グリッド密度の有用性を証明できます。
私たちは、環境内に配置されたテスト用アクセス ポイントの WiFi 信号強度の空間分布を示すデータセットからのヒートマップを含む、提案された方法の有効性を実証するために、オフィス環境内で実験的検証を実施しました。
特に、私たちの方法は、環境の事前定義されたマップの必要性を排除し、準備手順を必要とせず、人間の介入を減らし、より高密度のフィンガープリンティングデータセットを作成し、WiFiフィンガープリンティングデータセットの作成時間を短縮するため、既存のアプローチに比べて明らかな利点を提供します。
私たちの方法は、他の方法よりも 26% 正確な位置特定を達成し、従来の方法と比較して 3 分の 1 の時間で 6 倍の密度の指紋データセットを作成できます。
要約すると、SLAM 対応ロボット プラットフォームによって調査された WiFi RSSI フィンガープリンティング データを使用すると、トレーニングされた DNN モデルをあらゆる動的環境における屋内位置特定に適応させ、現実世界のシナリオでの拡張性と適用性を強化できます。

要約(オリジナル)

Indoor localization plays a vital role in the era of the IoT and robotics, with WiFi technology being a prominent choice due to its ubiquity. We present a method for creating WiFi fingerprinting datasets to enhance indoor localization systems and address the gap in WiFi fingerprinting dataset creation. We used the Simultaneous Localization And Mapping (SLAM) algorithm and employed a robotic platform to construct precise maps and localize robots in indoor environments. We developed software applications to facilitate data acquisition, fingerprinting dataset collection, and accurate ground truth map building. Subsequently, we aligned the spatial information generated via the SLAM with the WiFi scans to create a comprehensive WiFi fingerprinting dataset. The created dataset was used to train a deep neural network (DNN) for indoor localization, which can prove the usefulness of grid density. We conducted experimental validation within our office environment to demonstrate the proposed method’s effectiveness, including a heatmap from the dataset showcasing the spatial distribution of WiFi signal strengths for the testing access points placed within the environment. Notably, our method offers distinct advantages over existing approaches as it eliminates the need for a predefined map of the environment, requires no preparatory steps, lessens human intervention, creates a denser fingerprinting dataset, and reduces the WiFi fingerprinting dataset creation time. Our method achieves 26% more accurate localization than the other methods and can create a six times denser fingerprinting dataset in one-third of the time compared to the traditional method. In summary, using WiFi RSSI Fingerprinting data surveyed by the SLAM-Enabled Robotic Platform, we can adapt our trained DNN model to indoor localization in any dynamic environment and enhance its scalability and applicability in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google