要約
LoRaWAN技術の広範なカバレッジは、大規模なIoT展開の有力な候補として位置づけられている。しかし、複雑な環境条件、マルチパスフェージング、過渡的な障害物のために、屋内ローカライゼーションで10m以下の精度を達成することは依然として困難である。本稿では、適応フィルタリングと拡張対数距離、多壁パスロス、シャドーイング（PLS）モデルを組み合わせた、軽量かつ堅牢なアプローチを提案する。我々の方法論は、重要なLoRaWANパラメータ（受信信号強度インジケータ（RSSI）、周波数、信号対雑音比（SNR））と動的環境インジケータ（温度、湿度、二酸化炭素、粒子状物質、気圧）で従来のモデルを補強する。適応カルマンフィルターはRSSIの変動を低減し、瞬間的なノイズから持続的な傾向を分離します。1,328,334のフィールド測定値からなる6ヶ月間のデータセットを用いて、3つのモデルを評価した：ベースラインCOST 231マルチウォールモデル（MWM）、環境パラメータで補強したベースラインモデル（MWM-EP）、後者の前方のみの適応カルマンフィルターをかけたRSSIバージョン（MWM-EP-KF）。その結果、MWM-EP-KFは平均絶対誤差（MAE）5.81mを達成し、MWM-EP（10.56m）とベースラインMWMフレームワーク（17.98m）の両方を上回ることが確認された。また、カルマンフィルタリングは、RSSIの変動が大きい場合のロバスト性を42.63%（全デバイス平均）向上させました。これらの結果は、動的に変化する環境における正確な屋内LoRaWANローカライゼーションのための、解釈可能で効率的なソリューションを提示しています。
要約(オリジナル)
LoRaWAN technology’s extensive coverage positions it as a strong contender for large-scale IoT deployments. However, achieving sub-10 m accuracy in indoor localization remains challenging due to complex environmental conditions, multipath fading, and transient obstructions. This paper proposes a lightweight but robust approach combining adaptive filtering with an extended log-distance, multi-wall path loss and shadowing (PLS) model. Our methodology augments conventional models with critical LoRaWAN parameters (received signal strength indicator (RSSI), frequency, and signal-to-noise ratio (SNR)) and dynamic environmental indicators (temperature, humidity, carbon dioxide, particulate matter, and barometric pressure). An adaptive Kalman filter reduces RSSI fluctuations, isolating persistent trends from momentary noise. Using a six-month dataset of 1,328,334 field measurements, we evaluate three models: the baseline COST 231 multi-wall model (MWM), the baseline model augmented with environmental parameters (MWM-EP), and a forward-only adaptive Kalman-filtered RSSI version of the latter (MWM-EP-KF). Results confirm that the MWM-EP-KF achieves a mean absolute error (MAE) of 5.81 m, outperforming both the MWM-EP (10.56 m) and the baseline MWM framework (17.98 m). Environmental augmentation reduces systematic errors by 41.22%, while Kalman filtering significantly enhances robustness under high RSSI volatility by 42.63%, on average across all devices. These findings present an interpretable, efficient solution for precise indoor LoRaWAN localization in dynamically changing environments.
arxiv情報
| 著者 | Nahshon Mokua Obiri,Kristof Van Laerhoven |
| 発行日 | 2025-05-02 11:00:40+00:00 |
| arxivサイト | arxiv_id(pdf) |