Construyendo un mapa RSSI para un sistema de posicionamiento interior

He hecho lo que está diciendo, aunque me limité a los mapas de intensidad de señal 2D dentro de cada piso de un edificio. Además, no inferí ni adiviné la intensidad de la señal en función de la ubicación, la medí en los puntos clave y la interpolaba.

Sí, esta técnica agrega precisión. Al final, encontramos que el método de firma convergía más rápido para identificar la ubicación dentro de una habitación en particular, que era el nivel de precisión que nos importaba.

Si mide puntos en el entorno, debe tener cuidado de cómo se interpolan los datos. No es tan simple como formar una malla entre puntos por dos razones. Primero, los puntos estarán en coordenadas irregulares, dondequiera que alguien piense que hay una razón por la cual la intensidad de la señal podría no ser la prevista, o porque se encontraron imprecisiones en esa ubicación. En segundo lugar, la naturaleza radial inherente de la recepción de radio significa que desea intercalar los datos en un sistema de coordenadas radiales.

Han pasado aproximadamente 6 años desde la última vez que lidié con esto, y desde entonces los archivos de datos de ejemplo aparentemente han sido borrados de mi disco. Encontré algunos archivos de prueba con datos artificiales para probar el proceso de interpolación y corrección de la intensidad de la señal. Aquí hay un ejemplo:

Los dos círculos blancos pequeños muestran dónde estaban los puntos medidos simulados. Cada banda de color tiene un ancho de 1 dB, con colores más azules que muestran una intensidad de señal más baja. El receptor está en el centro. Este conjunto de datos artificiales contenía dos mediciones, una baja cerca del receptor y una fuerte más alejada pero en la misma dirección. Puedes ver cómo la interpolación es de naturaleza polar. Esto se hizo mediante un algoritmo de relajación en una cuadrícula polar. Estos datos fueron generados a partir de 50000 iteraciones del algoritmo de relajación. No recuerdo el tamaño de la cuadrícula. El resultado fue luego reasignado a una cuadrícula rectangular para usar en la corrección de la intensidad de la señal en el tiempo de ejecución.

Eso va a ser más complicado de lo que crees. Tendrá que tener en cuenta la amortiguación y la reflexión de la señal. Por ejemplo, un objeto de metal en una habitación alterará dramáticamente las características del RSSI. También deberá conocer los materiales de construcción, la altura del techo y poder modelar sus características a la frecuencia de operación correcta del sistema. Ese modelo tampoco tendrá en cuenta el rico entorno multitrayecto que suelen tener las áreas interiores, lo que contribuirá a gesticulaciones significativas de la intensidad de la señal según la ubicación dentro de la habitación.

Normalmente, la mejor manera de realizar la localización RSSI es con una técnica llamada Huellas dactilares RSSI . Este es un área de investigación activa . Por lo general, el espacio está segmentado en diferentes clases (a menudo habitaciones o sub-salas si tiene muchas anclas y métodos de medición de RSSI de buena calidad), y los datos de capacitación se recopilan en cada clase (sala). Un algoritmo de aprendizaje automático se usa normalmente como un clasificador; mi equipo de investigación ha tenido un gran éxito al usar una red neuronal RBF, pero la clave para obtener una ubicación precisa es refinar los resultados utilizando filtrado de Kalman o algún tipo de cadena de Markov.