Et robust AI-centreret indendørs positioneringssystem

I moderne lufthavnsterminaler, hospitalskomplekser, kontorbygninger, sportsarenaer, universitetsområder, og detailforretninger, der er et voksende marked for bekvemme og brugervenlige applikationer til at navigere indendørs. Med en forventet vækstrate på 30% inden 2022, ifølge en MarketWatch -rapport, denne efterspørgsel accelereres af tilstedeværelsen af ​​avancerede sensorer i moderne smartphones som magnetometre, accelerometre, og gyroskoper. For at imødekomme efterspørgslen, vores team hos IBM Research-Ireland byggede et produktionsklar indendørs positioneringssystem, der er mere præcist end en eksisterende kommerciel løsning på tværs af forskellige smartphonemodeller.

Vores selvlæring, adaptiv platform bruger en minimal implementering af Bluetooth low energy (BLE) -fyr til at udlede brugernes ture, lær derefter og bygg til sidst skræddersyede magnetiske kort til hver smartphonemodel til et specifikt indendørs område. Vores nye system giver robust positioneringsnøjagtighed, der er uvidende om modellen af ​​smartphonen, der bruges enten til fingeraftryk eller til positionering. Vi beviser eksperimentelt, i vores seneste papir, at vores værktøj giver en betydelig forbedring af nøjagtigheden i forhold til en etableret kommerciel løsning baseret på positionering af magnetfelt.

State-of-the-art indendørs positioneringssystemer udnytter signaler, der ofte er til stede i moderne indendørs miljøer, såsom WiFi og BLE -beacons, da eksterne positioneringsmetoder ved hjælp af GPS -signaler ikke er præcise nok til at være effektive til indendørs navigation. Et indendørs positioneringssystem skal kunne registrere en brugers position inde i en bygning og give instruktioner om, hvordan man navigerer inde i den. Disse systemer bruges i en lang række tilfælde, med deres design og implementering i stand til at understøtte specifikke brugerkrav. For eksempel, i 2017, et eksperimentelt højpræcisionsindendørs/udendørs stemmestyringsnavigationssystem til synshæmmede blev bygget og testet af IBM Research-Tokyo.

Magnetfeltmetoden er en billig metode, der vinder popularitet, da den ikke kræver specialiseret sensorinstallation eller vedligeholdelse, men i stedet aktiveres af sensorer, der allerede findes i smartphones. Imidlertid, uoverensstemmelser mellem forskellige sensoraflæsninger på tværs af smartphonemodeller har en alvorlig indvirkning på indendørs positioneringsnøjagtighed.

Eksisterende tilgange baseret på magnetfeltmetoden kræver en fingeraftryksfase, før systemet gøres tilgængeligt for slutbrugeren. Under denne proces er tjenesteudbyderen forpligtet til at bruge en smartphone til at indsamle aflæsninger af magnetfeltet fra alle områder, der er tilgængelige for fodgængere, og oprette et statisk kommenteret kort over det indendørs rum. I virkelige scenarier, slutbrugere ejer muligvis en anden smartphone -model end den, der blev brugt til fingeraftryk. I vores arbejde, vi kvantificerer de tab i nøjagtighed, som indendørs positioneringssystemer lider som følge heraf.

Vores system er adaptivt og løbende efteruddannet og bevarer dermed høj nøjagtighed på tværs af brugere og forskellige smartphonemodeller. Vores idé var at analysere slutbrugernes positioneringssessioner for at forbedre vores systems vidensbase for magnetfeltaflæsningerne for de forskellige smartphone -modeller. Når brugeren forlader smartphonens indendørs positioneringsapplikation, vi behandler de registrerede sensoraflæsninger i vores skyinfrastruktur og forsøger at rekonstruere brugerens sti. Vi kalder denne nye teknik "ruteinferens", og den er baseret på partikelfiltre og formtilpasning. Det giver os mulighed for at tilføje nye lag af information til magnetiske kort over området. Som resultat, efterfølgende positioneringssessioner for brugere med den samme smartphone -model har større nøjagtighed.

Vores eksperimentelle evaluering af værktøjet viser en betydelig nøjagtighedsforbedring sammenlignet med en førende kommerciel løsning baseret på magnetfeltpositionering. Specifikt, det forbedrer nøjagtigheden i forhold til kommercielle alternativer med cirka 15 meter i gennemsnit. Disse resultater blev for nylig præsenteret på International Conference of Indoor Positioning and Indoor Navigation (IPIN) 2018).

Dette selvlærende AI-værktøj kan levere en billig løsning til ejere af anlæg, der ikke kræver systemuddannelse. Facilitærejere og operatører kan hurtigt drage fordel af dette værktøj ved at bruge det til at træffe bedre planlægningsbeslutninger samt give deres slutbrugere en problemfri oplevelse.

Med vores værktøj, finde et mødelokale eller et varmt skrivebord, løber efter en afgangsport i en lufthavn, leder efter en foredragshal på et universitetsområde, besøge en patient eller deltage i en aftale på et hospital, eller endda lokalisering af et produkt i en detailbutik ved hjælp af en smartphone kunne være hurtigere, lettere, og mere præcis.

Denne historie er genudgivet med tilladelse fra IBM Research. Læs den originale historie her.