Sistemas de Posicionamento Interno são usados para estimar a posição de dispositivos móveis em ambientes internos. A impressão digital é a técnica mais utilizada devido à sua maior precisão. No entanto, essa técnica requer uma fase de treinamento trabalhosa que mede o indicador de intensidade do sinal recebido em todos os pontos de referência. Por outro lado, IPSs baseados em modelos usam modelos de propagação de sinal para estimar distâncias a partir do RSSI. Portanto, eles não exigem treinamento caro, mas resultam em erros de posicionamento maiores. Para mitigar esse problema, esta tese explora melhorias na modelagem de propagação de sinal como uma alternativa para reduzir os esforços de coleta de dados com foco na precisão do sistema. Três novas abordagens são propostas. SynTra-IPS é uma abordagem híbrida que gera conjuntos
de dados de treinamento sintéticos usando um modelo de propagação logarítmica. Algoritmos de aprendizado de máquina processam esses conjuntos de dados e técnicas de fusão de dados aprimoram as estimativas de posição. O ADAM-IPS aprimora a seleção de nós de ancoragem e aplica modelagem de propagação de sinal com fusão de dados para estimar distâncias, eliminando a necessidade de coleta extensiva de conjuntos de dados. O PSO-MIPS utiliza a otimização de enxame de partículas com modelagem de propagação de sinal para refinar a estimativa de posição sem a necessidade de parâmetros predefinidos ou treinamento prévio. Esses métodos foram testados em ambientes reais de larga escala, demonstrando sua eficácia na redução dos requisitos de coleta de dados, mantendo a precisão de localização ideal em comparação com os sistemas de posicionamento interno existentes.
|
