In moderne luchthaventerminals, ziekenhuiscomplexen, kantoorgebouwen, sportarena's, universiteitscampussen, en verkooppunten, er is een groeiende markt voor handige en gebruiksvriendelijke toepassingen om binnenshuis te navigeren. Met een verwachte groei van 30% in 2022, volgens een MarketWatch-rapport, deze vraag wordt versneld door de aanwezigheid van geavanceerde sensoren in moderne smartphones zoals magnetometers, versnellingsmeters, en gyroscopen. Om aan de vraag te voldoen, ons team bij IBM Research-Ireland heeft een productieklaar indoor-positioneringssysteem gebouwd dat nauwkeuriger is dan een bestaande commerciële oplossing voor verschillende smartphonemodellen.

Onze zelflerende, adaptief platform maakt gebruik van een minimale inzet van Bluetooth low energy (BLE) bakens om de reizen van gebruikers af te leiden, leer dan en bouw op maat gemaakte magnetische kaarten voor elk smartphonemodel voor een specifiek binnengebied. Ons nieuwe systeem biedt een robuuste positioneringsnauwkeurigheid die zich niet bewust is van het model van de smartphone dat wordt gebruikt voor vingerafdrukken of voor positionering. We bewijzen experimenteel, in onze recente krant, dat onze tool een aanzienlijke verbetering van de nauwkeurigheid biedt in vergelijking met een gevestigde commerciële oplossing op basis van magnetische veldpositionering.

State-of-the-art positioneringssystemen voor binnenshuis maken gebruik van signalen die vaak aanwezig zijn in moderne binnenomgevingen, zoals WiFi en BLE-bakens, omdat externe positioneringsmethoden met behulp van GPS-signalen niet nauwkeurig genoeg zijn om effectief te zijn voor indoornavigatie. Een positioneringssysteem voor binnen moet in staat zijn om de positie van een gebruiker in een gebouw te detecteren en instructies te geven over hoe erin te navigeren. Deze systemen worden in veel verschillende gevallen gebruikt, met hun ontwerp en implementatie in staat om specifieke gebruikersvereisten te ondersteunen. Bijvoorbeeld, in 2017, een experimenteel, zeer nauwkeurig spraaknavigatiesysteem voor binnen en buiten voor slechtzienden werd gebouwd en getest door IBM Research-Tokyo.

De magnetische veldbenadering is een goedkope methode die aan populariteit wint omdat er geen gespecialiseerde sensorinstallatie of -onderhoud voor nodig is, maar in plaats daarvan mogelijk wordt gemaakt door sensoren die al in smartphones aanwezig zijn. Echter, verschillen tussen verschillende sensormetingen op smartphonemodellen hebben een ernstige invloed op de nauwkeurigheid van de positionering binnenshuis.

Bestaande benaderingen op basis van de magnetische veldbenadering vereisen een fase van vingerafdrukken voordat het systeem beschikbaar wordt gesteld aan de eindgebruiker. Tijdens dit proces moet de serviceprovider een smartphone gebruiken om metingen van het magnetische veld uit alle voetgangersgebieden te verzamelen en een statische geannoteerde kaart van de binnenruimte te maken. In realistische scenario's, eindgebruikers hebben mogelijk een ander smartphonemodel dan het model dat werd gebruikt voor het nemen van vingerafdrukken. In ons werk, we kwantificeren de verliezen in nauwkeurigheid die indoor positioneringssystemen hierdoor lijden.

Ons systeem is adaptief en wordt voortdurend bijgeschoold en handhaaft dus een hoge nauwkeurigheid voor gebruikers en verschillende smartphonemodellen. Ons idee was om de positioneringssessies van de eindgebruikers te analyseren om de kennisbasis van ons systeem voor de magnetische veldmetingen voor de verschillende smartphonemodellen te verbeteren. Zodra de gebruiker de toepassing voor indoor positionering van de smartphone verlaat, we verwerken de geregistreerde sensormetingen in onze cloudinfrastructuur en proberen het pad van de gebruiker te reconstrueren. We noemen deze nieuwe techniek "route-inferentie" en het is gebaseerd op deeltjesfilters en vormaanpassing. Het stelt ons in staat om nieuwe informatielagen toe te voegen aan magnetische kaarten van het gebied. Als resultaat, daaropvolgende positioneringssessies van gebruikers met hetzelfde smartphonemodel hebben een hogere nauwkeurigheid.

Onze experimentele evaluatie van de tool laat een significante verbetering van de nauwkeurigheid zien in vergelijking met een toonaangevende commerciële oplossing op basis van magnetische veldpositionering. specifiek, het verbetert de nauwkeurigheid in vergelijking met commerciële alternatieven met gemiddeld ongeveer 15 meter. Deze bevindingen werden onlangs gepresenteerd op de International Conference of Indoor Positioning and Indoor Navigation (IPIN) 2018).

Deze zelflerende AI-tool kan een goedkope oplossing bieden voor eigenaren van faciliteiten die geen omscholing van het systeem nodig hebben. Eigenaren en operators van faciliteiten kunnen snel profiteren van deze tool door deze te gebruiken om betere planningsbeslissingen te nemen en om hun eindgebruikers een naadloze ervaring te bieden.

Met ons hulpmiddel het vinden van een vergaderruimte of hot desk, rennen naar een vertrekgate op een luchthaven, op zoek naar een collegezaal op een universiteitscampus, een patiënt bezoeken of een afspraak in een ziekenhuis bijwonen, of zelfs het lokaliseren van een product in een winkel met een smartphone kan sneller zijn, gemakkelijker, en nauwkeuriger.

Dit verhaal is opnieuw gepubliceerd met dank aan IBM Research. Lees hier het originele verhaal.