Академический Документы
Профессиональный Документы
Культура Документы
На правах рукописи
Специальность 05.13.18
Математическое моделирование, численные методы и комплексы программ
Научный руководитель:
доктор физико-математических наук, профессор
Сысун Валерий Иванович
Петрозаводск 2015
2
Оглавление
Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Заключение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Введение
Глава 1
Как правило, считается [31], что для того, чтобы поймать сигнал без
14
𝑑𝑖 = 𝑐 · 𝑡𝑖 , (1.2)
1 √︀
√︁
𝑡𝑖 − 𝑡𝑗 = · ( (𝑥𝑖 − 𝑥)2 + (𝑦𝑖 − 𝑦)2 − (𝑥𝑗 − 𝑥)2 + (𝑦𝑗 − 𝑦)2 ). (1.3)
𝑐
совместно с измерениями уровней сигналов [49, 50, 51, 52, 53]. В большин
стве случаев измерения времени распространения и уровня сигнала берутся
из двух разных источников информации [49, 50, 51]. При этом информа
ция об уровне сигнала может быть использована для расчета локации, если
измерение времени распространения прошло неудачно [54].
Как правило, в системах, основанных на времяпролетном методе, при
измерении времени распространения сигнала одновременно фиксируется и
значение уровня принимаемого сигнала. Однако в случае использования тех
нологии UWB учет информации об уровне сигнала не имеет смысла, по
скольку расстояния, измеренные времяпролетным методом, позволяют до
стичь гораздо лучшей точности локации. В случае же использования техно
логии nanoLOC, работающей на частоте 2.4 ГГц, учет информации об уровне
сигнала представляет большой практический интерес.
и коррекции (1.12)
x𝑡 = 𝑓 (x𝑡−1 ) + q𝑡 , (1.17)
z𝑡 = 𝑔(x𝑡 ) + r𝑡 , (1.18)
x− +
𝑡 = 𝑓 (x𝑡−1 ) (1.19)
P− + 𝑇
𝑡 = F𝑡 P𝑡−1 F𝑡 + Qt . (1.20)
Здесь x+ +
𝑡−1 и P𝑡−1 - апостериорная оценка вектора состояния системы и соот
𝜕𝑓 (x)
F𝑡 = |x=x𝑡−1 (1.21)
𝜕x
K𝑡 = P− 𝑇 − 𝑇
𝑡 G𝑡 (G𝑡 P𝑡 G𝑡 + R𝑡 )
−1
(1.22)
− −
x+
𝑡 = x𝑡 + K𝑡 (z𝑡 − 𝑔(x𝑡 )) (1.23)
−
P+
𝑡 = (I − K𝑡 G𝑡 )P𝑡 . (1.24)
Здесь x+ +
𝑡 и P𝑡 – скорректированные значения вектора состояния системы и
где
𝑚
∑︁
𝑃 (x𝑡,𝑖 |z1...𝑡−1 ) = 𝑃 (x𝑡,𝑖 |x𝑡−1,𝑗 ) · 𝑃 (x𝑡−1,𝑗 |z1...𝑡−1 ). (1.27)
𝑗=1
о карте помещения.
(𝑖)
𝑤𝑡 (𝑖) = 𝑃 (z𝑡 |x𝑡 ). (1.29)
1.3. Выводы
Глава 2
𝑇𝐵2 − 𝑇𝐴2
𝑡2 = . (2.2)
2
Рис. 2.5. Доставка данных от встроенного модуля определения траектории на сервер расчета
локации. 𝑆1 , 𝑆2 – два последовательных шага, 𝑡0 , 𝑡1 , 𝑡2 – моменты времени, в которые
фиксируются шаги человека, 𝑡𝑠𝑒𝑛𝑑 – момент отправки пакета с данными на сервер расчета
локации, 𝑑 – разница в длине регистрируемого и реального пути.
0.5
0.45 1
2
0.4
0.35
0.3
PDF
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20
e d, m
9F40
60 70 80 90 100 110
Pl, dBm
Рис. 2.7. Карта уровней сигнала (PL) для одной из базовых станций
2.3. Выводы
Глава 3
карта здания;
траектория движения;
50
Рис. 3.1. Пример расположения базовых станций внутри здания, использовавшихся в мо
дельном эксперименте.
0.8 uLOS
0.6 uNLOS
CDF
0.4
0.2
eLOS eNLOS 1
2
0
0 5 10 15 20
e d, m
60 70 80 90 100 110
Pl, dBm
Рис. 3.3. Смоделированная карта уровней принимаемого сигнала для всего этажа
𝑙 = 𝑙𝑠𝑡𝑒𝑝 + 𝛿𝑙 + 𝑏𝑙 , (3.4)
𝜃 = 𝜃𝑠𝑡𝑒𝑝 + 𝑟𝜃 + 𝛿𝜃 + 𝑏𝜃 · 𝑡. (3.5)
30
p6
p2
25 p1 p7
p4
20
y, m
15 p3 p5
10 1
2 p8
5
0
0 10 20 30 40 50
x, m
Рис. 3.4. Пример эталонной траектории (1) и траектории, моделирующей данные от встро
енного модуля определения траектории (2). Движение объекта осуществлялось последова
тельно между следующими точками: 𝑝1 , 𝑝2 , 𝑝3 , 𝑝2 , 𝑝4 , 𝑝5 , 𝑝6 , 𝑝4 , 𝑝7 , 𝑝8 , 𝑝7 , 𝑝4 , 𝑝1
3.4. Выводы
Глава 4
где
𝑚
∑︁
𝑃 (x𝑡,𝑖 |z1...𝑡−1 ) = 𝑃 (x𝑡,𝑖 |x𝑡−1,𝑗 ) · 𝑃 (x𝑡−1,𝑗 |z1...𝑡−1 ). (4.2)
𝑗=1
Рис. 4.1. Процедура выбора и отсечения точек дискретной сетки. Снизу показан вариант,
учитывающий информацию о стенах здания.
1 begin
2 𝒢𝑡 ← expand(𝒢𝑡−1 , r𝑡 , Ψ)
3 Ω−𝑡 ← ∅
4 for 𝑖 ← 1 to 𝑁𝑡 do
−
5 𝑃𝑖,𝑡 ←∅
6 for 𝑗 ← 1 to 𝑁𝑡−1 do
7 for 𝑖 ← 1 to 𝑁𝑡 do
−
8 𝑃𝑖,𝑡 ←
−
𝑃𝑖,𝑡 + getVectorProbability(𝑥𝑗,𝑡−1 , 𝑦𝑗,𝑡−1 , 𝑥𝑖,𝑡 , 𝑦𝑖,𝑡 , 𝒱𝑡−1 )
9 Ω− −
𝑡 ∪ (𝑥𝑖,𝑡 , 𝑦𝑖,𝑡 , 𝑃𝑖,𝑡 )
10 Ω− −
𝑡 ← normalize(Ω𝑡 )
11 return Ω−
𝑡
0.16
1
0.14 2
0.12
0.1
PDF
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25
e r, m
Рис. 4.2. Типичное распределение (1) ошибки 𝑒𝑟 в расстоянии 𝑟, измеренном между мобиль
ным устройством и базовой станцией внутри помещения, и функция ℎ(𝑒𝑟 ) (2), соответству
ющая данному распределению
𝑒𝑟 𝑒𝑟 2
ℎ(𝑒𝑟 ) = 2 exp (− 2 ). (4.4)
𝜎 2𝜎
1
𝑃 (r𝑡 |x𝑡,𝑖 ) = 𝜂 · (ℎ(𝑒𝑟𝑖,1 ) . . . ℎ(𝑒𝑟𝑖,𝑛 ))( 𝑛 ) , (4.6)
1
Здесь возведение в степень 𝑛 используется для уменьшения влияния каждого
отдельного измерения на перераспределение весов внутри области локации.
Для того, чтобы представить работу описанного метода, на рисунке 4.3
приведены примеры распределения весов внутри области пересечения окруж
ностей, равномерно разбитой на ячейки. Вес каждой из ячеек, находящейся
внутри области локации, рассчитан как 𝑛𝑘=1 ℎ(𝑟𝐵𝑆𝑘 − 𝑑𝑖,𝑘 ), где 𝑑𝑖,𝑘 – это
∏︀
Рис. 4.3. Распределение весов внутри области локации. Нижний рисунок соответствует удач
ному размещению базовых станций. Черными квадратами обозначены базовые станции. Ис
тинное положение мобильного устройства обозначено треугольником.
s𝑜𝑓 𝑓 𝑙𝑖𝑛𝑒 (𝑐) = {< 𝑠𝐵𝑆1 >, < 𝑠𝐵𝑆2 >, . . . , < 𝑠𝐵𝑆𝑛 >} (4.7)
где < 𝑠𝐵𝑆𝑗 > – среднее значение уровня сигнала от базовой станции 𝐵𝑆𝑗 ,
зарегистрированное в ячейке 𝑐.
На рисунке 4.4 представлен пример распределения весов точек дискрет
ной сетки, определенных по формулам 4.8 и 4.9 с использованием серии
расстояний и карты уровней принимаемого сигнала.
73
Рис. 4.4. Распределение весов внутри области локации. Вероятности ячеек рассчитаны с
использованием информации о карте уровней радиосигнала внутри помещения.
30
BS4
BS1 BS5 BS6
25
BS7
20
BS2 BS3
y, m
15
BS8
10 2
1
5
BS9
0
0 10 20 30 40 50
x, m
0.8
0.6
CDF
DBFPL
DBFTOF
0.4 DBFSIMPLE
DBFNO WALLS
DBFPL ONLY
0.2 KF
TOF
PL
0
0 1 2 3 4 5 6 7 8
e, m
Рис. 4.6. Кумулятивные фукции ошибки локации 𝑒 (в метрах) для трех вариантов запуска
алгоритма.
18
DBFPL
16 DBFTOF
14 DBFSIMPLE
12
e0.75, m
10
8
6
4
2
0
2 3 4 5 6 7 8 9 10
nBS
3.5
3
C
2.5 B
e0.75, m
A
2
1.5 DBFPL
DBFTOF
DBFSIMPLE
1
0 2 4 6 8 10 12 14
T, s
Рис. 4.8. Зависимость точности локации 𝑒0.75 (в метрах) от периода 𝑇 (в секундах) между
измерениями для трех вариантов запуска алгоритма. Горизонтальными линиями (A,B,C) по
казаны результаты по точности локации, рассчитанной без учета модели динамики системы.
3.6 200
1
3.4 2 180
3.2 160
140
3
120
e0.75, m 2.8
t, ms
100
2.6
80
2.4
60
2.2 40
2 20
1.8 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
s, m
Рис. 4.9. Зависимость точности локации 𝑒0.75 (1), в метрах, и времени расчета локации 𝑡 (2),
в миллисекундах, от размера 𝑠 ячейки дискретной сетки (в метрах).
4.3. Выводы
Глава 5
5.1.1. Инициализация
1
𝑤𝑡 (𝑖) = . (5.1)
𝑁
5.1.2. Прогноз
Рис. 5.2. Пример траектории движения, полученной от встроенного модуля определения тра
ектории. Черные треугольники соответствуют положению и направлению отдельной частицы
в последовательные моменты времени 𝑡 − 1 и 𝑡, в которые происходит замер расстояний меж
ду мобильным устройством и базовыми станциями.
𝐽
(𝑖) (𝑖)
∑︁
𝑦𝑡 = 𝑦𝑡−1 + (𝑙𝑗 + 𝛿𝑙𝑗 ) · sin 𝛼𝑗 , (5.3)
𝑗=1
𝐽
(𝑖) (𝑖)
∑︁
𝜃𝑡 = 𝜃𝑡−1 + (𝛼𝑗 + 𝛿𝛼𝑗 ), (5.4)
𝑗=1
(𝑖) (𝑖) (𝑖) (𝑖)
где 𝑥𝑡 , 𝑦𝑡 и 𝑥𝑡−1 , 𝑦𝑡−1 – координаты отдельной частицы в моменты времени
(𝑖) (𝑖)
𝑡 и 𝑡 − 1, 𝜃𝑡 и 𝜃𝑡−1 – вычисленное и предыдущее направление частицы, 𝑙𝑗
и 𝛼𝑗 – длина и направление каждого шага. 𝛿𝑙 ∼ 𝑁 (0, 𝜎 2 𝑙 ) – случайная ве
личина, распределенная нормально, с нулевым математическим ожиданием
и стандартным отклонением 𝜎𝑙 , соответствующая возможным непредсказуе
мым изменениям в длине шага. 𝛿𝛼 ∼ 𝑁 (0, 𝜎 2 𝛼 ) – нормально распределенная
случайная величина, соответствующая возможным непредсказуемым измене
нием в направлении движения объекта. Значения параметров 𝜎𝑙 и 𝜎𝛼 выби
раются в зависимости от точности измерений, получаемых от встроенного
модуля определения траектории.
На этапе прогноза происходит учет информации о структуре здания. В
том случае, если траектория частицы пересекает стену здания, она удаляется
из общего набора частиц (рисунок 5.3).
95
Рис. 5.3. Сокращение числа частиц с учетом информации о структуре здания. Пунктиром
показано перемещение частиц в ходе прогноза.
5.1.3. Коррекция
Вычисление весов
из множества Ω𝑡 .
Алгоритм 7: Коррекция (update(Ω, r, s, s𝑜𝑓 𝑓 𝑙𝑖𝑛𝑒 ))
(𝑖)− (𝑖)− (𝑖)− (𝑖)−
input : Ω−
𝑡 : {𝑥𝑡 , 𝑦𝑡 , 𝜃𝑡 , 𝑤𝑡 , 𝑖 = 1 . . . 𝐾}, r𝑡 =
{𝑟𝐵𝑆1 , 𝑟𝐵𝑆2 , . . . , 𝑟𝐵𝑆𝑛 }, s𝑡 = {𝑠𝐵𝑆1 , 𝑠𝐵𝑆2 , . . . , 𝑠𝐵𝑆𝑛 }, s𝑜𝑓 𝑓 𝑙𝑖𝑛𝑒 = {<
𝑠𝐵𝑆1 >, < 𝑠𝐵𝑆2 >, . . . , < 𝑠𝐵𝑆𝑛 >}
(𝑖)+ (𝑖)+ (𝑖)+ (𝑖)+
output: Ω+
𝑡 : {𝑥𝑡 , 𝑦𝑡 , 𝜃𝑡 , 𝑤𝑡 , 𝑖 = 1 . . . 𝑀 }
1 begin
2 Ω+𝑡 ←∅
3 for 𝑖 ← 1 to 𝐾 do
(𝑖)− (𝑖)−
4 if isInsideLocationArea (𝑥𝑡 , 𝑦𝑡 , r𝑡 ) then
(𝑖)+ (𝑖)−
5 𝑥𝑡 ← 𝑥𝑡
(𝑖)+ (𝑖)−
6 𝑦𝑡 ← 𝑦𝑡
(𝑖)+ (𝑖)−
7 𝜃𝑡 ← 𝜃𝑡
(𝑖)+ (𝑖)− (𝑖)+ (𝑖)+
8 𝑤𝑡 ← 𝑤𝑡 · calcWeight(𝑥𝑡 , 𝑦𝑡 , r𝑡 )
(𝑖)+ (𝑖)+ (𝑖)+ (𝑖)+
9 Ω+𝑡 ∪ (𝑥𝑡 , 𝑦𝑡 , 𝜃𝑡 , 𝑤𝑡 )
10 Ω+ +
𝑡 ← normalizeWeights(Ω𝑡 )
11 return Ω+
𝑡
Ресэмплинг
5 𝒮 ∪ 𝑆𝑚
6 Ω𝑡 ← ∅
7 for 𝑖 ← 1 to 𝑁 do
8 𝑢 ∼ 𝑅(0, 1)
9 𝑖 ← getLowerBound(𝒮, 𝑢)
(𝑖)
10 𝑤𝑡 ← 𝑁1
(𝑖) (𝑖) (𝑖) (𝑖)
11 Ω𝑡 ∪ (𝑥𝑡 , 𝑦𝑡 , 𝜃𝑡 , 𝑤𝑡 )
12 return Ω𝑡
В ходе применения процедуры ресэмплинга происходит удаление частиц
с низкими весами и дублирование частиц с высокими весами. Поскольку ин
формация об измерениях уже учитывается при генерации нового набора ча
стиц, после ресэмплинга предполагается, что все частицы имеют одинаковый
вес:
1
𝑤𝑡 (𝑖) = . (5.5)
𝑁
В случае использования расстояний, измеренных времяпролетным ме
тодом, фильтр частиц может быть спроектирован без дополнительного вы
числения весов внутри области пересечения окружностей. Учет измерений
может быть использован только для отсечения частиц, не попадающих в
данную область. В этом случае веса всех частиц предполагаются равными, а
процедура ресэмплинга сводится к простому дублированию частиц из набора
𝑀 , пока число частиц не станет равным 𝑁 .
Необходимо отметить, что, используя процедуру ресэмплинга, можно
провести оптимизацию алгоритма. При первом запуске фильтра частиц в мо
мент инициализации состояние системы не определено, и для рассмотрения
всех возможных гипотез о положении объекта требуется большое количество
102
10
5
BS9
0
-5 1
2
-10 3
0 10 20 30 40 50 60 70
0.8
0.6
CDF
0.4
0.2 PFPL
PFTOF
PFSIMPLE
PFPL ONLY
0
0 1 2 3 4 5 6 7 8
e, m
Рис. 5.6. Кумулятивные фукции ошибки локации 𝑒 (в метрах) для различных вариантов
запуска алгоритма.
18
PFPL
16 PFTOF
14 PFSIMPLE
12
e0.75, m
10
8
6
4
2
0
2 3 4 5 6 7 8 9 10
nBS
Шумы системы
1.8
min3
σθ = 100
1.6
σθ = 5 0
e0.75, m
1.4
min2
1.2 σθ = 1 0
min1
1
0.8
0.6
0 5 10 15 20 25 30 35
0
σ α,
Рис. 5.8. Зависимость ошибки локации 𝑒0.75 (в метрах) от параметра шумов направления
частиц 𝜎𝛼 (в градусах) для трех значений ошибки направления шага 𝜎𝜃 (в градусах).
2.2
bl = 5 %
2 min1
bl = 0 %
1.8 min2 bl = 10 %
1.6 bl = -5 %
e0.75, m
min3 bl = -10 %
1.4
1.2
1
0.8
0.6
0 0.5 1 1.5 2
σl , m
Рис. 5.9. Зависимость ошибки локации 𝑒0.75 (в метрах) от значения параметра шумов длины
траектории частиц 𝜎𝑙 (в метрах) для нескольких значений ошибки смещения генерируемых
шагов 𝑏𝑙 (в процентах от длины шага).
4 70
3.5 60
50
3
A
40
D, %
e, m
2.5
30
2
20
1.5 10
1
2
1 0
0 5 10 15 20 25 30 35 40
T, s
5000 9000
NR=100 N0=1000
4500 NR=300 8000 N0=3000
4000 NR=500 N0=5000
NR=700 7000 N0=7000
3500 NR=900 N0=9000
6000
3000
5000
Np
Np
2500
4000
2000
3000
1500
1000 2000
500 1000
0 0
0 5 10 15 20 25 0 5 10 15 20 25
n n
CDF50% CDF50%
2 CDF75% 2 CDF75%
CDF90% N0 = NR = 600 CDF90%
1.5 1.5
e, m
e, m
1 1
0.5 0.5
0 0
400 800 1200 1600 0 1000 2000 3000 4000 5000 6000
NR N0
3.5 3
1
2
2.5
3
2
2.5
t, ms
e, m
1.5
2
1
1.5
0.5
1 0
100 500 1000 1500 2000
Np
Рис. 5.13. Точность локации – (1) (𝑒, в метрах) и среднее время вычисления одной локации
– (2) (𝑡, в миллисекундах) в зависимости от числа частиц 𝑁𝑝 .
5.3. Выводы
Глава 6
Рис. 6.3. Примеры кадров, снятых видеокамерой, использующиеся для синхронизации изме
рений с истинным положением объекта
15
BS8
10 1
2
3
5
BS9
0
15 20 25 30 35 40
Рис. 6.4. Результат расчета локации с использованием алгоритма на основе фильтра частиц:
1 – эталонный трек, 2 – данные, зарегистрированные встроенным модулем определения
траектории, 3 – рассчитанный трек, 𝐵𝑆1 , . . . , 𝐵𝑆9 – базовые станции, 𝑝 – точка начала
траектории
0.8
0.6
CDF 1
2
0.4
0.2
0
0 1 2 3 4 5 6
e, m
14 14
1 1
2 BS4 3
12 12 BS3
p p
10 10
8 8
6 6
y, m
4 4
BS1
2 2
BS2
0 0
-2 -2
4 6 8 10 12 14 16 18 4 6 8 10 12 14 16 18
x, m x, m
Рис. 6.6. Результат раcчета локации с использованием алгоритма на основе фильтра частиц:
1 – эталонный трек, 2 – данные, зарегистрированные встроенным модулем определения
траектории, 3 – рассчитанный трек, 𝐵𝑆1 , . . . , 𝐵𝑆4 – базовые станции, 𝑝 – точка начала
траектории.
0.8
0.6
CDF 1
2
0.4
0.2
0
0 1 2 3 4 5 6
e, m
6.3. Выводы
Заключение
Список литературы
no. 5. P. 1528–1545.
29. Empirical Evaluation of the Limits on Localization Using Signal Strength /
G. Chandrasekaran, M. Ergin, J. Yang et al. // Sensor, Mesh and Ad
Hoc Communications and Networks, 2009. SECON ’09. 6th Annual IEEE
Communications Society Conference on. Piscataway: IEEE, 2009. P. 1–9.
30. Caffery J., Stuber G. Subscriber location in CDMA cellular networks // Ve
hicular Technology, IEEE Transactions on. 1998. May. no. 2. P. 406–416.
31. Parsons J. The Mobile Radio Propagation Channel. Norwood, MA, USA:
Wiley, 2000. 470 p.
32. Rappaport T. Wireless Communications: Principles and Practice. Upper
Saddle River, NJ, USA: Prentice Hall PTR, 2001. 810 p.
33. Wilson R. Propagation losses through common building materials 2.4 GHz
vs 5 GHz.: Tech. Rep.: Los Angeles: University of Southern California,
2002.
34. Alam N., Balaie A., Dempster A. Dynamic Path Loss Exponent and Dis
tance Estimation in a Vehicular Network Using Doppler Effect and Re
ceived Signal Strength // Vehicular Technology Conference Fall (VTC
2010-Fall), 2010 IEEE 72nd. Piscataway: IEEE, 2010. P. 1–5.
35. Valletta D., Monti C., Bellofiore P. Enhanced indoor localization. 2014.
Jan. US Patent 8,639,264.
36. Lott M., Forkel I. A multi-wall-and-floor model for indoor radio propaga
tion // Vehicular Technology Conference, 2001. VTC 2001 Spring. IEEE
VTS 53rd. Piscataway: IEEE, 2001. P. 464–468.
37. Kaemarungsi K. Distribution of WLAN received signal strength indication
for indoor location determination // Wireless Pervasive Computing, 2006
1st International Symposium on. Piscataway: IEEE, 2006. P. 6–19.
38. Elnahrawy E., Li X., Martin R. The limits of localization using signal
strength: a comparative study // Sensor and Ad Hoc Communications and
Networks, 2004. IEEE SECON 2004. 2004 First Annual IEEE Communi
136
47. Real Time Location Systems (RTLS). Nanotron Technologies GmbH. 2007.
48. Bedford M., Kennedy G. Evaluation of ZigBee (IEEE 802.15.4)
Time-of-Flight-Based Distance Measurement for Application in Emergency
Underground Navigation // Antennas and Propagation, IEEE Transactions
on. 2012. no. 5. P. 2502–2510.
49. Scalable and accurate indoor positioning on mobile devices / A. Naguib,
P. Pakzad, R. Palanki et al. // Indoor Positioning and Indoor Naviga
tion (IPIN), 2013 International Conference on. Piscataway: IEEE, 2013.
P. 1–10.
50. Rolando A., Amoruso E. An ubiquitous positioning system based on IEEE
802.15.4 radio signals // Indoor Positioning and Indoor Navigation (IPIN),
2013 International Conference on. Piscataway: IEEE, 2013. P. 1–10.
51. Hybrid RSS-RTT Localization Scheme for Indoor Wireless Networks /
A. Bahillo, S. Mazuelas, R. M. Lorenzo et al. // EURASIP J. Adv. Signal
Process. 2010. Feb. no. 2. P. 1701–1712.
52. Das S., Aggarwal A., Naguib A. et al. Providing and utiliz
ing maps in location determination based on rssi and rtt da
ta. 2014. June. WO Patent App. PCT/US2013/073,739. URL:
https://www.google.com/patents/WO2014089531A1?cl=en.
53. Jacobs P., Wan E., Paul A. Position tracking and mobility as
sessment system. 2014. Aug. US Patent 8,810,388. URL:
https://www.google.com/patents/US8810388.
54. Localization via ultra-wideband radios: a look at positioning aspects for
future sensor networks / S. Gezici, Z. Tian, G. Giannakis et al. // Signal
Processing Magazine, IEEE. 2005. July. no. 4. P. 70–84.
55. Groves P. Principles of GNSS, Inertial, and Multisensor Integrated Navi
gation Systems. Norwood, MA, USA: Artech House, 2008. 300 p.
56. Goldman D., Patel N. Systems, methods, and apparatus for providing in
door navigation. 2013. June. WO Patent App. PCT/US2012/070,148.
138
57. KAO Y., Chang S., Kuo L. System and method for wireless in
door localization based on inertial measurement unit and map in
formation. 2014. June. US Patent App. 13/847,932. URL:
https://www.google.com/patents/US20140171107.
58. Accurate Pedestrian Indoor Navigation by Tightly Coupling Foot-Mounted
IMU and RFID Measurements / A. Ruiz, F. Granja, J. Prieto Honorato
et al. // Instrumentation and Measurement, IEEE Transactions on. 2012.
January. no. 1. P. 178–189.
59. Li W.-L., Iltis R., Win M. A smartphone localization algorithm using RSSI
and inertial sensor measurement fusion // Global Communications Confer
ence (GLOBECOM), 2013 IEEE. Piscataway: IEEE, 2013. P. 3335–3340.
60. Atia M., Korenberg M., Noureldin A. Particle-Filter-Based WiFi-Aided Re
duced Inertial Sensors Navigation System for Indoor and GPS-Denied En
vironments // International Journal of Navigation and Observation. 2012.
March. no. 3. P. 342–348.
61. Hol J., Dijkstra F., Luinge H. et al. Tightly Coupled UWB/IMU Pose Es
timation System and Method. 2011. February. US Patent App. 12/534,607.
URL: http://www.google.com/patents/US20110025562.
62. Indoor positioning by ultrawide band radio aided inertial navigation /
A. De Angelis, J. Nilsson, I. Skog et al. // Metrology and Measurement
Systems. 2010. March. no. 3. P. 447–460.
63. A Biased Extended Kalman Filter for Indoor Localization of a Mobile Agent
Using Low-Cost IMU and UWB Wireless Sensor Network Robot Control /
A. Benini, A. Mancini, A. Marinelli et al. // 10th IFAC Symposium on
Robot Control. Piscataway: IEEE, 2012. P. 735–740.
64. UWB and MEMS based indoor navigation / S. Pittet, V. Renaudin, B. Mer
minod et al. // Journal of Navigation. 2008. March. no. 03. P. 369–384.
65. Woodman O. J. An introduction to inertial navigation. Technical Report
696: Tech. Rep.: / Computer Laboratory. Cambridge: University of Cam
139
bridge, 2007.
66. Woodman O., Harley R. Pedestrian localisation for indoor environments //
In Proceedings of the 10th international conference on Ubiquitous comput
ing. New York: ACM, 2008. P. 114–123.
67. Widyawan, Klepal M., Beauregard S. A Backtracking Particle Filter for
fusing building plans with PDR displacement estimates // Positioning,
Navigation and Communication, 2008. WPNC 2008. 5th Workshop on.
Piscataway: IEEE, 2008. P. 207–212.
68. Davidson P., Collin J., Takala J. Application of particle filters for indoor
positioning using floor plans // Ubiquitous Positioning Indoor Navigation
and Location Based Service (UPINLBS), 2010. Piscataway: IEEE, 2010.
P. 1–4.
69. Beauregard S., Widyawan, Klepal M. Indoor PDR performance enhance
ment using minimal map information and particle filters // Position, Lo
cation and Navigation Symposium, 2008 IEEE/ION. Piscataway: IEEE,
2008. P. 141–147.
70. Kelly J., Price J., Bashki R. et al. Indoor Map Data as a Recalibration
Source for Low-Cost MEMS Inertial Navigation. 2014. May. US Patent
App. 13/758,707. URL: http://www.google.com/patents/US20140149069.
71. Kadous M., Lookingbill A., Thrun S. Indoor localization of mobile de
vices. 2012. November. WO Patent App. PCT/US2012/037,235. URL:
https://www.google.com/patents/WO2012158441A1?cl=en.
72. An improved indoor localization method using smartphone inertial sen
sors / J. Qian, J. Ma, R. Ying et al. // Indoor Positioning and Indoor
Navigation (IPIN), 2013 International Conference on. Piscataway: IEEE,
2013. P. 1–7.
73. Constandache I., Choudhury R., Rhee I. Towards Mobile Phone Localiza
tion without War-Driving // INFOCOM, 2010 Proceedings IEEE. Piscat
away: IEEE, 2010. P. 1–9.
140
83. Le B. L., Ahmed K., Tsuji H. Mobile location estimator with NLOS mitiga
tion using Kalman filtering // Wireless Communications and Networking,
2003. WCNC 2003. 2003 IEEE. Piscataway: IEEE, 2003. P. 1969–1973.
84. Yousefi S., Chang X.-W., Champagne B. Mobile Localization in Non
Line-of-Sight Using Constrained Square-Root Unscented Kalman Filter //
Vehicular Technology, IEEE Transactions on. Piscataway: IEEE, 2014.
P. 1–10.
85. Yousefi S., wen Chang X., Champagne B. An Improved Extended Kalman
Filter for Localization of a Mobile Node with NLOS Anchors // ICWMC
2013: The Ninth International Conference on Wireless and Mobile Com
munications. Piscataway: IEEE, 2013. P. 1–10.
86. Julier S., Uhlmann J., Durrant-Whyte H. A new approach for filtering
nonlinear systems // American Control Conference. Piscataway: IEEE,
1995. P. 1628–1632.
87. Julier S. J., Uhlmann J. K. A Consistent, Debiased Method for Converting
Between Polar and Cartesian Coordinate Systems // In The Proceedings
of AeroSense: The 11th International Symposium on Aerospace/Defense
Sensing, Simulation and Controls. Piscataway: IEEE, 1997. P. 110–121.
88. Julier S., Uhlmann J. Unscented filtering and nonlinear estimation // Per
vasive Computing, IEEE. 2004. Mar. no. 3. P. 401–422.
89. Roth M., Gustafsson F. An efficient implementation of the second order
extended Kalman filter // Information Fusion (FUSION), 2011 Proceedings
of the 14th International Conference on. Piscataway: IEEE, 2011. P. 1–6.
90. Li X.-R., Jilkov V. P. A survey of maneuvering target tracking: approxima
tion techniques for nonlinear filtering // Proc. SPIE 5428, Signal and Data
Processing of Small Targets 2004. Piscataway: IEEE, 2004. P. 537–550.
91. Julier S., Uhlmann J. A new extension of the Kalman filter to nonlinear
systems // Proc. of AeroSense: The 11th Int. Symp. on Aerospace/Defense
Sensing, Simulations and Controls. Piscataway: IEEE, 1997. P. 1–10.
142
102. Galov A., Moschevikin A. Bayesian filters for ToF and RSS measurements
for indoor positioning of a mobile object // Proceedings of the Internation
al Conference on Indoor Positioning and Indoor Navigation, IPIN-2013.
Piscataway: IEEE, 2013. October. P. 310–317.
103. Widyawan, Klepal M., Pesch D. A Bayesian Approach for RF-Based Indoor
Localisation // Wireless Communication Systems, 2007. ISWCS 2007. 4th
International Symposium on. Piscataway: IEEE, 2007. P. 133–137.
104. Mikov A. et al. A Localization System Using Inertial Measurement Units
from Wireless Commercial Hand-held Devices // International Conference
on Indoor Positioning and Indoor Navigation (IPIN 2013). Piscataway:
IEEE, 2013. P. 853–859.
105. The Impact of NLOS Components in Time-of-Flight Networks for Indoor
Positioning Systems / A. Moschevikin, A. Galov, S. Reginya et al. //
The 7th IEEE International Conference on Intelligent Data Acquisition and
Advanced Computing Systems, IDAACS-2013. Piscataway: IEEE, 2013.
September. P. 2–6.
106. Galov A., Moschevikin A., Voronov R. Combination of RSS localization
and ToF ranging for increasing positioning accuracy indoors // The 11th
International Conference on ITS Telecommunications (ITST). Piscataway:
IEEE, 2011. August. P. 299–304.
107. Measurement and modeling of an ultra-wide bandwidth indoor channel /
S. Ghassemzadeh, R. Jana, C. Rice et al. // Communications, IEEE Trans
actions on. 2004. Oct. no. 10. P. 1786–1796.
108. Robotics-based Location Sensing Using Wireless Ethernet / A. M. Ladd,
K. E. Bekris, A. Rudys et al. // Proceedings of the 8th Annual International
Conference on Mobile Computing and Networking. New York, NY, USA:
ACM, 2002. P. 227–238.
109. Bahl P., Padmanabhan V. N. RADAR: An In-Building RF-Based User
Location and Tracking System // INFOCOM. Piscataway: IEEE, 2000.
144
P. 775–784.
110. Valenzuela R.A. A ray tracing approach to predicting indoor wireless
transmission // Vehicular Technology Conference, 1993., 43rd IEEE.
Piscataway: IEEE, 1993. С. 214–218.
111. Propagation model based on ray tracing for the design of personal commu
nication systems in indoor environments / F. de Adana, O. Gutierrez Blan
co, I. Diego et al. // Vehicular Technology, IEEE Transactions on. 2000.
November. no. 6. P. 2105–2112.
112. Ullmo D., Baranger H. U. Wireless propagation in buildings: a statistical
scattering approach // Vehicular Technology, IEEE Transactions on. 1999.
May. no. 3. P. 947–955.
113. Li T., Sun S., Sattar T. Adapting sample size in particle filters through
KLD-resampling // Electronics Letters. 2013. no. 12. P. 740–742.
114. RealTrac technology at the EvAAL-2013 competition / A. Moschevikin,
A. Galov, A. Volkov et al. // JAISE. 2015. no. 3. P. 353–373.