Wykorzystanie informacji na temat aktywności użytkownika do zwiększenia dokładności w ultraszerokopasmowym systemie lokalizacyjnym

• Autorzy: Mandecki Krystian , Kołakowski Marcin

Identyfikatory

DOI

10.15199/59.2023.4.45

Warianty tytułu

EN

Using information on user’s activity to improve accuracy in an ultra-wideband positioning system

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (20-22.09.2023 ; Kraków, Polska)
• Języki publikacji: PL

Abstrakty

PL

W referacie zaprezentowano metodę lokalizacji przeznaczoną do wykorzystania w ultraszerokopasmowym systemie lokalizacyjnym. Metoda, oprócz prowadzenia pomiarów w interfejsie radiowym, zakłada ciągłe monitorowanie aktywności użytkownika co, w połączeniu z informacją na temat rozkładu pomieszczenia, pozwala uzyskać dodatkowy kontekst. W zaproponowanej metodzie, użytkownik jest lokalizowany za pomocą filtru cząsteczkowego. Dodatkowy kontekst jest wykorzystywany na etapie ponownego próbkowania poprzez zwiększenie wag cząsteczek znajdujących się w obszarach, w których można wykonywać wykrytą aktywność.

EN

The paper presents a localization method intended for use in an ultra-wideband positioning system. The method, besides performing measurements in the radio interface, monitors the user’s activity, which combined with the indoor area layout results in an additional positioning context. In the proposed method, the user is located using a particle filter. The additional context is used to increase the weights of particles located in the areas, where the detected activity can be performed.

Słowa kluczowe

PL

detekcja aktywności; lokalizacja; uczenie głębokie; UWB

EN

activity detection; positioning; deep learning; UWB

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2023
• Tom: nr 4
• Strony: 212--215
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Mandecki Krystian

• Instytut Radioelektroniki i Technik Multimedialnych, Politechnika Warszawska, Warszawa

autor

Kołakowski Marcin

• Instytut Radioelektroniki i Technik Multimedialnych, Politechnika Warszawska, Warszawa

Bibliografia

• [1] M. Kołakowski, 2020, “Redukcja wpływu ciała użytkownika na dokładność lokalizacji z wykorzystaniem hybrydowego algorytmu lokalizacyjnego,” Przegląd Telekomunikacyjny - Wiadomości Telekomunikacyjne (7-8), 312–315, DOI: 10.15199/59.2020.7-8.39
• [2] G. Pipelidis i inni, 2019 “A Novel Lightweight Particle Filter for Indoor Localization,” 2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN), (Pisa, Włochy), 1–8, DOI: 10.1109/IPIN.2019.8911744
• [3] R. Jackermeier i B. Ludwig, 2019, “Door Transition Detection for Long-Term Stability in Pedestrian Indoor Positioning,” 2019 International Conference on Indoor Positioning and Indoor Navigation (IPIN), (Pisa, Włochy), 1–8, DOI: 10.1109/IPIN.2019.8911810.
• [4] Zawar Hussain, Michael Sheng, Wei Emma Zhang, 2019. “Different Approaches for Human Activity Recognition: A Survey,” DOI: 10.48550/arXiv.1906.05074.
• [5] Akram Bayat, 2014, “A Study on Human Activity Recognition Using Accelerometer Data from Smartphones,” DOI: 10.1016/j.procs.2014.07.009.
• [6] Oscar D. Lara, Miguel A. Labrador, 2013, “A survey on human activity recognition using wearable sensors,” DOI: 10.1109/SURV.2012.110112.00192.
• [7] Jindong Wang, Yiqiang Chen, Shuji Hao, Xiaohui Peng, Lisha Hu, 2019. “Deep learning for sensor-based activity recognition: A survey,” DOI: 10.1016/j.patrec.2018.02.010.
• [8] Anna Ferrari, Daniela Micucci, Marco Mobilio, Paolo Napoletano, 2019, “Human Activities Recognition Using Accelerometer and Gyroscope,” DOI: 10.1007/978-3-030-34255-5_28.
• [9] Wenchao Jiang, Zhaozheng Yin, 2015 “Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks,” DOI: 10.1145/2733373.2806333.
• [10] Charissa Ann Ronao, Sung-Bae Cho, 2016 “Human activity recognition with smartphone sensors using deep learning neural networks,” DOI: 10.1016/j.eswa.2016.04.032.
• [11] Abdulmajid Murad, Jae-Young Pyun, 2017 “Deep Recurrent Neural Networks for Human Activity Recognition,” DOI: 10.3390/s17112556.
• [12] J. Kołakowski i inni, 2020, “UWB/BLE Tracking System for Elderly People Monitoring,” Sensors, 20, 1574, DOI: 10.3390/s20061574

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).