بهبود دقت موقعیت‌یابی در‌یک سامانه واقعیت افزوده سیار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد گروه مهندسی کامپیوتر ـ دانشکده فنی و مهندسی ـ دانشگاه بین‌المللی امام خمینی(ره) ـ قزوین ـ ‌ایران

2 استادیار گروه مهندسی کامپیوتر ـ دانشکده فنی و مهندسی ـ دانشگاه بین‌المللی امام خمینی(ره) ـ قزوین ـ ‌ایران

10.22034/csj.2024.192414

چکیده

امروزه نیاز به اطلاع دقیق از موقعیت مکانی ابزارها، اشخاص و نهاد‌ها به طرز قابل توجهی افزایش ‌یافته است و کاربردهای بسیاری دارد که از آن جمله می‌توان به کاربرد آن در واقعیت افزوده اشاره کرد. فناوری واقعیت افزوده اطلاعات تکمیلی را به صحنة واقعی (مثل آنچه دوربین نمایش می‌دهد) اضافه می‌کند و نسبت اطلاعات به آنچه مشاهده می‌شود بر پایه سنجش موقعیت مکانی عناصر واقعی موجود در صحنه انجام می‌شود. هر چه سنجش موقعیت با دقت بیشتری انجام شود، کارایی واقعیت افزوده بیشتر می‌شود. الگوریتم‌های مختلفی برای ‌موقعیت‌یابی ابداع ‌شده‌اند که امروزه به صورت ابزار عمومی در دسترس کاربران هستند مانند سامانه موقعیت‌یاب جغرافیایی (جی‌پی‌اس)، پیمایش خودکار، شبکه سلولی تلفن همراه و یا ارتباطات بی‌سیم مانند وای‌فای. دقت الگوریتم‌‌های موقعیت‌یابی بسیار به شرایط محیط مورد استفاده، وابسته است. هیچ کدام از این الگوریتم‌‌ها نمی‌توانند در همه جا و با شرایط محیطی متفاوت دقت بالایی را داشته باشند. در ‌این مقاله روشی ترکیبی جهت سنجش دقیق‌تر موقعیت مکانی ارائه شده است.‌ این روش با توجه به میزان خطای هر کدام از ‌موقعیت‌یاب‌ها و شرایط استفاده، ضرایبی را به آنها اختصاص می‌دهد و با گرفتن میانگین وزن‌دار آنها، موقعیت نهایی را به صورت طول و عرض جغرافیایی اعلام می‌کند. برای سنجش اعتبار ‌این الگوریتم ترکیبی از دو ‌موقعیت‌یاب جغرافیایی و پیمایش خودکار تلفن همراه استفاده شده است. پیمایش خودکار الگوریتمی است ‌که از حسگر‌های تلفن همراه برای ‌موقعیت‌یابی شخص پیاده استفاده می‌کند و برای انواع سبک‌های حرکتی (سرعت تند، سرعت کند، قدم‌های کوتاه، قدم‌های بلند و ترکیبی از تمام‌این حرکات) آزمایش شده است. برای سنجش اعتبار الگوریتم‌ ترکیبی تعداد 300 آزمایش در مسافت‌های متفاوت و در شرایط مختلف انجام شده است. نتایج ‌این آزمایش‌ها نشان می‌دهد که الگوریتم پیشنهادی نسبت به استفاده تکی از الگوریتم‌‌های موقعیت‌یابی (در این آزمایش‌ها موقعیت‌یاب جغرافیایی و پیمایش خودکار) نتایج با دقت بیشتری داشته و به عنوان نمونه توانسته است درصد خطای الگوریتم‌ موقعیت‌یاب جغرافیایی را در شرایط محیطیِ نامناسب، کاهش دهد.

کلیدواژه‌ها

موضوعات

مراجع

  1. Feng, S., He, W., Zhang, X. et al., "A comprehensive survey on AR-enabled local collaboration", Virtual Reality, 27, 2941–2966 (2023).
  2. Vatansever and I. Butun, "A broad overview of GPS fundamentals: Now and future", IEEE 7th Annual Computing and Communication Workshop and Conference (CCWC), Las Vegas, USA, pp. 1-6 (2017).
  3. Kunhoth, J., Karkar, A., Al-Maadeed, S. et al., "Indoor positioning and wayfinding systems: a survey", Hum. Cent. Comput. Inf. Sci., 10, 18 (2020).
  4. Mogyorósi, F., Revisnyei, P., Pašić, A., Papp, Z., Törös, I., Varga, P., Pašić, A., "Positioning in 5G and 6G Networks—A Survey", Sensors, 22, 4757 (2022).
  5. Shakir, Z. D., Zec, J., Kostanic, I., Al-Thaedan, A., & Salah, M. E. M., “User equipment geolocation depended on long-term evolution signal-level measurements and timing advance”, International Journal of Electrical and Computer Engineering, 13(2), 1560. 2023‏.
  6. Yongjie Lin, Qihang Li, Duanya Lyu, Xiaofei Wang, “A Review of Wi-Fi-Based Traffic Detection Technology in the Field of Intelligent Transportation Systems”, Buildings, 12, 4, (428), 2022.
  7. Neupane, Inoj, Belal Alsinglawi, and Khaled Rabie, "Indoor Positioning using Wi-Fi and Machine Learning for Industry 5.0", IEEE International Conference on Pervasive Computing and Communications Workshops and other Affiliated Events (PerCom Workshops), Pages: 359-362 (2023).
  8. Cypriani, F. Lassabe, P. Canalda, and F. Spies, “Open Wireless Positioning System: A Wi-Fi-Based Indoor Positioning System”, in Vehicular Technology Conference Fall (VTC 2009-Fall), IEEE 70th, pp. 1–5 (2009).
  9. Abdulqudos Y. Alnahari, Noor Azurati Ahmad, and Yusnaidi Yusof, “Wireless Sensor Network Based Outdoor and Indoor Positioning System (WOIPS) Featured with IoT”, In Proceedings of the International Conference on Imaging, Signal Processing and Communication (ICISPC). Association for Computing Machinery, New York, USA, 153–157 (2017).
  10. Hamada Rizk, Moustafa Abbas, Moustafa Youssef, “Device-independent cellular-based indoor location tracking using deep learning”, Pervasive and Mobile Computing, Vol 75, 101420 (2021).
  11. Stella, M. Russo, and D. Begušić, “Fingerprinting based localization in heterogeneous wireless networks”, Expert Syst. Appl., vol. 41, no. 15, pp. 6738–6747 (2014).
  12. Mostafa K. Ardakani, Seyed Mohammad Fatemi, Hamid Reza Hamidi, Mojtaba Kamaliardakani, “A hybrid adaptive approach to improve position tracking measurements”, ICT Express, Vol 6, Issue 4, 273-279 (2020).
  13. Yang and H. Shao, “WiFi-based indoor positioning”, Commun. Mag. IEEE, vol. 53, no. 3, pp. 150–157 (2015).
  14. Patarot, M. Boukallel, S. Lamy-Perbal, A. Vervisch-Picois and N. Samama, "INS and GNSS fusion enhancement based on a weighted reliabilities approach", 2012 International Conference on Indoor Positioning and Indoor Navigation (IPIN), Sydney, NSW, Australia, pp. 1-10 (2012).
  15. Edwan, M. Bourimi, N. Joram, B. Al-Qudsi, and F. Ellinger, “NFC/INS integrated navigation system: The promising combination for pedestrians’ indoor navigation,” in Fundamentals of Electrical Engineering (ISFEE), International Symposium, pp. 1–5 (2014).
  16. Leppakoski, J. Collin, and J. Takala, “Pedestrian navigation based on inertial sensors, indoor map, and WLAN signals”, in Acoustics, Speech and Signal Processing (ICASSP), IEEE International Conference, pp. 1569–1572 (2012).
علوم رایانشی
دوره 8، شماره 4
اسفند 1402
صفحه 48-58

فایل ها

هم رسانی

ارجاع به این مقاله

آمار