Estudio de Sistemas y Técnicas de Posicionamiento en Interiores (Traducción) (página 2)

Las etiquetas RFID pasivas funcionan sin una batería. Son usadas principalmente para sustituir la tecnología de códigos de barras tradicionales y son mucho más ligeros, más pequeños en volumen, y menos costosos que los tags activos. Ellos reflejan la señal RF transmitida desde un lector y completan la información mediante la modulación de la señal reflejada. Sin embargo, sus rangos son muy limitados. El rango de lectura típico es de 1-2 m, y el costo de los lectores es relativamente alto. Los sistemas RFID pasivos suelen hacer uso de cuatro bandas de frecuencia: LF (125 kHz),HF (13,56 MHz), UHF (433, 868-915 MHz), y microondas (2,45 GHz, 5.8 GHz). Bewator es un conocido fabricante de RFID pasivas.

Las etiquetas RFID activas son pequeños transmisores-receptores, que de manera activa transmiten su identificación (u otros datos adicionales) en respuesta a una consulta. Los rangos de frecuencia utilizados son similares a los RFID pasivos, excepto los rangos de baja y alta frecuencia. Las ventajas de los RFID activos son el requerir antenas más pequeñas y su mayor rango de alcance (puede ser de decenas de metros). Las etiquetas activas son ideales para la identificación de productos de alto valor unitario moviéndose a través de un proceso de montaje rígido. Wavetrend Technologies es uno de los famosos fabricantes de RFID activos. Un sistema de detección bien conocido que hace uso de la tecnología RFID es SpotOn [28]. SpotOn utiliza un algoritmo de agregación para detección localización 3D basados en el análisis de la intensidad de señal de radio. Los investigadores de SpotOn diseñaron y construyeron el hardware integrado que sirve como etiquetas de localización de objetos. En el enfoque SpotOn, los objetos son ubicados por nodos de sensores homogéneos sin control central, es decir, de manera ad-hoc. Etiquetas SpotOn usan el valor RSS como un sensor de medición para calcular la distancia entre las etiquetas. Ellos aprovechan la densidad de las etiquetas y la correlación de las múltiples mediciones para mejorar la exactitud y la precisión. Otro sistema es conocido como Landmarc (localización en interiores utilizando sensores activos RFID) [29]. Su prototipo utiliza el lector de RFID funcionando en una frecuencia de 308 MHz. Con el fin de aumentar la exactitud sin aumentar la cantidad de lectores, el sistema emplea la idea de tener etiquetas de referencia de localización fijas para ayudar a la calibración del sistema. Estas etiquetas sirven como puntos de referencia del sistema. El enfoque Landmarc requiere información de intensidad de señal de cada etiqueta a los lectores. El método kNN se adopta para calcular la ubicación de las etiquetas RFID. Se informa que el percentil 50 tiene una distancia de error de alrededor de 1 m, mientras que el máximo error en la distancia sistema Landmarc son menores que 2 m.

C. Basado en Celdas

Un número de sistemas han utilizado redes GSM/CDMA para estimar la ubicación de los clientes móviles en ambientes de exterior. Sin embargo, la exactitud del método utilizando Cell-ID o E-OTD (Enhanced Observed Time Diference) es generalmente baja (en el rango de 50-200 m), dependiendo del tamaño de la celda. En términos generales, la precisión es mayor en las zonas densamente cubiertas (por ejemplo, áreas urbanas) y mucho menores en el medio rural [30].

El posicionamiento en interiores basado en la red de telefonía móvil celular es posible si el edificio está cubierto por varias estaciones base o una estación base con un fuerte RSS recibido por los clientes móviles de interior. Otsasen et al. presentó un sistema de localización de interiores basado en GSM [31].  Su idea clave para hacer exacta la localización de interior basada en GSM es la utilización de las extensas huellas digitales de la intensidad de la señal. La extensa huella digital incluye las seis señales GSM más fuertes y la lectura de hasta 29 canales GSM adicionales, la mayoría de los cuales son lo suficientemente fuertes como para ser detectados, pero demasiado débiles para ser utilizados en una comunicación eficiente. La alta dimensionalidad presentada por el canal adicional aumenta dramáticamente la exactitud de la localización. Se presentan resultados de experimentos llevados a cabo con huellas digitales de intensidad de señal recolectadas de edificios de varios pisos utilizando la técnica kNN ponderada. Los resultados muestran que su sistema de localización en interiores puede diferenciar entre los pisos y lograr exactitudes medias en el piso tan bajas como 2,5 m. El mismo método podría aplicarse en CDMA IS-95 y redes 3G.

D. UWB

UWB se basa en el envío de pulsos ultracortos (normalmente <1 ns), con un bajo ciclo de trabajo (por lo general 1: 1000). En el dominio de espectro, el sistema, por lo tanto, utiliza un UWB (incluso > 500 MHz de ancho). La ubicación UWB tiene las siguientes ventajas [32]. A diferencia de los sistemas convencionales de RFID, que funcionan sólo en una banda espectro radioeléctrico, UWB transmite una señal a través de múltiples bandas de frecuencias al mismo tiempo, de 3,1 a 10,6 GHz. Las señales UWB también se transmiten por un período mucho más corto que las utilizadas en el RFID convencional. Las etiquetas UWB consumen menos energía que las convencionales etiquetas RF y puede operar a través de una amplia zona del espectro de radio. UWB puede utilizarse en las proximidades a otras señales de RF sin causar o sufrir interferencias debido a las diferencias en los tipos de señales de radio y espectro utilizado. Los pulsos UWB de corta duración son fáciles de filtrar a fin de determinar qué señales son correctas y cuales fueron generadas por multipath. Al mismo tiempo, la señal pasa fácilmente a través de paredes, equipos y ropa. Sin embargo materiales metálicos y líquidos pueden causar interferencias de señales UWB. El uso de más lectores UWB y la colocación estratégica de los lectores UWB podría superar esta desventaja. Formas de onda de pulso corto permiten una determinación precisa del TOA y, a saber, el TOF preciso de una ráfaga de transmisión de un transmisor de pulso corto a un receptor correspondiente [33], [32]. La localización UWB explota las características de sincronización de tiempo de la comunicación UWB para conseguir una exactitud de ubicación en lugares interiores muy alta (20 cm). Por lo tanto, es adecuado para la alta precisión en tiempo real 2D y localización 3D. La localización de posicionamiento 3D se puede realizar mediante dos diferentes medidas promedios: TDOA, que mide la diferencia de tiempo de un pulso UWB llegando a varios sensores, y AOA. La ventaja de utilizar ambos medios en relación es que un lugar puede determinarse a partir de sólo dos sensores disminuyendo la densidad de sensores necesarios sobre los sistemas que sólo utilizan TDOA. Más conocimientos y productos de UWB son dados en las referencias relacionadas.

Hasta la fecha, varios sistemas precisos de localización UWB han sido implementados [34]. El sistema Ubisense es una plataforma de localización UWB unidireccional utilizando un canal de control con técnica de acceso bidireccional convencional TDMA (Time Division Multiple Access). Las etiquetas transmiten señales UWB a los receptores conectados en red y son ubicados utilizando AOA y TDOA. Ubisense trabaja mediante la creación de celdas sensoras. Cada celda requiere un mínimo de cuatro sensores o lectores. A lo largo de edificios o conjuntos de edificios, un número ilimitado de los lectores pueden ser conectados en red de manera similar las redes de teléfonos celulares. Los lectores reciben datos desde las etiquetas desde hasta 150 m y los envían a través de la plataforma de software Ubisense Smart Space.

Las frecuencias de microondas, cubiertas por la banda de frecuencia UWB, son utilizadas en el radar de posicionamiento local Siemens (LPR) [24]. LPR Siemens es un sistema RTOF, en la que el RTOF entre la unidad transponder y la medición de la estación de base se realiza a través del principio de radar FMCW. El cual se puso en marcha para aplicaciones industriales, como posicionamiento en grúas y montacargas. Es aplicable sólo en ambientes LOS.

E. WLAN (IEEE 802.11 

Este rango medio de redes inalámbricas de área local estándar (WLAN), que operan en las frecuencias 2.4 GHz para aplicaciones industriales, científicas y médicas (ICM), se ha vuelto muy popular en hotspots públicos y empresas durante los últimos años. Con rangos típicos de velocidad de transmisión de 11, 54 o 108 Mbps y un rango de 50-100 m, IEEE 802.11 es el actual dominante en las redes inalámbricas estándar, por lo tanto, apelando al uso de una infraestructura WLAN existente para localización de interiores, y añadiendo un servidor de localización, la exactitud de los típicos sistemas de posicionamiento mediante WLAN RSS es aproximadamente 3 a 30 m, con una tasa de actualización en el intervalo de pocos segundos. 

Bahl et al. [35] propuso la creación un sistema de ubicación y seguimiento de usuarios-RADAR, que adopta la técnica de la señal en el espacio del vecino más cercano, que es el mismo que utiliza kNN. Los autores proponen dos tipos de enfoques para determinar la ubicación del usuario. El primero depende de la medición empírica de la intensidad de la señal del punto de acceso en fase fuera de línea. A partir de estos experimentos, se informa que las orientaciones del usuario, el número de los vecinos más cercanos, el número de puntos de datos, y el número de muestras en fase de tiempo real pueden afectar la exactitud al determinar la ubicación. La segunda es un modelo de propagación de la señal. Se utilizan Modelos de propagación con factor de atenuación de muro (WAF) y factor de atenuación del piso (FAF), en lugar de modelo de propagación de Rayleigh y el modelo de distribución de Rice, que se utilizan en situaciones al aire libre. 

WAF tiene en cuenta el número de paredes (obstrucciones). La precisión del sistema RADAR es cercana a los 2-3 m. En su siguiente trabajo [36], RADAR fue reforzada por un algoritmo de tipo Viterbi. Su resultado es que el percentil 50 del sistema RADAR es de alrededor de 2,37-2,65 m, y en el percentil 90 es de alrededor de 5,93-5,97 m.

El sistema de Horus [37], [38] que ofrece una técnica conjunta de la agrupación para la estimación de la ubicación, utiliza el método probabilístico descrito anteriormente. Cada coordenada de ubicación candidata se coordina como una clase o categoría. Con el fin de minimizar el error de la distancia, la ubicación Li es elegida, mientras que su probabilidad es más alta. Los resultados de los experimentos muestran que esta técnica puede adquirir una precisión de más del 90% dentro de 2,1 m. El aumento del número de muestras en cada punto de muestreo podría mejorar su exactitud, porque el aumento del número de muestras mejora la estimación de medias y desviaciones estándar de distribución de Gauss. Roos et al. [39] desarrolló un sistema de sensado de localización basada en una red Bayesiana sobre una pequeña región o un edificio de oficinas, logrando la localización y seguimiento dentro de 1,5 m por más de 50% del tiempo. Nibble [40], uno de los primeros sistemas de esta generación, utiliza un enfoque probabilístico (basado en red Bayesiana) para estimar la ubicación de un dispositivo.  En [41], Battiti et al. proponen un método para la determinación de la ubicación utilizando un clasificador basado en una red neuronal. Adoptaron la arquitectura de un perceptrón multicapa (MLP), y el método de entrenamiento de la secante de un solo paso (OSS). Se eligió la arquitectura de tres capas con tres unidades de entrada, ocho unidades de la capa oculta, y dos salidas,  ya que esta arquitectura puede requerir el menor entrenamiento y las pruebas de error, y es menos sensible a los efectos de "sobreajuste". Se informó que sólo cinco muestras de intensidad de la señales en diferentes lugares son suficientes para obtener una distancia media de error de 3 m. Aumentar el número de ejemplos de entrenamiento ayuda a disminuir el error de distancia media de 1,5 m. Los autores en [42] compararon el clasificador basado en redes neuronales en el más cercano método clasificador y probabilístico. Se ha informado en [42] que las redes neuronales dar un error de 1 m con 72% probabilidad.

El sensado de localización inalámbrica es actualmente un caso especializado de un problema bien estudiado en la robótica móvil, el de la localización robotica, la determinación de la posición de un robot móvil dado los aportes de varios sensores del robot (posiblemente incluyendo GPS, sonar, visión, y sensores de ultrasonido). 

La localización y seguimiento inalámbrico asistido ha sido estudiado por muchos investigadores [43]. Ladd et al. [44], [45] proponen una red basada en algoritmo Bayesiano de localización robot que utiliza la infraestructura del estándar IEEE 802.11. En el primer paso del algoritmo, un punto de acceso utiliza un modelo probabilístico para calcular la probabilidad de su ubicación, por una serie de diferentes lugares, sobre la base de la medida RSS de nueve puntos de acceso. El segundo paso aprovecha la velocidad máxima limitada de los usuarios móviles para afinar los resultados (del primer paso) y rechazar soluciones con un cambio significativo en la ubicación de los móviles. Dependiendo de si el segundo paso se utiliza o no, el 83% y 77% del tiempo, los host pueden predecir su ubicación a menos de 1,5 m. Haeberlen et al. [46] presentó un práctico y robusto método Bayesiano para la localización topológica sobre la totalidad de una red 802.11 desplegada dentro de un de varios pisos edificio de oficinas. Ellos han demostrado que el uso de una topología modelo puede reducir drásticamente el tiempo necesario para entrenar el localizador, mientras que la precisión resultante es aún suficiente para muchas aplicaciones de localización. Siddiqi et al. [47] utiliza la técnica de localización Monte Carlo, y el resultado obtenido es similar al de [44]. Kontkanen et al. también introdujo un sistema de posicionamiento de seguimiento asistido [48]. Este sistema fue utilizado para desarrollar el sistema de Ekahau, un sistema comercial de localización inalámbrica que combina redes Bayesianas, la complejidad estocástica y el aprendizaje en línea competitiva, para proporcionar información de posicionamiento a través de un servidor de localización central. En [49], Xiang et al. proponen un modelo de propagación AMODEL basado en la distribución de la señal de entrenamiento y un algoritmo de posicionamiento de seguimiento asistido en el que una máquina de estado se utiliza para transferir de forma adaptativa estados de seguimiento y no-seguimiento para lograr una mayor precisión. 

Este sistema informa alcanzar dos metros de exactitud con 90% de probabilidad de determinación de la posición estática.  Para un dispositivo móvil a pie, se logran 5 m  exactitud con el 90% de probabilidad.

Aunque la mayoría de los sistemas basados en WLAN está utilizando la intensidad de señal, AeroScout (antes Bluesoft) [50] utiliza soluciones de localización basadas en 802.11 TDOA. Este sistema requiere que la misma señal de radio sea recibida en tres o más puntos separados, programado con gran precisión  (para unos pocos nanosegundos) y procesados utilizando el algoritmo TDOA para determinar la ubicación

Hay varios otros sistemas de localización utilizando WLAN [7], [51]-[54]. Por limitaciones de espacio, no discutimos los detalles aquí.

F. Bluetooth (IEEE 802.15)

Bluetooth opera en la banda ISM de 2,4 GHz. En comparación a WLAN, la tasa de bits es menor (1 Mbps), y el rango es más corto (típicamente 10-15 m). Por otro lado, Bluetooth es un estándar "ligero", altamente ubicuo (integrado en teléfonos, PDAs, etc) y soporta varios servicios de red, además de IP.  Las etiquetas Bluetooth son transmisores-receptores de pequeño tamaño. Como cualquier otro dispositivo Bluetooth, cada etiqueta tiene un identificador único. Este ID puede ser utilizado para localizar la etiqueta Bluetooth. [74]. La etiqueta BlueTags es una típica etiqueta Bluetooth.

La solución de posicionamiento local Topaz esta basado en la infraestructura de productos y accesorios Tadlys. Esta solución modular de posicionamiento se compone de tres tipos de elementos: servidor(es) de posicionamiento, puntos de acceso inalámbricos, y las etiquetas inalámbricas. El desempeño del sistema lo hace adecuado para el seguimiento de personas  y activos. Este sistema proporciona una exactitud espacial de 2 metros con un 95% de confiabilidad. El retardo de posicionamiento es de 15-30 seg. El rendimiento es aún mayor en su nueva generación que integra transductores de infrarrojos y otros, con el posicionamiento Bluetooth y capacidades de comunicación.

 Antti et al. presenta el diseño e implementación de una aplicación de posicionamiento local Bluetooth (BLPA) [55]. En primer lugar, convierte los niveles de potencia de la señal recibida para estimar distancias de acuerdo con un modelo de propagación simple y, a continuación, utilizan el filtro de Kalman extendido (EKF) para calcular la estimación de la posición 3D sobre la base de las estimaciones de distancia. La exactitud de BLPA se informa a 3,76 m. Un trabajo similar se ha realizado por Hallberg et al. [56].

G. Otros

1) Uso de las soluciones propietarias de Ultra Alta Frecuencia (UHF): Los sistemas de localización UHF operan, por lo general, ya sea en la banda de 433 MHz (telemetría médica) o en las bandas ISM de 868 MHz y 2.4 GHz  En los rangos de frecuencia tales, las paredes tienen una atenuación moderada.

Algunas soluciones propietarias, como el sistema 3D-ID de PinPoint [57] o el sistema TDOA de WhereNet tienen similares desempeños a los sistemas de WLAN que se mencionan más adelante. Sin embargo, el hardware especialmente diseñado y un protocolo con más períodos sin consumo de potencia permitirían menor consumo de energía en el móvil. Por ejemplo WhereNet es un sistema de localización en tiempo real (RTLS), utiliza la misma banda de 2,4 GHz que IEEE 802.11 y los sistemas de Bluetooth, pero utiliza un protocolo estándar dedicado (ANSI 371.1) optimizado para ubicación de bajo consumo de potencia de espectro ensanchado. Su acción consiste en la sincronización de las señales de transmisión de las etiquetas a una red de receptores. 3D-ID es un sistema de localización comercial producido por PinPoint. PinPoint utiliza RTOF y una serie de antenas instaladas en puntos conocidos para llevar a cabo multilateralización. Cuando una etiqueta móvil recibe una emisión broadcast, la etiqueta inmediatamente retransmite este broadcast en una frecuencia diferente, modulada con la etiqueta de identificación. Un controlador de ciclos de célula a través de las antenas, recoge una serie de rangos de la etiqueta. Usando señales de 40 MHz, este sistema consigue un alcance de 30 m, precisiones de 1 m, y tasas de 5 segundos en la actualización de la ubicación.

Los sistemas comerciales de posicionamiento en interiores que utilizan redes Mesh como el sistema de posicionamiento MeshNetwork (MPS) también vale la pena mencionar. La tecnología MPS aprovecha el método patentado de localización y determinación de posición y la (QDMA) que utiliza DSSS y opera en las bandas ISM de 2,4 GHz. Se ha informado que la posición de MPS tiene una exactitud de 10 m, generada en menos de 1 s de movilidad a velocidades de hasta 200 km/h.

2) Posicionamiento Usando Múltiples Medios: Diseñar un sistema de localización para un ambiente individual presenta dificultades cuando el sistema se aplica a otros ambientes. Para realizar correctamente el paso las diferencias entre los distintos tipos de sensores y superar las limitaciones de un solo tipo de sensor de posicionamiento, sistemas híbridos intentan compensar las deficiencias de una sola la tecnología mediante el uso de varios tipos de sensores. Los laboratorios HP Smart-LOCUS [58] utilizan RF sincronizado y medidas TOF de ultrasonido diferencial para determinar el rango intermodales entre dos nodos. Los investigadores de HP Labs han desarrollado varias técnicas para crear geometrías con coordenadas relativas con poca intervención del usuario. Para crear un marco de referencia absoluto y la topología internodal de empate a la geometría del edificio, un mínimo de tres o cuatro nodos (para localizaciones 2D o 3D) debe ser preasignados a las ubicaciones fijas adecuadas. Todos los demás nodos son libres de moverse, y los lugares se actualizan constantemente y son conocidos por el resto del sistema. El bien conocido sistema de localización indoor Cricket también utiliza comunicación RF y ultrasonido [59].

La radiación infrarroja (IR) inalámbrica es la tecnología inalámbrica en los dispositivos o sistemas que transmiten datos a través de radiación infrarroja. IR es utilizada en redes WPAN ya que es un haz estrecho de transmisión con ángulo de corto alcance adecuado para apuntar y la recibir señales selectivas. La mayoría de los sistemas Infrared Data Association (IrDA), está basado en el modo LOS. Teniendo en cuenta la alta precisión de sala de la ubicación IR [60], y la alta disponibilidad de la ubicación de UHF, que tiene sentido combinar los dos métodos en una posición híbrida del sistema. 

Varias otras compañías como Radianse y Versus utilizan una combinación de señales de radiofrecuencia e infrarrojos para llevar a cabo el posicionamiento de localización.

Sus etiquetas emiten señales de IR y RF que contienen un único identificador para cada persona o activo sobre el que se está realizando un seguimiento. El uso de RF permite la colocación de cereales secundarios (por ejemplo, suelo), mientras que las señales de IR proporcionan una resolución adicional (por ejemplo, habitación). El sistema de posicionamiento local EIRIS utiliza una tecnología triple IRFID que combina IR, RF (UHF) y LF (RF de baja frecuencia combinando las ventajas de cada tecnología, es decir, la ubicación de sala de IR, la amplia gama de RF, y el rango de sensibilidad a medida de LF.  Sin embargo, en comparación con RF y un sistema híbrido de IR, podría ser más costoso.

TABLA I

SISTEMAS Y SOLUCIONES DE POSICIONAMIENTO INALAMBRICO INDOOR

3) Posicionamiento Usando el Sistema de Telefonía Inalámbrico: El sistema telefónico inalámbrico es una moderna infraestructura de comunicaciones inalámbricas. Schwaighofer et al. [61] utilizan la red celular DECT (Digital Enhanced Cordless Telecommunications) para resolver el problema del posicionamiento de  interior. Ellos usaron el algoritmo de proceso de Gauss (GP) para calcular la ubicación del teléfono sobre la base de la RSS de los teléfonos en la red DECT. 

Demostraron que su sistema de posicionamiento de proceso gaussiano (GPPS) puede proporcionar la suficiente exactitud de 7,5 m cuando es usado dentro de una red DECT. Ellos también utilizan kNN para comparar con el método GP, mostrando que kNN puede alcanzar una exactitud de 7 m para redes celulares DECT.

El sistema Locus utiliza RSS y análisis de escena para localizar específicamente los dispositivos inalámbricos en redes Personal Handyphone System (PHS) [62]. Locus se superpone sobre la base del servicio celular PHS. Para afinar la ubicación más allá de la proximidad de la celda, Locus utiliza un modelo de propagación de la señal para tener en cuenta los efectos multipath. Ellos reportan un error medio de entre 40 a 50 m.

4) Posicionamiento Usando Tecnicas WSN: Los dramáticos avances en RF y microelectromecánica (MEMS) en el diseño de circuitos integrados han hecho posible el uso de grandes redes de sensores inalámbricos para una variedad de aplicaciones de vigilancia y control [63], [64]. La exactitud y bajo costo de los sensores de localización son un requisito crítico para el despliegue de redes de sensores inalámbricos en una amplia variedad de aplicaciones, incluyendo el posicionamiento de localización en interiores [65]. Estos sistemas que utilizan WSN han sido descritos como localizaciones "cooperativas", "relativas", "multihop", "Free-GPS o de "red"; "ad-hoc" o "sensor" de posicionamiento, y "auto-localización" en diversos documentos. Comunicación y medidas entre muchos pares de sensores son necesarias para lograr la localización de todos los sensores. Remitimos al lector a [14] para más detalles sobre la localización cooperativa.  Hasta ahora, las dos redes de sensores principales son el estándar de capa física (PHY) IEEE 802.15.4 y el estándar de control de acceso al medio (MAC) para Low Rate Wireless Personal Network (LR-WPAN), y el estándar de capa de aplicación y red ZigBee [67]. Estas normas permiten que la información de localización pueda medirse entre pares de sensores. En particular, RSS se puede medir en el estándar 802.15.4 PHY a través de la indicación de la calidad del enlace (LQI), el cual informa la intensidad de señal asociada a un paquete recibido a las capas superiores. La mayor parte de las detecciones de localización basada en redes de sensores utilizan medidas RSS [68], [69]. Algunos sistemas también utilizan la medición TOA [68], [70]. Otros toman la medición AOA como el sistema de la posicionamiento ad-hoc (APS) [71].

La Tabla I compara brevemente los sistemas y soluciones actuales. Los sistemas de solución que se muestran en esta tabla son principalmente las especificaciones que han sido reportadas por sus desarrolladores. Hemos excluido los casos en los que poca o ninguna información sobre ellos ha sido puesta a disposición.

Conclusiones y tendencias de futuro

Este artículo estudia las actuales técnicas y sistemas de posicionamiento de interior. Se han discutido diferentes criterios de medición del desempeño y varias compensaciones entre ellos fueron observadas. Por ejemplo, la complejidad que existe entre la exactitud/precisión requiere una cuidadosa consideración cuando elegimos los sistemas de posicionamiento y técnicas para entornos de aplicaciones diferentes tales como el almacenaje, robótica, o de emergencia. Por lo general, el esquema de ubicación de huellas digitales es mejor para zonas abiertas y al mismo tiempo RFID es ideal para ambientes densos. En términos de escalabilidad y disponibilidad, estas técnicas y sistemas de posicionamiento tienen sus características importantes propias cuando se aplica en entornos reales. La elección de la técnica y la tecnología afecta de manera significativa la granularidad y la exactitud de la información de ubicación. Tendencias futuras de sistemas inalámbricos de posicionamiento en interiores son indicados a continuación.

1) Se necesitan nuevos e híbridos algoritmos de posición. Algunos de estos trabajos ya se han comenzado a apoyar en este tipo de algoritmos. Por ejemplo, un algoritmo de ubicación libre de calibración basado en triangulación, interpolación y extrapolación triangular (TIX), se introduce en [75]. Un algoritmo híbrido se presenta en [76] para el posicionamiento en interiores utilizando WLAN que tiene como objetivo combinar los beneficios del modelo de pérdida la propagación de RF y el método las huellas dactilares. El mismo trabajo se ha hecho en [77]. El algoritmo de estimación de ubicación de fusión selectiva (SELFLOC) [72] infiere la ubicación del usuario de forma selectiva a partir de la información de ubicación de fusión de múltiples tecnologías inalámbricas y/o múltiples algoritmos clásicos de localización de una manera teóricamente óptima.

2) La interconexión de diferentes sistemas de posicionamiento móvil es un tema de investigación y práctica con el fin de ampliar el rango de posicionamiento.

3) Tecnologías inalámbricas combinadas con otras tecnologías tales como ópticas (por ejemplo, de infrarrojos), de inercia, electromagnéticas y de ultrasonidos para localización en interiores es otra tendencia. Cómo combinar estas tecnologías en un sistema práctico es un tema de fusiones de sensores.

4) Cómo implementar sensores para mejorar la precisión de posicionamiento, cómo terminar la implementación del sistema de posicionamiento móvil en poco tiempo, especialmente para el uso de respuestas de emergencia también vale la pena tener en consideración [73].

5) Localización inalámbrica en interiores con técnicas UWB (de 3,1 a 10,6 GHz) y posicionamiento en interiores utilizando equipos telefonía móvil son otras líneas de investigación prometedoras [31].

6) Cómo integrar el sistema de posicionamiento en interiores y de exterior es otra área de investigación. Esta integración puede ayudar al desarrollo de sistemas de detección más eficientes y robustos para el posicionamiento de los nodos de computación móvil. En este caso, un nodo móvil se realizará un seguimiento de interior o al aire libre con el mismo sistema de detección

Referencias

[1] J. Hightower and G. Borriello, "Location systems for ubiquitous computing" Computer, vol. 34, no. 8, Aug. 2001.

[2] K. Pahlavan, X. Li, and J. Makela, "Indoor geolocation science and technology," IEEE Commun. Mag., vol. 40, no. 2, pp. 112–118, Feb. 2002.

[3] C. Drane,M. Macnaughtan, and C. Scott, "Positioning GSM telephones," IEEE Commun. Mag., vol. 36, no. 4, pp. 46–54, 59, Apr. 1998.

[4] B. Fang, "Simple solution for hyperbolic and related position fixes," IEEE Trans. Aerosp. Electron. Syst., vol. 26, no. 5, pp. 748–753, Sep. 1990.

[5] M. Kanaan and K. Pahlavan, "A comparison of wireless geolocation algorithms in the indoor environment," in Proc. IEEE Wireless Commun. Netw. Conf., 2004, vol. 1, pp. 177–182.

[6] D. Torrieri, "Statistical theory of passive location systems," IEEE Trans. Aerosp. Electron. Syst., vol. 20, no. 2, pp. 183–197, Mar. 1984.

[7] J.Zhou, K. M.-K.Chu, and J. K.-Y. Ng, "Providing location services within a radio cellular network using ellipse propagation model," in Proc. 19th Int. Conf. Adv. Inf. Netw. Appl., Mar. 2005, pp. 559–564.

[8] A. Teuber and B. Eissfeller, "Atwo-stage fuzzy logic approach forwireless LAN indoor positioning," in Proc. IEEE/ION Position Location Navigat. Symp., Apr. 2006, vol. 4, pp. 730–738.

[9] M. Kossel, H. R. Benedickter, R. Peter, and W. Bachtold, "Microwave backscatter modulation systems," IEEE MTT-S Dig., vol. 3, pp. 1427–1430, Jun. 2000.

[10] A. Gunther and C. Hoene, "Measuring round trip times to determine the distance between WLAN nodes," in Proc. Netw. 2005., Waterloo, ON, Canada, May 2005, pp. 768–779

[11] B. D. Van Veen and K. M. Buckley, "Beamforming: A versatile approach to spatial filtering," IEEE ASSP Mag., vol. 5, no. 2, pp. 4–24, Apr. 1988.

[12] P. Stoica and R. L. Moses, Introduction to Spectral Analysis. Englewood Cliffs, NJ: Prentice-Hall, 1997.

[13] B. Ottersten, M. Viberg, P. Stoica, and A. Nehorai, "Exact and large sample ML techniques for parameter estimation and detection in array processing," in Radar Array Processing, S. S. Haykin, J. Litva, andT. J. Shepherd, Eds. New York: Springer-Verlag, 1993, pp. 99–151.

[14] N. Patwari, J. Ash, S. Kyperountas, A. O. Hero, R. M. Moses, and

N. S. Correal, "Locating the nodes: Cooperative localization in wireless sensor networks," IEEE Signal Process. Mag., vol. 22, no. 4, pp. 54–69, Jul. 2005.

[15] N. Cristianini and J. Shawe-Taylor, An Introduction to Support VectorMachines, Cambridge Univ. Press, 2000. [Online]. Available:

http://www.support-vector.net

[16] H. Liu, A. Kshirsagar, J. Ku, D. Lamb, and C. Niederberger, "Computational models of intracytoplasmic sperm injection prognosis," in Proc. 13th Eur. Symp. Artif. Neural Netw., Bruges, Belgium, Apr. 2005, pp. 115–120.

[17] V. Kecman, Learning and Soft Computing. Cambridge, MA: MIT Press, 2001.

[18] V.Vapnik, The Nature of Statistical Learning Theory.NewYork: Springer, 1995.

[19] M. Brunato and R. Battiti, "Statistical learning theory for location fingerprinting in wireless LANs," Comput. Netw., vol. 47, pp. 825–845, 2005.

[20] C. L. Wu, L. C. Fu, and F. L. Lian, "WLAN location determination in ehome via support vector classification," in Proc. IEEE Int. Conf. Netw.,Sens. Control, 2004, vol. 2, pp. 1026–1031.

[21] S. Tekinay, E. Chao, and R. Richton, "Performance benchmarking for wireless location systems," IEEE Commun. Mag., vol. 36, no. 4, pp. 72–76, Apr. 1998.

[22] B. B. Peterson, C. Kmiecik, R. Hartnett, P. M. Thompson, J. Mendoza, and H. Nguyen, "Spread spectrum indoor geolocation," J. Inst. Navigat., vol. 45, no. 2, pp. 97–102, 1998.

[23] X. Li, K. Pahlavan, M. Latva-aho, and M. Ylianttila, "Comparison of indoor geolocationmethods in DSSS andOFDMwireless LAN," in Proc. IEEE Veh. Technol. Conf., Sep. 2000, vol. 6, pp. 3015–3020.

[24] M. Vossiek, M. Wiebking, L. Gulden, P. Weighardt, and J. Hoffmann, "Wireless local positioning—Concepts, solutions, applications," in Proc. IEEE Wireless Commun. Netw. Conf., Aug. 2003, pp. 219–224.

[25] P. K. Engee, "The global positioning system: Signals, measurements and performance," Int. J. Wireless Inf. Netw., vol. 1, no. 2, pp. 83–105, 1994.

[26] J. Barnes, C. Rizos, J. Wang, D. Small, G. Voigt, and N. Gambale. (2003). Locata: The positioning technology of the future? presented at 6th Int. Symp. Satellite Navig. Technol. Incl. Mobile Positioning Location Services, Melbourne, Australia [Online]. pp. 49–62. Available: http://www.gmat.unsw.edu.au/snap/snap.htm

[27] M. Chiesa, R. Genz, F. Heubler, K. Mingo, and C. Noessel, RFID, (2002, Mar.). [Online]. Available: http://people.interactionivrea.

it/c.noessel/RFID/research.html

[28] J. Hightower, R. Want, and G. Borriello, "SpotON: An indoor 3D location sensing technology based on RF signal strength," Univ. Washington, Seattle, Tech. Rep. UW CSE 2000–02-02, Feb. 2000.

[29] L. M. Ni,Y. Liu,Y. C. Lau, and A. P. Patil, "LANDMARC: Indoor location sensing using active RFID," Wireless Netw., vol. 10, no. 6, pp. 701–710, Nov. 2004.

[30] J. J. Caffery and G. L. Stuber, "Overview of radiolocation in CDMA cellular system," IEEE Commun. Mag., vol. 36, no. 4, pp. 38–45, Apr. 1998.

[31] V. Otsason, A. Varshavsky, A. LaMarca, and E. de Lara, "Accurate GSM indoor localization," UbiComp 2005, Lecture Notes Computer Science, Springer-Varlag, vol. 3660, pp. 141–158, 2005.

[32] S. Gezici, Z. Tian, G. V. Giannakis, H. Kobaysahi, A. F. Molisch,

H. V. Poor, and Z. Sahinoglu, "Localization via ultra-wideband radios:

A look at positioning aspects for future sensor networks," IEEE Signal

Process. Mag., vol. 22, no. 4, pp. 70–84, Jul. 2005.

[33] R. J. Fontana, "Recent system applications of short-pulse ultra-wideband (UWB) technology," IEEE Trans. Microw. Theory Tech., vol. 52, no. 9, pp. 2087–2104, Sep. 2004.

[34] R. J. Fontana, E. Richley, and J. Barney, "Commercialization of an ultra wideband precision asset location system," in Proc. IEEE Ultra Wideband Syst. Technol. Conf., Reston, VA, Nov. 2003, pp. 369–373. [Online]. Available: http://www.multispectral.com

[35] P. Bahl and V. N. Padmanabhan, "RADAR: An in-building RF-based user location and tracking system," in Proc. IEEE INFOCOM 2000, Mar., vol. 2, pp. 775–784.

[36] P. Bahl and V. N. Padmanabhan, "Enhancements to the RADAR user location and tracking system," Microsoft Corp., Tech. Rep. MSR-TR-2000–12, Feb. 2000.

[37] M. Youssef, A. Agrawala, and A. Udaya Shankar, "WLAN location determination via clustering and probability distributions," IEEE Int. Conf. Pervasive Comput. Commun., Mar. 2003, pp. 143–151.

[38] M. Youssef and A. K. Agrawala, "Handling samples correlation in the Horus system," IEEE INFOCOM 2004, Hong Kong, vol. 2, pp. 1023–1031, Mar. 2004.

[39] T. Roos, P.Myllymaki, H. Tirri, P.Misikangas, and J. Sievanan, "A probabilistic approach to WLAN user location estimation," Int. J. Wireless Inf. Netw., vol. 9, no. 3, pp. 155–164, Jul. 2002.

[40] P. Castro, P. Chiu, T. Kremenek, and R. R. Muntz, "A probabilistic room location service for wireless networked environments," in Proc. 3rd Int. Conf. Ubiquitous Comput., Atlanta, GA, Sep. 2001, pp. 18–34.

[41] R. Battiti, T. L. Nhat, andA.Villani, "Location-aware computing:Aneural network model for determining location in wireless LANs," Tech. Rep. DIT-02–0083, 2002.

[42] S. Saha, K. Chaudhuri, D. Sanghi, and P. Bhagwat, "Location determination of a mobile device using IEEE 802.11b access point signals," in Proc. IEEE Wireless Commun. Netw. Conf., Mar. 2003, vol. 3, pp. 1987–1992.

[43] S. Thrun, "Probabilistic algorithms in robotics," AI Mag., vol. 21, no. 4, pp. 93–109, 2000. [44] A. M. Ladd, K. E. Bekris, G. Marceau, A. Rudys, L. E. Kavraki, and D. S. Wallach, "Using wireless ethernet for localization," in Proc. 2002 IEEE/RJS Int. Conf. Intell. Robots Syst., 2002, vol. 1, pp. 402– 408.

[45] A. M. Ladd, K. E. Bekris, A. Rudys, L. E. Kavraki, and D. S.Wallach, "On the feasibility of using wireless ethernet for indoor localization," IEEE Trans. Robot. Autom., vol. 20, no. 3, pp. 555–559, Jun. 2004.

[46] A. Haeberlen, E. Flannery, A. M. Ladd, A. Rudys, D. S. Wallach, and L. E. Kavraki, "Practical robust localization over large-scale 802.11 wireless networks," in Proc. 10th ACM Int. Conf. Mobile Comput. Netw., Philadelphia, PA, Sep. 26–Oct. 1, 2004, pp. 70–84.

[47] S. Siddiqi, G. S. Sukhatme, and A. Howard, "Experiment in Monte-Carlo localization using WiFi signal strength," in Proc. Int. Conf. Adv. Robot., Combra, Portugal, 2003, pp. 210–223.

[48] P. Kontkanen, P. Myllym&uml;aki, T. Roos, H. Tirri, K. Valtonen, and H.Wettig, "Topics in probabilistic location estimation inwireless networks," in Proc. 15th IEEE Symp. Pers., Indoor,Mobile Radio Commun., Barcelona, Spain, Sep. 2004, vol. 2, pp. 1052–1056.

[49] Z. Xiang, S. Song, J. Chen, H. Wang, J. Huang, and X. Gao. (2004, Sep./Nov.). A WLAN based indoor positioning technology. IBM J. Res. Develop. [Online]. Available: http://researchweb.watson.

ibm.com/journal/rd/485/xiang.html

[50] AeroScout Company. [Online]. Available: http://www.aeroscout.com/

[51] S. Manapure, H. Darabi, V. Patel, and P. Banerjee, "A comparative study of radio frequency-based indoor location systems," in Proc. IEEE Int. Conf. Netw., Sens. Control, 2004, vol. 2, pp. 1265–1270.

[52] P. Krishnan, A. S. Krishnakumar,W.-H. Ju, C. Mallows, and S. Ganu, "A system for LEASE: Location estimation assisted by stationary emitters for indoor RF wireless networks," in Proc. IEEE INFOCOM,Mar. 2004, pp. 21–32.

[53] M. Eallbaum, "Wheremops: An indoor geolocation system," in Proc. IEEE Int. Symp. Pers., Indoor, Mobile Radio Commun., Sep. 2002, vol. 4, pp. 1967–1971.

[54] A. Smailagic, D. P. Siewiorek, J. Anhalt, D. Kogan, and Y. Wang, "Location sensing and privacy in a context aware computing environment," in Proc. Int. Conf. Pervasive Comput., May 2001, pp. 10–17.

[55] A. Kotanen, M. Hannikainen, H. Leppakoski, and T. D. Hamalainen, "Experiments on local positioning with Bluetooth," in Proc. IEEE Int. Conf. Inf. Technol.: Comput. Commun., Apr. 2003, pp. 297–303.

[56] J. Hallberg, M. Nilsson, and K. Synnes, "Positioning with Bluetooth," in Proc. IEEE 10th Int. Conf. Telecommun., Mar. 2003, vol. 2, pp. 954–958.

[57] J. Werb and C. Lanzl, "Designing a position system finding things

and people indoors," IEEE Spectr., vol. 35, no. 9, pp. 71–78, Sep. 1998.

[58] HP SmartLOCUS. [Online].Available: http://www.rfidjournal.com/article /articleview/1211/1/50/.

[59] MIT Cricket Indoor Location System. [Online]. Available: http://nms.lcs. mit.edu/cricket/.

[60] R.Want, A. Hopper, V. Falcao, and J. Gibbons, "The active badge location system," ACM Trans. Inf. Syst., pp. 91–102, Jan. 1992.

[61] A. Schwaighofer, M. Grigoras, V. Tresp, and C. Hoffmann, "GPPS: A Gaussian process positioning system for cellular networks," in Advances in Neural Information Processing Systems. Cambridge, MA: MIT Press, 2004.

[62] H. Koshima and J. Hoshen, "Personal locator services emerge," IEEE Spectr., vol. 37, no. 2, pp. 41–48, Feb. 2000.

[63] I. Akyildiz, W. Su, Y. Sankarasubramaniam, and E. Cayirci, "Wireless sensor networks: A survey," Comput. Netw. J., vol. 38, no. 4, pp. 393–422, Mar. 2002

[64] B. J. Feder. (2004, Jul. 26). Wireless sensor networks spread to new territory. New York Times [Online]. Available: http://www.nytimes.com/2004/07/26/business/26sensor.html

[65] A. Brooks, A.Makarenko, T. Kaupp, S.Williams, and H. Durrant-Whyte, "Implementation of an indoor active sensor network," in Proc. 9th Int.Symp. Exp. Robot. 2004, Singapore, Jun. 18–21, 2004, pp. 37–46.

[66] C. Savarese, J. M. Rabaey, and J. Beutel, "Locationing in distributed ad-hoc wireless sensor networks," in Proc. IEEE ICASSP, May 2001, pp. 2037–2040.

[67] ZigBeeTMAlliance. (2004, Dec.). Network specification version 1.0. Tech. Rep. 02130r10 [Online]. Available: http://www.zigbee.org

[68] N. Patwari, A. O. Hero, M. Perkins, N. S. Correal, and R. J. O"Dea, "Relative location estimation in wireless sensor networks," IEEE Trans. Signal Process., vol. 51, no. 8, pp. 2137–2148, Aug. 2003.

[69] J. N. Ash and L. C. Potter, "Sensor network localization via received signal strength measurements with directional antennas," in Proc. Allerton Conf. Commun., Control, Comput., Sep. 2004, pp. 1861–1870. [70] A. Savvides, C. C. Han, and M. B. Srivastava, "Danamic fine-grained localization in ad-hoc wireless sensor networks," in Proc. ACM Int. Conf. Mobile Comput. Netw., May 2001, pp. 166–179.

[71] D. Niculescu and B. Nath, "Ad Hoc Positioning System (APS) using AoA," in Proc. IEEE INFOCOM, San Francisco, CA, Apr. 2003, vol. 3, pp. 1734–1743.

[72] Y. Gwon, R. Jain, and T. Kawahara, "Robust indoor location estimation of stationary and mobile users," in Proc. IEEE INFOCOM, Mar. 2004, vol. 2, pp. 1032–1043.

[73] H. Liu, H. Darabi, and P. Banerjee, "A new rapid sensor deployment approach for first responders," Int. J. Intell. Control Syst., vol. 10, no. 2, pp. 131–142, Jun. 2005.

[74] P. Prasithsangaree, P. Krishnamurthi, and P. K. Chrysanthis, "On indoor position with wireless LANs," in Proc. IEEE Int. Symp. Pers. Indoor, Mobile Radio Commun., Sep. 2002, vol. 2, pp. 720–724.

[75] Y. Gwon and R. Jain, "Error characteristic and calibaration-free techniques for wireless LAN-based location estimation," in Proc. Mobi-Wac"04, Philadelphia, PA, Oct. 1, 2004, pp. 2–9.

[76] J.Kwon, B. Dundar, and P.Varaiya, "Hybrid algorithm for indoor positioning using wirelessLAN," IEEEVeh. Technol.Conf., vol. 7, pp. 4625–4629, Sep. 2004.

[77] B. Li, A. Dempster, C. Rizos, and J. Barnes, "Hybrid method for localization using WLAN," in Proc. Spatial Sci. Conf., Melbourne, Australia, Sep. 2005, pp. 341–350.

[78] N. S. Correal, S.Kyperountas,Q. Shi, and M.Welborn, "An ultrawideband relative location system," in Proc. IEEE Conf. Ultra Wideband Syst.Technol., Nov. 2003, pp. 394–397.

Hui Liu (S") received the B.S. degree in electrical engineering from North China Electric Power University, BaoDing, China, the Master"s degree in electrical engineering from the Beijing University of Telecommunications and Posts, Beijing, China. He is currently working toward the Ph.D. degree in electrical and computer engineering at the University of Illinois, Chicago. His research interests include communication, statistical signal processing, control and automation, and artificial intelligence.

Houshang Darabi received the B.S. degree in industrial engineering from Technology and science University, Tehran, Iran, M.S. degree in industrial enginerring from Sharif University of Technology, Tehran, Iran, and the Ph.D. degree in industrial engineering from Rutgers University, New Brunswick, NJ. He is currently an Associate Professor with the Department of Mechanical and Industrial Engineering, University of Illinois, Chicago. His research interests include application of discrete-event systems control theory in modeling and analysis of service and manufacturing systems, computer-integrated manufacturing, supply chain networks, and manufacturing information systems. He is the author of many papers published in several journals and conference proceedings. Dr. Darabi is a Senior Member of the Institute of Industrial Engineers, and a member of the Institute for Operations Research and the Management Sciences.

Pat Banerjee received the B.Tech. degree inmechanical engineering from the Indian Institute of Technology, Kanpur, in 1984, and the M.S. and Ph.D. degrees in industrial engineering from Purdue University, West Lafayette, IN, in 1987 and 1990, respectively. He is currently a Professor in the Department of Mechanical and Industrial Engineering and of Computer Science with theUniversity of Illinois, Chicago. He was on the 2002 Research Visionary Board at Motorola Laboratories. His current research interests include virtual reality applications; haptics applications; sensors, diagnostics, and prognostics; immersive learning effectiveness and display interfaces; and linear and nonlinear design optimization models. He is the author of over 100 publications, including a textbook Virtual Manufacturing (Wiley, 2001). He was a Department Editor of the IIE Transactions. Prof. Banerjee is a Fellow of the American Society of Mechanical Engineers (ASME). He received the ASME MED/MHED Best Technical Paper Award. He was an Associate Editor of the IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION.

Jing Liu received the B.S. degree in chemical engineering from the Hebei University of Technology, Tianjin, China, the M.S. degree in mechanical engineering from the Beijing University of Posts and Telecommunications, Beijing, China, and the Ph.D. degree in industrial engineering from the University of Illinois, Chicago, in 2005. She is currently a Researcher in General Motors R&D Center, Warren, MI, USA. Her research interests include application of discrete-event systems control theory in modeling and analysis of manufacturing systems, and plant floor system controls. Dr. Liu is a member of the Institute of Electrical and Electronics Engineers, Phi Kappa Phi, and the Institute of Industrial Engineers.

Enviado por:

Traducido por

Carlos Manosalva Uhart