Алгоритмы локации мобильного устройства в беспроводной сети базовых станций стандарта 802.15.4а (nanoLOC) тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Галов Александр Сергеевич

• Галов Александр Сергеевич
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Галов Александр Сергеевич

Введение

Глава 1. Технологии и алгоритмы определения местоположения мобильного устройства в беспроводной сети базовых станций

1.1. Системы определения местоположения мобильного устройства

в беспроводной сети базовых станций

1.2. Алгоритмы расчета локации

1.3. Выводы

Глава 2. Выбор алгоритма локации для используемой технологии

2.1. Используемая технология

2.2. Выбор алгоритма локации

2.3. Выводы

Глава 3. Имитационная модель системы локации

3.1. Описание модели

3.2. Моделирование измерений от базовых станций

3.3. Моделирование данных от встроенного модуля определения траектории

3.4. Выводы

Глава 4. Алгоритм локации на основе дискретного байесовского

фильтра

4.1. Описание алгоритма

4.2. Исследование характеристик разработанного алгоритма

4.3. Выводы

Глава 5. Алгоритм локации на основе фильтра частиц

5.1. Описание алгоритма

5.2. Исследование характеристик разработанного алгоритма

5.3. Выводы

Глава 6. Эксперименты по определению точности локации в реальных условиях

6.1. Описание разработанного программного комплекса

6.2. Описание экспериментов

6.3. Выводы

Заключение

Список литературы

Введение

Введение диссертации (часть автореферата) на тему «Алгоритмы локации мобильного устройства в беспроводной сети базовых станций стандарта 802.15.4а (nanoLOC)»

Актуальность темы исследования

Все системы определения местоположения объектов можно разделить на два класса: глобального и локального позиционирования. К классу глобального позиционирования относятся системы, использующие спутниковую навигацию (GPS, Galileo, ГЛОНАСС). Они обеспечивают расчет локации объекта в масштабах всего мира. Основной проблемой таких решений является определение локации внутри помещения, где сигнал от спутников недоступен. Данные проблемы решаются с помощью систем локального позиционирования. К классу локального позиционирования относятся большое количество узкоспециализированных систем локации внутри помещения. Они основаны на технологиях, использующих инфракрасное излучение [1, 2], лазерную и ультразвуковую аппаратуру [3, 4, 5, 6], камеры видеонаблюдения [7, 8, 9, 10] и другие технологии [11]. Не смотря на возможность определять местоположение объекта, такие системы обладают рядом недостатков, таких как низкая точность позиционирования, сложность инсталляции и высокая стоимость оборудования.

Наиболее перспективными представляются системы определения местоположения, основанные на использовании беспроводных технологий передачи данных (ZigBee, Bluetooth, WiFi, RFID). Как правило, такие системы состоят из нескольких базовых станций и мобильных устройств, обменивающихся пакетами по беспроводной сети. В качестве данных для расчета локации используются измерения времени распространения, угла приема, или значения уровня радиосигнала. Часто мобильное устройство оснащено встроенным акселерометром, магнитометром и гироскопом. В случае, если носителем устройства является человек, информация от таких датчиков может быть использована для оценки длины и направления шагов [12]. Система встроенных датчиков и алгоритмов определения пройденного пути образу-

ет встроенный модуль определения траектории (IMU - Inertial Measurement Unit). Информация от такого модуля используется для повышения точности расчета локации.

Настоящая работа посвящена разработке алгоритмов локации мобильного устройства, оснащенного встроенным модулем определения траектории, в беспроводной сети базовых станций стандарта IEEE 802.15.4a (nanoLOC). Технологии, использующие данный стандарт, позволяют одновременно измерять время распространения и уровень радиосигнала на частоте 2.4 ГГц [13]. Измерение времени распространения сигнала позволяет определить расстояние между мобильным устройством и базовой станцией. Несмотря на большое количество работ по разработке алгоритмов определения локации внутри помещений, в настоящий момент существует недостаточно работ по системам, использующим данный стандарт. Существующие решения учитывают только измерения времени распространения сигнала. Важным отличием настоящей работы является создание алгоритмов локации, учитывающих одновременно информацию о времени распространения, уровне принимаемого сигнала и данных от встроенного в мобильное устройство модуля определения траектории.

Одной из основных проблем при определении местоположения объекта по измерениям от базовых станций, использующих частоту 2.4 ГГц, являются ошибки, связанные с многолучевым распространением сигнала [14]. Так, ошибка в расстоянии, измеренном между мобильным устройством и базовой станцией, может достигать 10-20 метров, что часто сравнимо с величиной самого расстояния. Эта ошибка может рассматриваться как шум измерений.

Алгоритмы определения местоположения мобильного устройства должны выбираться с учетом информации, доступной для расчета локации. В существующих работах [15, 16, 17, 18, 19] по системам локации на основе технологий стандарта IEEE 802.15.4a, как правило, используются алгоритмы калмановской фильтрации. В то же время существуют другие методы бай-

есовской фильтрации, такие как фильтр частиц и дискретный байесовский фильтр [20], которые могут применяться в системах локации, использующих информацию об уровне принимаемого сигнала [21, 22, 23, 24]. Данные методы, в отличие от фильтра Калмана, удобно использовать для учета информации о структуре здания. Недостатком таких методов является необходимость рассматривать большое число гипотез о возможном местоположении объекта, область нахождения которого, как правило, ограничена размерами здания.

В настоящей работе фильтр частиц и дискретный байесовский фильтр используются для расчета локации как по расстояниям, измеренным между мобильным устройством и базовыми станциями, так и по измерениям уровней сигналов. Отличием предложенных алгоритмов от существующих решений, применяемых в системах на основе измерений уровня сигнала, является возможность ограничивать число рассматриваемых гипотез о возможной локации объекта в пределах области, ограниченной расстояниями, измеренными между мобильным устройством и базовыми станциями. Данная особенность позволяет повысить точность расчета локации.

Целью данной диссертационной работы является создание алгоритмов определения координат мобильного устройства в беспроводной сети базовых станций стандарта IEEE 802.15.4a (nanoLOC), использующих информацию об измерениях времени распространения, уровне принимаемого сигнала, а также данных от встроенного в мобильное устройство модуля определения траектории.

Для достижения поставленной цели были решены следующие задачи:

1) определены основные технологии и алгоритмы определения местоположения мобильного устройства в беспроводной сети базовых станций;

2) выделены режимы работы рассматриваемой системы определения местоположения и доступные для расчета локации источники информации;

3) разработаны алгоритмы локации для каждого из режимов работы системы с учетом используемых измерений;

4) предложена имитационная модель системы локации для исследования характеристик разработанных алгоритмов;

5) проведены исследования работы предложенных алгоритмов и определена точность локации в различных условиях;

6) создан комплекс программных средств для расчета локации мобильного устройства по измерениям из беспроводной сети базовых станций.

Методология и методы исследования: для достижения поставленной цели в диссертационной работе использовались методы теории вероятностей, байесовской фильтрации, прикладной статистики, вычислительной математики, а также методы имитационного моделирования. Научная новизна

1) Разработан алгоритм определения координат мобильного устройства на основе дискретного байесовского фильтра, рассчитывающий локацию с использованием информации об измеренных расстояниях и уровнях сигнала между мобильным устройством и базовыми станциями, плана здания, а также карты уровней сигналов внутри помещения. Предложенный метод отличается тем, что выбор точек дискретной сетки, соответствующих возможным положениям объекта, осуществляется в пределах области, ограниченной расстояниями, измеренными между мобильным устройством и базовыми станциями.

2) Разработан алгоритм определения координат мобильного устройства на основе фильтра частиц, использующий одновременно информацию об измеренных расстояниях и значениях уровня сигнала между мобильным устройством и базовыми станциями, а также информацию от встро-

енного в мобильное устройство модуля определения траектории. Предложенный метод отличается тем, что инициализация и корректировка частиц осуществляется в пределах области, ограниченной расстояниями, измеренными между мобильным устройством и базовыми станциями.

3) Предложена имитационная модель системы локации мобильного устройства в беспроводной сети базовых станций, позволяющая одновременно генерировать измерения расстояний и уровней сигнала с учетом плана здания, а также данные от встроенного в мобильное устройство модуля определения траектории.

Практическая значимость Алгоритмы, предложенные в данной работе, предназначены для использования в системе локального позиционирования RealTrac [25], основанной на технологии nanoLOC (стандарт IEEE 802.15.4a). В работе показана возможность применениях разработанных алгоритмов для расчета локации в реальных условиях с ошибкой, не превышающей 1.9 метров в 95% случаев.

Кроме того, разработанные алгоритмы могут быть применены в других системах локального позиционирования для определения координат мобильного устройства по измерениям расстояний и уровней сигнала между мобильным устройством и базовыми станциями, а также информации от встроенного в мобильное устройство модуля определения траектории, например в системах на основе WiFi, UWB, nanoLOC.

Основные положения, выносимые на защиту:

1) метод численного решения задачи байесовской фильтрации с использованием дискретного байесовского фильтра, учитывающего информацию об измеренных расстояниях и уровнях сигнала между мобильным устройством и базовыми станциями, план здания, а также информацию о карте уровней сигнала от базовых станций внутри помещения;

2) метод численного решения задачи байесовской фильтрации с использованием фильтра частиц, учитывающего информацию об измеренных расстояниях и уровнях сигнала между между мобильным устройством и базовыми станциями, план здания, карту уровней сигнала от базовых станций внутри помещения, а также данные встроенного в мобильное устройство модуля определения траектории;

3) имитационная модель системы локации, позволяющая генерировать измерения расстояний и значения уровня сигналов между мобильным устройством и базовыми станциями, а также данные от встроенного в мобильное устройство модуля определения траектории;

4) результаты вычислительных экспериментов, показывающих возможность расчета локации мобильного устройства с ошибкой, не превышающей 1.8 метра в 95% случаев, при использовании предложенного алгоритма на основе дискретного байесовского фильтра, и с ошибкой, не превышающей 1.3 метра в 95% случаев, при использовании предложенного алгоритма на основе фильтра частиц;

5) комплекс программных средств для расчета локации мобильного устройства по измерениям из беспроводной сети базовых станций.

Степень достоверности и апробация работы

Основные результаты работы докладывались на следующих конференциях:

1) 11-я Международная конференция по телекоммуникационным технологиям (1Т8Т-2011). Санкт-Петербург, Россия, май, 2011;

2) 1-й Международный симпозиум по беспроводным системам (ГОААСБ-SWS). Оффенбург, Германия, сентябрь, 2012;

3) 7-я Международная конференция по интеллектуальному сбору данных и современным компьютерным системам (IDAACS), Берлин, Германия, сентябрь 2013;

4) Международная форум по системам умного дома для пожилых людей. (БуААЬ2013) Норрчепинг, Швеция, сентябрь, 2013;

5) 4-я Международная конференция по позиционированию и навигации внутри помещений (1РШ-2013), Монбельяр, Франция, октябрь, 2013;

6) 5-я Международная конференция по позиционированию и навигации внутри помещений (1РШ-2014), Пусан, Корея, октябрь, 2014.

По результатам исследований, проведенных в рамках данной работы, был получен патент на изобретение «Способ локации радиоузла, система локации радиоузла и узел обработки данных» [26]. Кроме того, технология локального позиционирования Кеа1Тгас ™[25], использующая разработанный алгоритм, завоевала первое место в международном конкурсе систем локации внутри помещений БуААЬ-2013 (http://evaa1.aa1oa.org/). Объем и структура работы

Диссертация состоит из введения, шести глав и заключения. Полный объем диссертации составляет 144 страницы с 43 рисунками и 3 таблицами. Список литературы содержит 114 наименований.

В первой главе описаны основные принципы и системы определения локации внутри помещения, а также основные алгоритмы, применяемые для расчета координат мобильного устройства в беспроводной сети базовых станций.

Во второй главе рассматривается система позиционирования внутри помещений, для которой разрабатывается алгоритм локации. В данной главе описываются принципы работы системы, ее составные части, а также характеристики измерений, приводятся обоснования выбора алгоритмов позицио-

нирования для различных режимов работы системы.

В третьей главе описана имитационная модель системы локации, использующаяся для исследования характеристик разработанных алгоритмов. Данная модель позволяет генерировать измерения, получаемые от базовых станций и встроенного модуля определения траектории, для заранее заданной траектории движения объекта.

Четвертая глава посвящена описанию разработанного алгоритма локации на основе дискретного байесовского фильтра. Данный алгоритм рассчитывает координаты мобильного устройства по измерениям от базовых станций с учетом плана здания и карты уровней радиосигнала внутри помещения. В главе также приведены результаты исследования характеристик алгоритма.

В пятой главе приводится описание алгоритма локации на основе фильтра частиц. Данный алгоритм используется для одновременной обработки измерений от базовых станций и информации о траектории, получаемой от встроенного в мобильное устройство модуля. Расчет локации ведется с учетом плана здания и карты уровней радиосигнала внутри помещения. В главе также приводятся результаты экспериментов по расчету локации с использованием разработанного алгоритма.

Шестая глава посвящена использованию алгоритмов для расчета локации объекта в реальной системе. В данной главе кратко описывается разработанный комплекс программных средств для расчета локации, а также приводятся результаты оценки точности локации, полученные в ходе реальных экспериментов.

В заключении приводятся основные результаты работы.

Глава 1

Технологии и алгоритмы определения местоположения мобильного устройства в беспроводной сети базовых станций

Существует большое количество технологий для определения местоположения объекта внутри помещения. В последнее время, наибольшее распространение получили системы, основанные на использовании беспроводной сети базовых станций с возможностью измерений времени распространения и уровня сигнала. Часто для уточнения локации используют данные от встроенных в мобильное устройство акселерометра и гироскопа. Для расчета координат устройства по доступным измерениям в большинстве случаев применяются алгоритмы на основе байесовской фильтрации. Выбор конкретного алгоритма зависит от доступных измерений. В настоящей главе приводится описание основных технологий локального позиционирования, формулируется общая задача определения местоположения по зашумленным измерениям, а также рассматриваются алгоритмы расчета локации.

1.1. Системы определения местоположения мобильного устройства в беспроводной сети базовых станций

1.1.1. Системы, основанные на измерении уровня сигнала

Наиболее распространенные локальные системы позиционирования основаны на измерении уровня принимаемого сигнала. Как правило, они используют стандарты ZigBee, Bluetooth, WiFi и RFID [27]. Преимуществом таких систем является готовая беспроводная сетевая инфраструктуру. Самые простые методы расчета локации используют преобразование значения уров-

ня сигнала между источником (мобильным устройством) и приемником (базовой станцией) в расстояние [28]. Значение мощности сигнала Р) между источником и г-м приемником вычисляется как [29]:

й-

Р(д) = Ро - Юпр ^ ,

«о

(1.1)

где Р0 - мощность принимаемого сигнала (в децибелах) на заданном расстоянии ¿0, пр - параметр, определяющий характеристики окружения, ^ -расстояние между источником сигнала с координатами (х,у) и г-м приемником с координатами (х{ ,уг).

Зная оценки расстояний до нескольких базовых станций, локация мобильного устройства может быть определена с помощью методов трилате-рации. На сегодняшний момент в лабораторных условиях с использованием указанного метода удается достичь точности в несколько метров [29].

Основной проблемой, ухудшающей точность измерений, является ослабление сигнала и увеличение времени его распространения при переотражениях от стен внутри помещений [30]. Поскольку радиосигнал представляет собой электромагнитную волну, для отсутствия ошибок, связанных с переотражением, препятствий не должно быть не только на линии от источника до приемника, вдоль которой распространяется сигнал, но и в некоторой области около линии распространения. Такая область называется зоной Френеля [31]. Как показано на рисунке 1.1, зона Френеля представляет собой эллипсообразную область вдоль линии, соединяющей источник и приемник сигнала.

Рис. 1.1. Зона Френеля. 1,2- источник и приемник сигнала.

Как правило, считается [31], что для того, чтобы поймать сигнал без

переотражений, 60% часть зоны Френеля должна быть свободна от препятствий. На практике внутри помещения такие условия труднодостижимы. Препятствия на пути распространения, такие как стены здания, например, приводят к существенному уменьшению мощности принимаемого сигнала. Таким образом при увеличении расстояния между источником и приемником, сила сигнала, испытывающего переотражения, убывает значительно быстрее, чем при отсутствии препятствий в условиях прямой видимости [32]. Коэффициент ослабления пр зависит от конкретного материала, из которого сделаны перегородки (бетон, кирпич и т.д.) [33].

Более радикальное влияние на характер принимаемого сигнала оказывают волновые эффекты, возникающие при многократных переотражениях сигнала от препятствий. В результате интерференции в точке приема может быть зафиксирован сигнал большей или меньшей мощности. Поскольку препятствиями кроме перегородок могут служить и движущиеся объекты (люди, двери и т.д.), то распределение сигнала является функцией не только координаты, но и времени. Описанные явления, возникающие при распространении радиосигнала внутри помещения, значительно ухудшают точность методов на основе использования зависимости (1.1) [33, 34].

В определенных условиях особенности распространения сигнала можно использовать как источник дополнительной информации для расчета локации. Наиболее точными являются методы, использующие предварительное построение карты уровней сигналов от базовых станций внутри помещения [35, 36, 37, 38]. При достаточно подробной карте покрытия точность локации таких систем может достигать 1-2 метра [29].

Алгоритм, использующий карту уровней сигналов, состоит из двух этапов. Первый этап является предварительным. В ходе него все пространство, на котором планируется определять локацию объекта, разбивается на дискретные ячейки. В каждой из ячеек собирается вектор усредненных значений уровней сигналов от каждой базовой станции. Данная информация ис-

пользуется в основном этапе для определения наиболее вероятной ячейки по вектору уровней сигналов, зарегистрированному в текущий момент времени.

Основным фактором, затрудняющим применение методов, основанных на использовании карты уровней сигналов, является необходимость проведения предварительных измерений на территории всего здания. Как было сказано выше, каждое изменение в конфигурации системы (например перестановка базовой станции) или конфигурации помещения (перестановка мебели) требует повторения процедуры предварительных измерений [39]. Для больших помещений, таких как здание завода или аэропорта, подобный метод практически не применим. В последнее время появляются решения, позволяющие обойти данные трудности за счет учета дополнительной информации от встроенной инерциальной навигационной системы [40, 41, 42].

Существуют решения, позволяющие осуществить построение карты покрытия автоматически. Такие системы используют модели распространения сигнала внутри помещения [43, 44, 45, 46]. Информация о положениях базовых станций, координатах и материалах стен, а также модель распространения сигнала на данной частоте используется для того, чтобы определить силу сигнала от данной базовой станции в данном участке помещения. Точность такого метода определяется точностью выбранной модели и точностью информации, используемой при моделировании.

1.1.2. Системы, основанные на измерении времени распространения сигнала

Помимо систем, использующих измерения уровней сигнала, существуют системы, которые используют измерения времени распространения сигнала от базовой станции до мобильного устройства. Регистрация времени прохождения сигнала от источника до приемника позволяет оценить расстояние между ними. Существует два основных метода использования информации о

моменте получения сигнала.

В первом методе пакет с данными посылается между источником и приемником минимум два раза [47]. Мобильное устройство отсылает базовой станции запрос на измерение и получает ответ, фиксируя время распространения сигнала. В англоязычной литературе данный метод называется Round Trip Time (RTT). Поскольку сигнал распространяется со скоростью света, зная время его распространения ti между мобильным устройством и ¿-ой базовой станцией, можно определить расстояние между ними:

d% = с • ti, (1.2)

где с - скорость распространения электромагнитной волны. Каждое такое измерение определяет окружность с центром в базовой станции, в пределах которой находится мобильный объект. В идеальном случае для определения местоположения объекта на плоскости необходимы измерения от трех базовых станций. В реальной ситуации внутри помещения многолучевое распространение сигнала (NLOS, Non-Line-Of-Sight) приводит к возникновению завышения в измерениях и неправильному расчету локации (ошибка NLOS складывается из дополнительного пути, который прошел сигнал по отношению к прямолинейному пути между передатчиком и приемником). В результате данной ошибки расстояния, измеренные между мобильным устройством и базовыми станциями, будут всегда больше или равны истинным расстояниям. Окружности с радиусами, равными измеренным расстояниям, и центрами в местах нахождения базовых станций не будут пересекаться в одной точке, а образуют некоторую область локации (рисунок 1.2).

Рис. 1.2. Область локации объекта, построенная по измеренным расстояниям. М - мобильное устройство, В8\, ВБ2, ВБ3 - базовые станции, Дь Д2, ^ - измеренные расстояния.

Размер этой области определяется точностью измерений и может достигать нескольких десятков квадратных метров. Задача алгоритмов локации -оценить местоположение мобильного устройства внутри этой области.

Во втором методе источником сигнала является мобильное устройство. Время на всех базовых станциях синхронизировано. Посылая сигнал нескольким базовым станциям, можно определить момент приема сигнала каждой из станций и рассчитать разницу во времени приема между парами [14]. Зная разницу во временах приема сигнала, можно составить систему уравнений относительно неизвестных координат мобильного объекта:

1

t- — t- = -Ьг On

С

• W(xi - XY + (Уг — у)2 — (х3 — XY + (Уз — у)2).

(1.3)

Здесь (xi,yi) и (xj,yj) - координаты ¿-ой и j-ой базовой станции, ti — tj - разница во времени приема сигнала, (х,у) - неизвестные координаты мобильного устройства, с - скорость распространения электромагнитной волны. В англоязычной литературе описанный метод называется Time Difference of Arrival (TDoA). Полученные уравнения соответствуют гиперболам, которые в идеальном случае должны пересекаться в точке расположения мобильного устройства (рисунок 1.3).

Рис. 1.3. Гиперболы, соответствующие разнице во времени приема сигнала ^ — tj между соответствующими базовыми станциями В8\, В82, ВБ3. Гиперболы пересекаются в точке, соответствующей положению мобильного устройства М.

В реальной ситуации полученные измерения также содержат ошибку, связанную с многолучевым распространением сигнала. Однако в отличие от предыдущего метода, в методе TDoA нет возможности однозначно определить область, внутри которой необходимо лоцировать объект.

Большинство локальных систем позиционирования, основанных на измерении времени распространения сигнала, относятся либо к классу UWB (Ultra Wide Band), работающему на частотах 3-10 ГГц, либо к классу nanoLOC, работающему на частоте 2.4 ГГц [47, 48, 13]. Оба эти класса определены стандартом IEEE 802.15.4a. Системы на основе UWB используют намного более широкий спектральный диапазон, что упрощает отслеживание и отбрасывание отраженных сигналов [14]. Основным преимуществом таких систем является более точное измерение расстояния от базовой станции до мобильного устройства. Однако применение таких систем на практике ограничено регламентом. Системы класса nanoLOC позволяют проводить измерения на большем расстоянии между источником и приемником. Однако ошибки таких измерений могут достигать нескольких метров [47, 19, 18].

Данные о расстояниях, измеренных между мобильным устройством и базовыми станциями времяпролетным методом, могут быть использованы

совместно с измерениями уровней сигналов [49, 50, 51, 52, 53]. В большинстве случаев измерения времени распространения и уровня сигнала берутся из двух разных источников информации [49, 50, 51]. При этом информация 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 технологии UWB учет информации об уровне сигнала не имеет смысла, поскольку расстояния, измеренные времяпролетным методом, позволяют достичь гораздо лучшей точности локации. В случае же использования технологии папоЬОС, работающей на частоте 2.4 ГГц, учет информации об уровне сигнала представляет большой практический интерес.

Список литературы диссертационного исследования кандидат наук Галов Александр Сергеевич, 2016 год

Список литературы

1. The Active Badge Location System / R. Want, A. Hopper, V. Falcao et al. // ACM Trans. Inf. Syst. 1992. January. no. 1. P. 91-102.

2. Infrared Sensor System for Mobile-Robot Positioning in Intelligent Spaces / E. M. Gorostiza, J. L. Galilea, F. Javier et al. // Sensors. 2011. May. no. 5. P. 5416—5438.

3. Hazas M., Ward A. A Novel Broadband Ultrasonic Location System // Ubiquitous Computing. Lecture Notes in Computer Science. 2002. January. no. 8. P. 264-280.

4. Smart phone localization method using dual-carrier acoustic waves / T. Akiyama, M. Nakamura, M. Sugimoto et al. // Indoor Positioning and Indoor Navigation (IPIN), 2013 International Conference on. Piscataway: IEEE, 2013. P. 1-9.

5. Accessible Ultrasonic Positioning / M. McCarthy, P. Duff, H. Muller et al. // Pervasive Computing, IEEE. 2006. Oct. no. 4. P. 86-93.

6. Zhang R., Hoflinger F., Reindl L. TDOA based localization using Interacting Multiple Model estimator and ultrasonic transmitter/receiver // Systems, Signals and Devices (SSD), 2012 9th International Multi-Conference on. Piscataway: IEEE, 2012. P. 1-6.

7. Dick A. R., Brooks M. J. A stochastic approach to tracking objects across multiple cameras // Australian Conference on Artificial Intelligence. Piscataway: IEEE, 2004. P. 160-170.

8. Indoor navigation assistance with a Smartphone camera based on vanishing points / W. Elloumi, K. Guissous, A. Chetouani et al. // Indoor Positioning and Indoor Navigation (IPIN), 2013 International Conference on. Piscataway: IEEE, 2013. P. 1-9.

9. Jimenez A., Zampella F., Seco F. Light-matching: A new signal of opportunity for pedestrian indoor navigation // Indoor Positioning and Indoor

Navigation (IPIN), 2013 International Conference on. Piscataway: IEEE, 2013. P. 1-10.

10. Jamtgaard M., Mueller N. Target localization utilizing wireless and camera sensor fusion. 2013. Dec. US Patent 8,615,254.

11. Mautz R. Overview of Current Indoor Positioning Systems // Geodesy and Cartography. 2009. Jan. no. 1. P. 18-22.

12. Fischer C., Talkad Sukumar P., Hazas M. Tutorial: Implementing a Pedestrian Tracker Using Inertial Sensors // Pervasive Computing, IEEE. 2013. no. 2. P. 17-27.

13. NanoLOC Development Kit 3.0 2010: Datasheet: / Nanotron Technologies GmbH. Berlin: Nanotron Technologies GmbH, 2010.

14. Bensky A. Wireless Positioning Technologies and Applications. Norwood, MA, USA: Artech House, Inc., 2007. 560 p.

15. Adaptive Extended Kalman Filter for Indoor/Outdoor Localization using a 802.15.4a Wireless Network / A. Benini, A. Mancini, E. Frontoni et al. // ECMR. Piscataway: IEEE, 2011. P. 315-320.

16. Huang J., Yan H. Indoor Localization Algorithm Based on Cooperative of State Matrix and Kalman Filter // Journal of Networks. 2013. no. 5. P. 1197-1203.

17. Indoor Localization of a Quadrotor Based on WSN: A Real-Time Application / J. Rullan-Lara, G. Sanahuja, R. Lozano et al. // International Journal of Advanced Robotic Systems. 2013. no. 10. P. 1-9.

18. Rohrig C., Muller M. Indoor location tracking in non-line-of-sight environments using a IEEE 802.15.4a wireless network // Intelligent Robots and Systems, 2009. IROS 2009. IEEE/RSJ International Conference on. Piscataway: IEEE, 2009. P. 552-557.

19. Rohrig C., Spieker S. Tracking of transport vehicles for warehouse management using a wireless sensor network // Intelligent Robots and Systems, 2008. IROS 2008. IEEE/RSJ International Conference on. Piscataway:

IEEE, 2008. P. 3260-3265.

20. Chen Z. Bayesian Filtering: From Kalman Filters to Particle Filters, and Beyond: Technical Report: / McMasters University. Hamilton: McMasters University, 2003.

21. Zampella F., Jimenez Ruiz A., Seco Granja F. Indoor Positioning Using Efficient Map Matching, RSS Measurements, and an Improved Motion Model // Vehicular Technology, IEEE Transactions on. 2015. no. 4. P. 1304-1317.

22. Woodman O., Harley R. RF-Based Initialisation for Inertial Pedestrian Tracking // Pervasive Computing, IEEE. 2009. no. 5538. P. 238-255.

23. Li W.-L., Iltis R., Win M. A smartphone localization algorithm using RSSI and inertial sensor measurement fusion // Global Communications Conference (GLOBECOM), 2013 IEEE. Piscataway: IEEE, 2013. September. P. 3335-3340.

24. WLAN-Based Pedestrian Tracking Using Particle Filters and Low-Cost MEMS Sensors / H. Wang, H. Lenz, A. Szabo et al. // Positioning, Navigation and Communication, 2007. WPNC '07. 4th Workshop on. Piscataway: IEEE, 2007. March. P. 1-7.

25. RealTrac technology overview / A. Moschevikin, A. Galov, A. Soloviev et al. // Evaluating AAL Systems Through Competitive Benchmarking. 2013. no. 386. P. 60-71.

26. Галов А.С., Гордеев Д.Е., Мощевикин А.П. [и др.]. Способ локации радиоузла, система локации радиоузла и узел обработки данных. 2011. Сентябрь. WO Patent App. PCT/RU2010/000,489.

27. Hay S., Harle R. K. Bluetooth Tracking without Discoverability. // LoCA. Lecture Notes in Computer Science. New York: Springer, 2009. P. 120-137.

28. Molisch A. Ultrawideband propagation channels-theory, measurement, and modeling // Vehicular Technology, IEEE Transactions on. 2005. Sept.

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 // Vehicular 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 Distance Estimation in a Vehicular Network Using Doppler Effect and Received 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 propagation // 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-

cations Society Conference on. Piscataway: IEEE, 2004. P. 406-414.

39. Practical robust localization over large-scale 802.11 wireless networks / A. Haeberlen, A. Rudys, E. Flannery et al. // in Proceedings of the 10th Annual International Conference on Mobile Computing and Networking (MOBICOM. Piscataway: IEEE, 2003. P. 70-84.

40. Efficient, generalized indoor WiFi GraphSLAM. / J. Huang, D. Millman, M. Quigley et al. // ICRA. Piscataway: IEEE, 2007. P. 1038-1043.

41. Ferris B., Fox D., Lawrence N. WiFi-SLAM Using Gaussian Process Latent Variable Models //In Proceedings of IJCAI 2007. Piscataway: IEEE, 2007. P. 2480-2485.

42. SignalSLAM: Simultaneous localization and mapping with mixed WiFi, Bluetooth, LTE and magnetic signals / P. Mirowski, T. K. Ho, S. Yi et al. // Indoor Positioning and Indoor Navigation (IPIN), 2013 International Conference on. Piscataway: IEEE, 2013. P. 1-10.

43. Gwon Y., Jain R. Error Characteristics and Calibration-free Techniques for Wireless LAN-based Location Estimation // Proceedings of the Second International Workshop on Mobility Management &Amp; Wireless Access Protocols. New York, NY, USA: ACM, 2004. P. 2-9.

44. Youssef M. A., Agrawala A. The horus wlan location determination system // In Communication Networks and Distributed Systems Modeling and Simulation Conference. Piscataway: IEEE, 2005. P. 205-218.

45. Hatami A., Pahlavan K. Comparative statistical analysis of indoor positioning using empirical data and indoor radio channel models // Consumer Communications and Networking Conference, 2006. CCNC 2006. 3rd IEEE. Piscataway: IEEE, 2006. P. 1018-1022.

46. Propagation Modeling for Accurate Indoor WLAN RSS-Based Localization / K. El-Kafrawy, M. Youssef, A. El-Keyi et al. // Vehicular Technology Conference Fall (VTC 2010-Fall), 2010 IEEE 72nd. Piscataway: IEEE, 2010. P. 1-5.

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 Navigation (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 utilizing maps in location determination based on rssi and rtt data. 2014. June. WO Patent App. PCT/US2013/073,739. URL: https://www.google.com/patents/W02014089531A1?cl=en.

53. Jacobs P., Wan E., Paul A. Position tracking and mobility assessment 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 Navigation Systems. Norwood, MA, USA: Artech House, 2008. 300 p.

56. Goldman D., Patel N. Systems, methods, and apparatus for providing indoor navigation. 2013. June. WO Patent App. PCT/US2012/070,148.

57. KAO Y., Chang S., Kuo L. System and method for wireless indoor localization based on inertial measurement unit and map information. 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 Conference (GLOBECOM), 2013 IEEE. Piscataway: IEEE, 2013. P. 3335-3340.

60. Atia M., Korenberg M., Noureldin A. Particle-Filter-Based WiFi-Aided Reduced Inertial Sensors Navigation System for Indoor and GPS-Denied Environments // 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 Estimation 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-

bridge, 2007.

66. Woodman O., Harley R. Pedestrian localisation for indoor environments // In Proceedings of the 10th international conference on Ubiquitous computing. 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 enhancement using minimal map information and particle filters // Position, Location 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 devices. 2012. November. WO Patent App. PCT/US2012/037,235. URL: https://www.google.com/patents/W02012158441A1?cl=en.

72. An improved indoor localization method using smartphone inertial sensors / 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 Localization without War-Driving // INFOCOM, 2010 Proceedings IEEE. Piscataway: IEEE, 2010. P. 1-9.

74. Indoor Geolocation on Multi-sensor Smartphones / C.-L. Li, C. Laoudias, G. Larkou et al. // Proceeding of the 11th Annual International Conference on Mobile Systems, Applications, and Services. New York, NY, USA: ACM, 2013. P. 503-504.

75. Foxlin E. Pedestrian tracking with shoe-mounted inertial sensors // Computer Graphics and Applications, IEEE. 2005. Nov. no. 6. P. 38-46.

76. Godha S., Lachapelle G., Cannon M. E. Integrated GPS/INS system for pedestrian navigation in a signal degraded environment // the 19th International Technical Meeting of the Institute of Navigation Satellite Division (ION-GNSS 2006). Piscataway: IEEE, 2006. P. 374-382.

77. Comparison of Step Length Estimators from Weareable Accelerometer Devices / D. Alvarez, R. Gonzalez, A. Lopez et al. // Engineering in Medicine and Biology Society, 2006. EMBS '06. 28th Annual International Conference of the IEEE. Piscataway: IEEE, 2006. P. 5964-5967.

78. Integrated pedestrian navigation using GNSS, MEMS IMU, magnetometer and baro-altimeter / P. Groves, G. Pulford, C. Mather et al. // The Navigation Conference and Exhibition (NAV 2007). Piscataway: IEEE, 2007.

79. Thrun S., Burgard W., Fox D. Probabilistic Robotics (Intelligent Robotics and Autonomous Agents). New York: The MIT Press, 2005. 410 p.

80. Dhital A., Closas P., Fernandez-Prades C. Bayesian filtering for indoor localization and tracking in wireless sensor networks. // EURASIP J. Wireless Comm. and Networking. 2012. June. no. 6. P. 21-30.

81. Kalman R. E. A New Approach to Linear Filtering and Prediction Problems // Transactions of the ASME - Journal of Basic Engineering. 1960. no. 82 (Series D). P. 35-45.

82. M. B., M. N. Unscented Kalman Filter for location in Non-Line-Of-Sight // Proc. of European Signal Processing Conference (EUSIPCO). Piscataway: IEEE, 2006. P. 1-5.

83. Le B. L., Ahmed K., Tsuji H. Mobile location estimator with NLOS mitigation 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 Communications. 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 // Pervasive 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: approximation 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.

92. Thomas N., Cruickshank D., Laurenson D. A robust location estimator architecture with biased Kalman filtering of TOA data for wireless systems // Spread Spectrum Techniques and Applications, 2000 IEEE Sixth International Symposium on. Piscataway: IEEE, 2000. P. 296-300.

93. Фарина А., Студер Ф. Цифровая обработка радиолокационной информации. Сопровождение целей. М.: Радио и связь, 1993. 320 с.

94. Streller D. Road map assisted ground target tracking // Information Fusion, 2008 11th International Conference on. 2008. June. P. 1-7.

95. Position tracking with position probability grids / W. Burgard, D. Fox, D. Hennig et al. // Advanced Mobile Robot, The First Euromicro Workshop. Piscataway: IEEE, 1996. P. 2-9.

96. Estimating the Absolute Position of a Mobile Robot Using Position Probability Grids / W. Burgard, D. Fox, D. Hennig et al. // National Confer-enceon Artificial Intelligence. Piscataway: IEEE, 1996.

97. Performance comparison of nonlinear filters for indoor WLAN positioning / H. Wang, A. Szabo, J. Bamberger et al. // Information Fusion, 2008 11th International Conference on. Piscataway: IEEE, 2008. P. 1-7.

98. Bayesian filtering for location estimation / D. Fox, J. Hightower, L. Liao et al. // Pervasive Computing, IEEE. 2003. July. no. 3. P. 24-33.

99. Estimating the Absolute Position of a Mobile Robot Using Position Probability Grids / W. Burgard, D. Fox, D. Hennig et al. // Proc. of the National Conference on Artificial Intelligence. Piscataway: IEEE, 1996. P. 1-7.

100. Khalaf-Allah M., Kyamakya K. Database Correlation using Bayes Filter for Mobile Terminal Localization in GSM Suburban Environments // Vehicular Technology Conference, 2006. VTC 2006-Spring. IEEE 63rd. Piscataway: IEEE, 2006. P. 798-802.

101. Burgard W., Fox D., Hennig D. Fast Grid-based Position Tracking for Mobile Robots // In Proc. of the 21th German Conference on Artificial Intelligence. New York, NY, USA: Springer Verlag, 1997. P. 289-300.

102. Galov A., Moschevikin A. Bayesian filters for ToF and RSS measurements for indoor positioning of a mobile object // Proceedings of the International 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 Transactions 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.

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 communication systems in indoor environments / F. de Adana, O. Gutierrez Blanco, 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.