بهبود مولفه‌های موثر در روش تعیین موقعیت Pdr مبتنی بر تشخیص حالت حرکتی کاربر با استفاده از حسگرهای گوشی‌های همراه هوشمند

هدف از این مقاله ارزیابی و بهبود دقت تعیین موقعیت داخلی با استفاده از حسگرهای گوشی هوشمند مبتنی بر روش pedestrian dead reckoning (pdr) است. در بعضی شرایط خاص مانند آتش‌سوزی یا قطع برق که باعث ناتوانی روش‌های تعیین موقعیت مبتنی بر زیرساخت می‌شوند، بکارگیری روش pdr مبتنی بر حسگرهای گوشی هوشمند که تعیین موقعیت را به صورت پیوسته انجام می‌دهد یک راه‌حل مناسب است. در این مقاله به ارزیابی مولفه های موثر روش تعیین موقعیت داخلی بر اساس تشخیص نوع حرکت کاربر پرداخته می شود. ابتدا نمونه‌های حرکتی با استفاده از بردارهای ویژگی حاصل از داده‌های حسگرها و سه الگوریتم‌ طبقه‌بندی درخت تصمیم‌گیری، ماشین بردار پشتیبان و k نزدیک‌ترین همسایه ارزیابی می‌شوند. بردارهای ویژگی پیشنهادی به طور قابل توجهی در مقایسه با ویژگی‌های تحقیقات پیشین در سه الگوریتم طبقه‌بندی بهبود حاصل می‌کنند. از منظر الگوریتم طبقه‌بندی، ماشین بردار پشتیبان با صرف بیشترین زمان پردازش بهترین عملکرد را با دقت 99.3% ارائه می‌دهد. در مرحله‌ی دوم به منظور محلی‌سازی، تشخیص گام بر اساس تعریف دو حدآستانه‌ی بالا و پایین و حدآستانه‌ی زمانی بر مقادیر نٌرم شتاب انجام می‌شود. مولفه‌ جهت نیز از ترکیب داده‌های شتاب‌سنج، مغناطیس‌سنج و ژیروسکوپ بدست می‌آید. آزمایشات محلی‌سازی در حالی که کاربر گوشی را روبه‌روی خود نگه داشته برای دو حالت پیاده‌روی و دویدن در سه مسیر (مربع، دایره‌، مستطیل) انجام ‌می‌شوند. میانگین دقت نهایی حاصل از پیاده‌روی برای سه مسیر به ترتیب برابر با 1.55، 1.82 و 2.34 بدست آمدند. دقت نهایی برای دویدن نیز برای سه مسیر به ترتیب برابر با 2.7، 2.6 و 3.53 حاصل شد.

Improvement of the Effective Components in the PDR Positioning Method Based on Detecting the User’s Movement Mode Using Smartphone Sensors

The purpose of this paper is to evaluate and improve the accuracy of indoor positioning using smartphone sensors based on Pedestrian Dead Reckoning (PDR) method. In some specific situations, such as fires or power outages that disable infrastructurebased positioning techniques, using PDR method based on smartphone sensors that perform positioning continuously is a good solution.This paper focuses on determination of the user rsquo;s movement type to evaluate effective components of indoor positioning method. First, movement samples are evaluated with the featurevectors of data from sensors and three classification algorithms (Decision Trees (DT), Support Vector Machine (SVM), and KNearest Neighbor (KNN)). From the perspective of featurevectors, the proposed features significantly improve the performance of three classification algorithms compared to previous research features. From the perspective of classification algorithm also Support Vector Machine had best performance with %99.3 accuracy, while spending the most time. In the second phase, step detection is performed for norm acceleration values based on the definition of the upper and lower threshold and the time threshold. The directional component is also obtained by combining accelerometers, magnetometer and gyroscope sensors. Localization tests were performed while the user holding the phone in front of him with two states (normal walking, running) in three paths of different geometry (squares, circles and rectangles). The final accuracy obtained from normal walking test for three paths of square, circular and rectangular shapes was %4.8, %3.6, and %2, respectively. The final accuracy of the running mode was also obtained for three paths of square, circular and rectangular shapes equal to %8.4, %5.7, and %4, respectively.