I moderna flygplatsterminaler, sjukhuskomplex, kontorsbyggnader, idrottsarenor, universitetscampus, och butiker, det finns en växande marknad för bekväma och lättanvända applikationer för navigering inomhus. Med en förväntad tillväxt på 30 % till 2022, enligt en MarketWatch-rapport, denna efterfrågan accelereras av närvaron av avancerade sensorer i moderna smartphones som magnetometrar, accelerometrar, och gyroskop. För att möta efterfrågan, vårt team på IBM Research-Ireland byggde ett produktionsfärdigt inomhuspositioneringssystem som är mer exakt än en befintlig kommersiell lösning för olika smartphonemodeller.

Vårt självlärande, adaptiv plattform använder en minimal användning av Bluetooth lågenergi (BLE) beacons för att sluta sig till användarnas resor, lär dig sedan och bygg så småningom skräddarsydda magnetiska kartor för varje smartphonemodell för ett specifikt inomhusområde. Vårt nya system ger robust positioneringsnoggrannhet som är omedveten om smarttelefonmodellen som används antingen för fingeravtryck eller för positionering. Vi bevisar experimentellt, i vår senaste tidning, att vårt verktyg ger en betydande noggrannhetsförbättring jämfört med en etablerad kommersiell lösning baserad på magnetfältspositionering.

Toppmoderna inomhuspositioneringssystem utnyttjar signaler som ofta förekommer i moderna inomhusmiljöer, såsom WiFi och BLE beacons, eftersom externa positioneringsmetoder som använder GPS-signaler inte är tillräckligt exakta för att vara effektiva för inomhusnavigering. Ett inomhuspositioneringssystem ska kunna detektera en användares position inuti en byggnad och ge instruktioner om hur man navigerar inuti den. Dessa system används i en mängd olika fall, med deras design och implementering som kan stödja specifika användarkrav. Till exempel, under 2017, ett experimentellt högprecisionssystem för röstnavigering inomhus/utomhus för synskadade byggdes och testades av IBM Research-Tokyo.

Magnetfältsmetoden är en lågkostnadsmetod som ökar i popularitet eftersom den inte kräver någon specialiserad sensorinstallation eller underhåll utan istället aktiveras av sensorer som redan finns i smartphones. Dock, avvikelser mellan olika sensoravläsningar mellan smartphonemodeller har en allvarlig inverkan på positioneringsnoggrannheten inomhus.

Befintliga tillvägagångssätt baserade på magnetfältsmetoden kräver en fingeravtrycksfas innan systemet görs tillgängligt för slutanvändaren. Under denna process måste tjänsteleverantören använda en smartphone för att samla in avläsningar av magnetfältet från alla områden som är tillgängliga för fotgängare och skapa en statisk kommenterad karta över inomhusutrymmet. I verkliga scenarier, slutanvändare kanske äger en annan smartphonemodell än den som användes för fingeravtryck. I vårt arbete, vi kvantifierar de förluster i noggrannhet som inomhuspositioneringssystem lider av som ett resultat.

Vårt system är anpassningsbart och omskolas kontinuerligt och bibehåller därmed hög noggrannhet mellan användare och olika smartphonemodeller. Vår idé var att analysera slutanvändarnas positioneringssessioner för att förbättra vårt systems kunskapsbas för magnetfältsavläsningarna för de olika smartphonemodellerna. När användaren lämnar smartphonens inomhuspositioneringsapplikation, vi behandlar de registrerade sensoravläsningarna i vår molninfrastruktur och försöker rekonstruera användarens väg. Vi kallar denna nya teknik för "ruttslutning" och den är baserad på partikelfilter och formmatchning. Det tillåter oss att lägga till nya lager av information till magnetiska kartor över området. Som ett resultat, efterföljande positioneringssessioner för användare med samma smartphonemodell har högre noggrannhet.

Vår experimentella utvärdering av verktyget visar betydande noggrannhetsförbättring jämfört med en ledande kommersiell lösning baserad på magnetfältspositionering. Specifikt, den förbättrar noggrannheten jämfört med kommersiella alternativ med cirka 15 meter i genomsnitt. Dessa resultat presenterades nyligen vid den internationella konferensen för inomhuspositionering och inomhusnavigering (IPIN) 2018.

Detta självlärande AI-verktyg kan tillhandahålla en billig lösning för anläggningsägare som inte behöver någon omskolning av systemet. Anläggningsägare och operatörer kan snabbt dra nytta av detta verktyg genom att använda det för att fatta bättre planeringsbeslut samt ge en sömlös upplevelse till sina slutanvändare.

Med vårt verktyg, hitta ett mötesrum eller hot desk, springer för en avgångsport på en flygplats, letar efter en föreläsningssal på ett universitetsområde, besöka en patient eller besöka ett möte på ett sjukhus, eller till och med att hitta en produkt i en butik med en smartphone kan vara snabbare, lättare, och mer exakt.

Den här historien återpubliceras med tillstånd av IBM Research. Läs originalberättelsen här.