Indoor Localization Using Wi-Fi Signals

Plusieurs approches ont été développées pour localiser des appareils mobiles à l'intérieur de bâtiments d'une façon précise. Certaines donnent une précision de moins d'un mètre, mais elles nécessitent des infrastructures et du matériel spécifiques. D'autres utilisent une infrastructure qui est déjà déployée, mais donnent une position avec une précision inférieure. Dans ce mémoire, nous proposons plusieurs méthodes de positionnement basées sur les mesures de l'intensité du signal reçu d'une infrastructure Wi-Fi existant. Le but de ces méthodes de positionnement est de localiser le plus précisément possible l'emplacement du dispositif mobile utilisé. La première méthode de positionnement que nous proposons transforme la puissance du signal reçue en une entité appelée signature. Cette entité caractérise chaque emplacement de l'environnement où la localisation doit être effectuée. Pour localiser l'appareil mobile, la signature calculée est jumelée avec les signatures de référence les plus représentatives et qui sont déjà enregistrées dans une base de données. Dans ce mémoire, nous proposons deux approches pour produire les signatures de référence: une empirique et une théorique. La deuxième méthode de positionnement que nous proposons dans ce mémoire est de localiser les appareils mobiles en utilisant la différence entre les mesures de puissance de signaux reçus. On a appelé cette méthode la différence de puissances des signaux reçues (RSSD). Cette méthode consiste à convertir la différence de puissances des signaux reçues en des distances et d'utiliser ces distances pour estimer la position des appareils mobiles. Ensuite, nous décrivons les expériences qui nous ont conduits à développer la méthode de traitement du signal et les algorithmes de localisation. Les algorithmes et les méthodes proposés ont conduit à un système de localisation précis qui atteint 2 mètres de précision dans 90% des cas. Les résultats actuels des systèmes proposés montrent que les emplacements estimés sont précis (moins de 2 mètres) dans un environnement fermé en utilisant la méthode des signatures et une localisation précise dans les espaces ouverts en utilisant la méthode de la RSSD. Certains endroits critiques ont besoin de plus de collecte de données et plus d'informations sur l'environnement pour atteindre le même niveau de précision. Les résultats obtenus sont décrits et discutés à l'aide de cartes et de statistiques.

Abstract

Several approaches have been developed to provide an accurate estimation of the position of mobile devices inside buildings. Some of them give a precision of less than one meter but they require special infrastructure and materials. Some others use an infrastructure that is already deployed but gives a position with lower precision. In this thesis, we propose several positioning methods based on the received signal strength (RSS) measurements of an existing Wi-Fi infrastructure. The aim of these positioning methods is to locate a mobile device as accurately as possible. The first method that we propose transforms the RSS to an entity called signature. This entity characterises each location of the environment where the localization should be performed. This computed signature is matched with the most representative reference signatures already recorded in a database in order to locate the mobile device. In this thesis, we propose two approaches to produce the reference signatures: an empirical and a theoretical one. The second method that we propose in this thesis is about locating the mobile devices using the difference between the received signals strength measurements. We call this method the received signal strength difference (RSSD) method. We then describe the experiments that led us to develop the signal processing method and the localization algorithms. The algorithm proposed led to an accurate localization system that reaches 2 meters of accuracy in 90% of the cases. Current results of the proposed systems show that the estimated locations are accurate (less than 2 meters) in closed environments when using the fingerprinting method and in open spaces when using the RSSD method. Some critical locations need more collected data and more information about the environment to reach the same level of accuracy. The results obtained are described and discussed using maps and statistics.