Development of a pedestrian dead reckoning system for smartphone devices

Abstract

Los sistemas de posicionamiento de personas al interior de edificios no funcionan de manera correcta con GPS, dándose precisiones de bajo orden. El uso de sistemas de posicionamiento basados en Wi-Fi y Bluetooth, han estado al alza en los últimos años, logrando promedios de estimaciones cercanas a los 2 metros en condiciones favorables, solucionando los problemas existentes de GPS. De manera de poder mejorar estos valores, se complementan esos modelos con sistemas basados en los sensores inerciales de los teléfonos móviles. Usando Pedestrian Dead Reckoning (PDR), el propósito del presente trabajo es evaluar y comparar entre métodos ya existentes del estado del arte, y modificaciones de estos. Para calcular la posición de una persona usando PDR, se deben realizar tres procesos: detectar cuándo una persona está dando un paso, determinar el largo de este paso, y estimar la dirección hacia dónde lo está dando. Con esto, la suma acumulada de los pasos permite obtener la posición final de la persona. En cada uno de los tres algoritmos, se analizan los principales inconvenientes asociados a los sensores, ya sea por el ruido presente en estos, o a factores externos. De manera de poder realizar buenas comparaciones, se genera un dataset de caminatas en diferentes ambientes de oficina, teniendo casos límites con movimientos erráticos en ciertos instantes. Se agrega a esto el dataset de la competencia IPIN 2019, la cual se usa para comprobar caminatas más largas. Para la detección de paso, se hace uso de métodos clásicos de análisis y procesamiento de señales, empleando los datos filtrados del acelerómetro para realizar tales detecciones. En el caso de la estimación de largo de paso, se usan redes Long-Short Term Memory (LSTM), en conjunto con Denoising-AutoEncoders (DAE), comparándose estos con modelos tradicionales de estimación. Finalmente, la orientación se estima usando un filtro de Kalman extendido, el cual se complementa con una variación de los sistemas de detección de anomalías magnéticas existentes en el estado del arte. Evaluando los sistemas desarrollados, se llega a la conclusión que el modelo propuesto puede compararse con otros sistemas a nivel del estado del arte. Los mejores resultados se obtienen usando la red LSTM-DAE para estimación de largo de paso, uso de filtro de Kalman extendido con reprocesamiento de datos para estimación de orientación, uso de Adaptive Jerk Pace Buffer en la detección de paso, y caché de las orientaciones dependiendo del grafo utilizado para el sistema en conjunto.