DEVICE-FREE LOCALIZATION METHODS WITHIN SMART INDOOR ENVIRONMENTS

• Main Authors: GHOURCHIAN, NEGAR, PRECUP, DOINA, ALLEGUE MARTINEZ, MICHEL
• Format: Patent
• Language: English; French
• Published: 02.01.2024
• Subjects: ELECTRIC COMMUNICATION TECHNIQUE; ELECTRICITY; WIRELESS COMMUNICATIONS NETWORKS

Device-free localization for smart indoor environments within an indoor area covered by wireless networks is detected using active off-the-shelf-devices would be beneficial in a wide range of applications. By exploiting existing wireless communication signals and machine learning techniques in order to automatically detect entrance into the area, and track the location of a moving subject within the sensing area a low cost robust long-term tracking system can be established. A machine learning component is established to minimize the need for user annotation and overcome temporal instabilities via a semi-supervised framework. After establishing a robust base learner mapping wireless signals to different physical locations from a small amount of labeled data; during its lifetime, the learner automatically re-trains when the uncertainty level rises significantly. Additionally, an automatic change-point detection process is employed setting a query for updating the outdated model and the decision boundaries. Selon l'invention, la localisation sans dispositif pour des environnements intérieurs intelligents dans d'une zone à l'intérieur couverte par des réseaux sans fil est détectée grâce à des dispositifs du commerce, ce qui est avantageux dans une large gamme d'applications. En exploitant des signaux de communication sans fil existants et des techniques d'apprentissage machine afin de détecter automatiquement l'entrée dans la zone, et suivre l'emplacement d'un sujet mobile à l'intérieur de la zone de détection, on peut établir un système de suivi à long terme robuste de faible coût. Un composant d'apprentissage machine est établi pour minimiser le besoin d'annotation par l'utilisateur et surmonter des instabilités temporelles par l'intermédiaire d'une structure semi-supervisée. Après l'établissement d'un modèle d'apprentissage de base robuste mappant des signaux sans fil avec différents emplacements physiques à partir d'une petite quantité de données étiquetées, pendant sa durée de vie, le modèle d'apprentissage se réentraîne automatiquement lorsque le niveau d'incertitude augmente de manière significative. De plus, un processus de détection de point de changement automatique est employé pour configurer une requête de mise à jour du modèle obsolète et des limites de décision.