1گروه سیستمهای اطلاعات مکانی، دانشکده مهندسی نقشهبرداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران
2دانشکده مهندسی معدن، دانشگاه صنعتی سهند (تبریز)، تبریز، ایران
تاریخ دریافت: 03 اردیبهشت 1405،
تاریخ بازنگری: 26 تیر 1405،
تاریخ پذیرش: 01 شهریور 1405
چکیده
پیشینه و اهداف: تعیین موقعیت در فضاهای داخلی و محیطهای فاقد سیگنال GNSS، یکی از چالشهای مهم در توسعه خدمات مکانمبنا در شهرهای هوشمند است. در این میان، روشهای مستقل از زیرساخت مانند پیمایش عابر پیاده (PDR) مبتنی بر تلفنهای هوشمند، بهویژه در شرایط بحرانی و تخریب زیرساختها، راهکاری قابلاعتماد محسوب میشوند. این پژوهش با هدف ارائه رویکردی نوآورانه، مدلی دوبعدی برای شبیهسازی و تحلیل فعالیتهای حرکتی خاص افراد در محیطهای بحرانی شامل راه رفتن عادی، حرکت چهاردستوپا و سینهخیز ارائه میدهد. روشها: فرآیند پیشنهادی شامل برداشت داده، قطعهبندی سیگنال، شناسایی چرخه گام، شمارش گامها، تشخیص نوع حرکت، برآورد طول گام، تعیین جهت حرکت و محاسبه مختصات داخلی است. دادهها در دو فاز آموزشی و آزمایشی گردآوری شدند و سیگنالها با استفاده از الگوریتمهای PELT و FPOP قطعهبندی گردیدند. سپس با بهرهگیری از DTW نوع حرکت تشخیص داده شد و طول گام با مدل وینبرگ برآورد گردید. یافتهها: در فرآیند پیشنهادی دقت تخمین مسیر در شرایط مختلف به میانگین 17/0 درصد رسید. همچنین جهت حرکت با تلفیق دادههای شتابسنج، ژیروسکوپ و مغناطیسسنج و با استفاده از الگوریتم GDA تعیین شد. نتایج نشان داد در روش اولیه PDR برای مسیری با طول متوسط 226/238 متر، خطای میانگین حدود 04/1 ± 97/2 متر حاصل شد. در ادامه، استفاده از فیلتر ذرات مبتنی بر تطبیق نقشه، خطا را به 07/0 ± 35/0 متر کاهش داد. نتیجهگیری: نتایج این پژوهش نشان میدهد که طراحی یک زنجیره پردازشی هوشمند و خودتطبیق برای تحلیل سیگنالهای حرکتی، میتواند دقت و پایداری روش PDR را در محیطهای داخلی و شرایط بحرانی به شکل قابلتوجهی افزایش دهد. همچنین یافتهها تأیید میکنند که روش PDR مبتنی بر حسگرهای تلفن هوشمند، حتی در صورت تغییر نوع حرکت یا نحوه حمل دستگاه، قابلیت ارائه موقعیتیابی دقیق و پایدار را دارد.
Improving the Accuracy of PDR Based Indoor Positioning in Emergency Scenarios by Modeling Complex Human Movement Behaviors
نویسندگان [English]
S. A. Nobakht1؛ R. Ali Abbaspour1؛ A. Chehreghan2
1GIS Division, School of Surveying and Geospatial Engineering, University of Tehran, Tehran, Iran
2Faculty of Mining Engineering, Sahand University of Technology, Tabriz, Iran
چکیده [English]
Background and Objectives: Positioning in indoor spaces and environments without Global Navigation Satellite System signals is one of the major challenges in the development of location‑based services in smart cities. Among various approaches, infrastructure‑independent methods such as smartphone‑based Pedestrian Dead Reckoning are considered a reliable solution, especially in critical conditions and when infrastructures are damaged or destroyed. This research aims to present an innovative approach by providing a two‑dimensional model for simulating and analyzing specific human movement activities in critical environments, including normal walking, crawling on hands and knees, and belly crawling. Methods: The proposed process consists of data collection, signal segmentation, gait cycle detection, step counting, movement type recognition, step length estimation, direction determination, and internal coordinate calculation. Data was collected in two phases: training and testing. The signals were segmented using the Pruned Exact Linear Time algorithm and the Functional Pruning Optimal Partitioning algorithm. Subsequently, movement type was recognized by employing Dynamic Time Warping, and step length was estimated using the Weinberg model. Findings: In the proposed approach, the accuracy of path estimation under different conditions reached an average of 0.17 percent. Furthermore, the direction of movement was determined by fusing data from the accelerometer, gyroscope, and magnetometer using the Gradient Descent Algorithm. The results showed that in the primary Pedestrian Dead Reckoning method, for a path with an average length of 238.226 meters, the mean error was approximately 2.97 ± 1.04 meters. Subsequently, the use of a particle filter based on map matching reduced the error to 0.35 ± 0.07 meters. Conclusion: The results of this study indicate that designing an intelligent and self-adaptive processing chain for analyzing motion signals can significantly enhance the accuracy and robustness of the Pedestrian Dead Reckoning method in indoor environments and critical conditions. Furthermore, the findings confirm that the smartphone sensor‑based Pedestrian Dead Reckoning method can provide accurate and reliable positioning even when the type of movement or the way the device is carried changes.
