Algorithmes pour la géolocalisation indoor

Algorithmes pour la géolocalisation indoor

La cartographie 

La localisation ou le positionnement d’un objet ou d’une personne détermine son emplacement dans un certain système de référence. Donc pour pouvoir se repérer dans un bâtiment, qui est souvent un lieu fermé et privé, il est nécessaire de construire une cartographie des lieux propre à chaque bâtiment, qui répertorie les obstacles fixes (escaliers, portes,..), et intermittents (panneaux d’affichage …), intégrant une mise à jour. Dans les environnements externes, à l’aide du GPS, les coordonnées sur un plan ou une carte donnée sont représentées en 2D : la longitude et la latitude. Cependant, ce type de référence ne peut être utilisé pour les espaces intérieurs ou il peut exister une connectivité entre les escaliers, les murs, les portes et les différents niveaux. Les techniques traditionnelles de cartographies n’étant pas adaptées, d’autres solutions existent ; parmi elles :

Une modélisation d’un espace en intérieur doit représenter essentiellement une vision d’informations spatiales de l’environnement .Il existe plusieurs types de modèles (sémantique, topologique, hybride..) pouvant représenter des structures de différents éléments d’un environnement interne (construction, design,..) ou des visions graphiques via un support de navigation .Les modèles sémantiques décrivent les différents types d’entités présents dans un environnement indoor en termes de propriétés et de relations. Ce modèle joue un rôle important dans la localisation et la navigation .Les modèles topologiques représentent les connectivités des propriétés dans un espace indoor. La navigation dans les environnements internes nécessite aussi l’utilisation d’une représentation appropriée. En général, la topographie des espaces en 3D représente un aspect fondamental de la navigation en intérieur.

Le standard WiFi et la localisation indoor 

La norme IEEE 802.11 est un standard international décrivant les caractéristiques des réseaux locaux sans fil (WLAN).Un réseau WiFi est un réseau répondant à la norme 802.11. Grace au WiFi, il est possible de créer des réseaux locaux sans fils à haut débit pour peu que la station à connecter ne soit pas trop distante par rapport au point d’accès. Des informations sur la communication sont accessibles et disponibles au niveau des interfaces physiques des cartes de communications. Les informations proviennent de trames de management émises par les points d’accès. Parmi ces trames, on trouve des trames d’authentification, d’association, etc. La trame qui nous intéresse dans le cadre de localisation par WiFi est la trame de balisage. Le point d’accès émet périodiquement ces trames afin de signaler et pour relayer des informations telles qu’une référence temporelle, le SSID et d’autres informations caractérisant ce point d’accès. Ces trames sont captées par les clients se trouvant dans la couverture radio de ce point d’accès. Le client scrute en permanence tous les canaux disponibles afin de capter ces balises qui lui permettent de déterminer le point d’accès avec lequel il est plus avantageux de s’associer.

Lorsque le réseau est en mode infrastructure, ces balises sont émises périodiquement. Par défaut, cet intervalle est à 100 ms, car cette valeur est optimale pour assurer de bonnes performances dans bon nombre d’applications. L ’utilisation de ces trames de balisage est un bon moyen pour effectuer de la localisation puisqu’elles sont émises périodiquement et naturellement par le réseau. Il n’est pas nécessaire de modifier la nature intrinsèque du réseau pour établir les opérations nécessaires à la localisation. Par la suite la technique de localisation présentée est basée sur l’exploitation des informations disponibles dans ces balises.

Exploiter cette information de puissance n’est pas simple .La puissance du signal reçu n’est pas reliée directement à l’information de distance par une relation aussi simple que celle qu’on trouve dans les problèmes de trilatération classiques où la distance est liée au temps par la relation : distance – vitesse * temps. Il existe deux manières de traiter ce problème. La première technique est le fingerprinting ou pattern matching ou bien de reconnaissance de signature .Pour cette première technique, il est nécessaire d’exploiter une base de données, constitués de mesures .La seconde technique est basée sur l’exploitation d’un modèle de propagation qui est une formulation mathématique de la valeur de signal que devrait capter un terminal mobile .Plusieurs degrés de complexité existent pour les modèles de propagation en fonction de précision à atteindre . La combinaison de ces deux techniques est possible dans certaines situations, comme dans des environnements multi-étages notamment.

Algorithmes de poursuite 

Les algorithmes de poursuite permettent d’estimer et de suivre la position d’un mobile de manière dynamique en tenant compte des mesures – bruitées – et des trajectoires et mouvements aux instants précédents, en utilisant les filtres Kalman et particulaires. Le filtre de Kalman simple est adapté pour des problèmes pouvant se modéliser sous forme linéaire et soumis à du bruit gaussien. Il consiste à estimer récursivement l’état courant (la position actuelle du mobile) à partir de l’estimation de l’état précédent (position précédente estimée) et des mesures actuelles. Dans une première étape, la prédiction de l’état actuel et de la covariance de l’erreur de son estimation est effectuée à partir de l’équation d’évolution entre les instants (k?1) et (k) exprimée sous forme matricielle. Dans la seconde étape, la valeur de l’état estimée et de la covariance de l’erreur d’état est mise à jour à partir de l’équation de mesure reliant l’état à la mesure (données inertielles et/ou données GPS par exemple) par de simples opérations matricielles. La démarche des filtres particulaires consiste à rechercher la meilleure estimation de la densité de probabilité des processus aléatoires en jeu dans le système. Considérant un modèle de Markov caché, le filtre estime séquentiellement les valeurs des états cachés à l’instant k à partir des valeurs d’observation précédentes de n = 0 à k. La distribution à postériori de l’état à l’instant k sachant les mesures précédentes est estimée par simulations de Monte Carlo.

Dans ce chapitre, on a passé en revue quelques techniques de géolocalisation indoor, simples efficaces et pas très coûteuses, dans le but d’en adopter une que nous allons utiliser pour mettre au point notre système de géolocalisation. Notre état de l’art n’est pas exhaustif, mais nous a permis de choisir la technique du Fingerprinting comme base à notre système, puisque dès le départ, on s’était posé comme objectif d’utiliser le wifi, qui est le réseau de communication le plus courant, le moins couteux, omniprésent et le plus facile d’utilisation pour faire notre géolocalisation indoor. Le chapitre suivant détaillera notre implémentation, depuis la conception, modélisation et tests finaux.

Conclusion Générale 

Au cours de ce projet de fin d’étude, nous avons pu acquérir de nouvelles compétences et des diverses technologies. La sortie de ce projet est une application de localisation indoor en temps réel basé sur les technologies WiFi visualisées sur l’appareil mobile. Dans le processus de réalisation de cet objectif ultime, beaucoup de possibilités des algorithmes et des techniques et aussi des systèmes de localisations intérieures sur les appareils mobiles ont été étudiées .Tout d’abord les solutions possibles ont été identifiées et sélectionnées et d’autre part les composants ont été développées et intégrées les uns avec les autres. La localisation de l’utilisateur peut être déterminée en temps réel avec une précision de 1 à 3 mètres en déterminant la pièce la plus proche pour l’utilisateur et la deuxième plus proche, en utilisant l’application on trouve une aisance et simplicité parce que l’application fournit une interface facile à utiliser .Dans l’architecture du système, les composants se distinguent : le serveur de calcul, client android, base de données et les services web. Ce type d’architecture du système assure la haute performance. Toutes les données qui sont nécessaires pour rendre l’application fonctionnelle sont stockées dans une base de données sur un serveur distant.

Au terme de ce projet de fin d’études, nous estimons que nous avons pu atteindre les principaux objectifs que nous avons fixés .Cependant, il y a plusieurs améliorations proposés comme la navigation et plusieurs améliorations concernant la cartographie qu’on a pas pu implémenter pour le manque du temps, et que nous souhaitons pouvoir les ajouter dans le futur. Nous avons été confrontées à un certain nombre de difficultés que nous n’avions pas envisagées au départ, nous avons pris largement du temps pour se stabiliser sur l’environnement android après la décision de réaliser une application mobile ce qui n’était pas le cas en premier temps, aussi les démarches d’installation et l’adaptation des systèmes entre eux .Par la suite, nous avons abordé la programmation, le choix de l’algorithme puis le choix du langage pour le client, le serveur et la communication entre ces éléments. Le choix s’est posé sur la famille Java pour ses avantages multiples. Pour le client, Java est puissante et disponible sur la majorité des architectures et peut être adaptée avec la plupart des appareils mobiles.

Table des matières

INTRODUCTION GENERALE
CHAPITRE 1 : Contexte et généralité sur le projet du projet
1.1 Cadre du projet
1.1.1 Contexte du projet
1.1.2 Problématique
1.1.3 Travail demandé
1.2 Etude de faisabilité du projet
1.2.1 Validation de l’idée retenue
1.2.2 Etude de faisabilité technologique
1.2.3 Etude de faisabilité économique
1.3 Méthodologie et formalisme adopté
1.4 Cycle de vie adopté
1.5 Conclusion
2.Etude préalable
2.1 Localisation INDOOR / OUTDOOR
2.2 géolocalisation INDOOR : définition et usage
2.2.1 enjeux de localisation indoor
2.2.1.1 Cartographie
2.2.1.2 Précision du positionnement
2.2.1.3 Infrastructures
2.2.2 Technologies et méthodes de géolocalisation indoor
2.2.3 Géolocalisation hybride
2.2.3.1 Standard WiFi et localisation indoor
2.2.3.2 Technique de fingerprinting
2.2.3.3 Méthode de k-nearest points
2.2.4 Algorithmes pour la géolocalisation indoor
CHAPITRE 2 : Spécification
3.1 Acteurs du système
3.2 Spécification des besoins
3.2.1 Besoins fonctionnels
3.2.2 Besoins non fonctionnels
3.3 Analyse des besoins
3.3.1 Diagramme de cas d’utilisation principale
3.3.2 Description de cas d’utilisation :prendre des mesures
3.3.3 Description de cas d’utilisation :Localiser
3.3.4 Diagramme de collaboration :synchroniser
Conception et réalisation
4.1 conception
4.1.1 architecture globale de la solution
4.1.2 conception de base de données
4.2 choix technique
4.2.1 choix du langage de programmation
4.2.2 choix de l’architecture d’application
4.2.3 environnement de travail
4.2.3.1 environnement matériel
4.2.3.2 environnement logiciel
4.2.3.3 choix des outils de travail
4.3 travail réalisé
CONCLUSION GENERALE
REFERENCE
BIBLIOGRAPHIQUE
LISTE DES FIGURES
LISTE DES ABREVIATION
ANNEXE

Télécharger le rapport complet