Géolocalisation en intérieur

Un article de Wikipédia, l'encyclopédie libre.
Aller à : navigation, rechercher

La géolocalisation en intérieur, ou localisation en intérieur ((en)indoor) permet de trouver la position des objets ou des personnes dans un espace interne à une structure (bâtiments, maisons...).

La localisation joue un rôle essentiel dans la vie de tous les jours. Tandis que la localisation basée sur les GPS est populaire, sa prolifération dans les environnements internes est limitée. Cela est dû au manque considérable des systèmes de localisation interne.

L'adoption du système du GPS par les mobiles, combinée avec le Wi-Fi et les réseaux de téléphonie mobile, a en grande partie permis de résoudre le problème de la géolocalisation externe. Cependant, ce type de système ne peut pas servir à la géolocalisation dans les espaces internes car cela demande une prise en compte de certaines particularités comme les étages d'un bâtiment. Néanmoins, la localisation reste depuis toujours un domaine actif de la recherche ce qui a abouti à l'émergence de nombreuses solutions de localisation interne qui requièrent du matériel informatique à un coût parfois important.

Les espaces comme les aéroports, les centres commerciaux et les hôpitaux, . Avec les données devenant de plus en plus accessibles et l'augmentation du nombre d'applications dans ce domaine, la localisation en intérieur est devenue un véritable enjeu des supports informatiques.

Critères importants[modifier | modifier le code]

La cartographie[modifier | modifier le code]

La localisation ou le positionnement d'un objet ou d'une personne détermine son emplacement dans un certain système de référence. 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 où il peut exister une connectivité entre les escaliers, les murs, les portes et les différents niveaux. D'ailleurs, le positionnement dans ces espaces est généralement basé sur des dispositifs de détection comme les technologies RFID.

La navigation dans les environnements internes nécessite alors l'utilisation d'une représentation appropriée. En général, la topographie des espaces en 3D représente un aspect fondamental de la navigation en intérieur[1].

La navigation implique plusieurs concepts[1]:

  • La localisation
  • La planification d'itinéraires : Des algorithmes sont nécessaires pour trouver des chemins appropriés entre la source et la destination en fonction de la distance, du temps ou d'autres critères comme la rapidité. Ces algorithmes dépendent du type de modèle choisi, du contexte ou encore du profil de l'utilisateur. Des informations comme la connectivité sont essentielles pour la planification d'itinéraires.
  • L'orientation : L'utilisateur doit être être assisté par l'application tout au long du parcours du chemin qu'il a choisi.

Précision du positionnement[modifier | modifier le code]

La précision du positionnement est l'un des critères les plus importants pour la géolocalisation interne. En effet, à la différence de la géolocalisation externe, la géolocalisation interne doit intégrer la dimension de l'espace ( c'est-à-dire les étages, les escaliers...) mais aussi la taille de l'espace. S'il y a plusieurs petits espaces, le système permettant la géolocalisation interne doit permettre une localisation fine pour pouvoir distinguer aisément les différents espaces.

Infrastructures[modifier | modifier le code]

Certains systèmes de géolocalisation interne ont besoin d'infrastructures et d'équipements tandis que d'autres s'appuient sur des technologies plus accessibles comme les smartphones. Les systèmes avec infrastructures bien que précis (par exemple le système Cricket [2] MIT Cricket v.2.0 Indoor Localization system) sont souvent très coûteux et difficiles à mettre en place.

Parfois, pour éviter d'utiliser du matériel coûteux, des systèmes de localisation se contentent d'utiliser des technologies déjà existantes dans les environnements domestiques, ou embarquées dans les téléphones mobiles et tablettes des utilisateurs, et n'hésitent pas à les combiner avec d'autres technologies à relativement faible coût d'achats.

Principales approches[modifier | modifier le code]

Modélisation de l’espace interne[modifier | modifier le code]

Une modélisation d'un espace en intérieur doit représenter essentiellement une vision d'informations spatiales de l'environnement. Il existe plusieurs types de modèles (listés ci-dessous) pouvant représenter des structures de différents éléments d'un environnement interne (construction, design...) ou des visions graphiques via un support de navigation. Les modèles CityGML (en) et IFC (Industry Foundation Classes) proposent des représentations topographiques d'environnements en intérieur. Ils fournissent, en grande partie, des informations nécessaires des environnements intérieurs. Cependant, ils ne représentent pas des modèles standards pour ce type d'environnement puisque des informations importantes ne sont pas forcément décrites comme les connectivités entre les escaliers et les différentes zones d'un espace intérieur[1].

Modèles sémantiques[modifier | modifier le code]

Les modèles sémantiques décrivent les différents types d'entités présents dans un environnement intérieur en termes de propriétés et de relations. On peut ainsi faire une distinction entre les structures dits "fixes" (les murs, les portes, les fenêtres...) et les éléments mobiles (les fournitures, les personnes...). Ce modèle joue un rôle important dans la localisation et la navigation[3].

Modèles topologiques[modifier | modifier le code]

Les modèles topologiques représentent les connectivités des propriétés dans un espace intérieur. Il existe deux aspects de l'environnement en intérieur que ce modèle prend en compte[4] :

  • Les espaces topographiques : espaces contenant des composants d'un bâtiment (pièces, couloirs, portes, etc.).
  • Les "Dual space" : espaces contenant des chemins parcourus dans un espace topologique. Ces espaces sont modélisés en graphes souvent appelés "routing graph".

Modèles hybrides[modifier | modifier le code]

Les modèles géométriques sont parfois nécessaires pour le design d'un bâtiment ou sa construction. De nombreux modèles peuvent être hybrides tout en étant topologiques mais aussi géométriques. La géométrie ajoute des valeurs précises concernant les distances et les angles des connectivités entre des entités fournis par la topologie. D'autres modèles hybrides peuvent également établir des liaisons entre la topographie, la dualité, la topologie et la géométrie[5].

Technologies[modifier | modifier le code]

Radio FM[modifier | modifier le code]

Les recherches du centre create-net qui ont exploité cette technologie illustrera cette approche. Les avantages des ondes radio FM sont multiples. Entre autres, les stations FM fournissent une couverture mondiale, tandis que les tuners FM sont facilement disponibles dans de nombreux appareils mobiles[6]. De plus, ils ont une faible consommation d'énergie et ils n’interfèrent pas avec d'autres équipements sensibles ou sans fil, ce qui rend les radios FM une alternative prometteuse pour la géolocalisation interne. Pourtant, il y a eu peu de recherches exploitant cette technologie, dû au fait que les recherches sur la géolocalisation dans les milieux extérieurs n'ont pas donné de très bons résultats.

Propriétés des signaux FM[modifier | modifier le code]
  • Les signaux FM sont peu affectés par les conditions météo (pluie...), contrairement au WIFI et GSM.
  • Les ondes radio de basse fréquence sont moins sensibles aux conditions du terrain, tels que bois et le feuillage des arbres
  • Les signaux FM pénètrent les murs plus facilement par rapport à une connexion Wi-Fi ou GSM[7].
Approche[modifier | modifier le code]

L'approche est basée sur une méthode de localisation par "empreinte radio" ("fingerprinting signal"). Elle comprend deux étapes: l’étalonnage et la localisation.

  • « La phase d'étalonnage comprend l'acquisition de caractéristiques des signaux (généralement RSSI) des émetteurs stationnaires (balises) en des points prédéfinis, qui sont utilisés pour construire une base de données qui correspond aux valeurs collectées (empreintes digitales) avec leurs emplacements correspondants »[8].
  • « Au cours de la phase de localisation, le dispositif mobile acquiert une empreinte digitale du signal et le système de positionnement utilise les données d'étalonnage, couplés à des algorithmes appropriés pour déterminer la meilleure correspondance pour un emplacement pour lequel l'empreinte digitale appartient le plus probablement »[8].
Résultats[modifier | modifier le code]

Les résultats des expérimentations ont montré que les variations à grande échelle des signaux de radio FM ambiantes sont minimes à des distances de plusieurs mètres dans un espace interne. En revanche, les variations à petite échelle jouent un rôle important dans de petits espaces intérieurs, tels que des pièces fermées, en raison de la grande longueur d'onde des ondes radio FM (~ 3 m). De plus, les ondes FM montrent une efficacité de puissance supérieure, offrant 2.6 à 5.5 fois plus d'autonomie qu'une connexion WIFI. Cependant, dans les expérimentations, l'utilisation des ondes FM pour la localisation nécessitaient un casque mais ce frein est facilement surmontable car l'utilisation de casque est devenue très large du fait de la présence de lecteurs MP3 dans les mobiles. De même, il existe maintenant des mobiles avec des antennes internes (comme le NOKIA 5030)[9].

Localisation basée sur l'image[modifier | modifier le code]

Les approches basées sur la vision pour la localisation dans les milieux internes ne reposent pas sur l'infrastructure et sont donc évolutives et pas chères [10]. Les travaux de l'Institute for Media Technology de Munich en Allemagne, présente une interface utilisateur combinée d'éléments de la Réalité virtuelle et de la Réalité augmentée avec des indicateurs qui aident à communiquer et à assurer la précision de la localisation. Dans cette approche, l'appareil photo de smartphone est utilisé.

  • Réalité augmentée

« Cette visualisation augmente la vidéo de la caméra du smartphone en superposant des informations de navigation, comme une flèche directionnelle et la distance au prochain tour. L'inconvénient de cette méthode est que les utilisateurs doivent tenir le téléphone en position verticale afin de voir l'augmentation directement sur leur chemin. L'image vidéo est utilisée pour localiser le dispositif dans l'environnement (en termes de position et d'orientation), de sorte que les zones d'affichage peuvent être placées avec précision. »[11].

  • Réalité virtuelle

« Cette visualisation utilise des images préenregistrées de l'environnement qui forment un panorama à 360 degrés sur l'appareil mobile ». L'avantage de cette méthode est que l'utilisateur n'a pas à tenir le smartphone verticalement pour voir les instructions de navigation, comme pour la réalité augmentée, ce qui est plus confortable pour l'utilisateur. Au lieu de cela, des flèches directionnelles sont directement intégrées dans le panorama.

Des tests et des simulations ont été effectué et des utilisateurs testeurs ont ainsi exprimé leur préférence pour la réalité virtuelle ou la réalité augmentée. Les avis des utilisateurs sont divers et hétérogènes, et de ce fait une combinaison de la réalité augmentée et de la réalité virtuelle est très bénéfique voire nécessaire dans les systèmes de navigation basée sur l'image.

Techniques d'ultrasons des téléphones mobiles[modifier | modifier le code]

Aujourd'hui, les systèmes de positionnement en intérieur utilisent en général des équipements non existants dans les téléphones actuels. La recherche dans ce domaine essaye donc de mettre en place un système de positionnement efficace dans les smartphones afin de fournir aux utilisateurs des localisations et des directions précises.

Les smartphones peuvent envoyer et recevoir des ondes sonores par l'intermédiaire de leurs haut-parleurs et leurs microphones. En comparaison avec la vitesse de la lumière, le son traverse plus lentement. Néanmoins, cette situation s'avère très pratique puisque cela amène à utiliser son temps de propagation dans le but de déterminer la position voulue sans avoir à se servir d'un matériel spécifique. Il a été démontré par ailleurs qu'il est tout à fait possible d'utiliser le son pour mesurer la distance entre deux téléphones mobiles qui utilisent une synchronisation des techniques d'angles d'arrivée (Angle of Arrival (en))[12].

Les systèmes basés sur les ultrasons ont des niveaux de précision en millimètre et en centimètre, et ne sont donc pas compatibles avec les smartphones. Il existe donc une solution appelée Lok8 qui propose ce type de système et qui permet une compatibilité avec les smartphones[13].

Fonctionnement[modifier | modifier le code]

Un signal d'ultrason peut être émis par un téléphone mobile et être alors capturé par un microphone. Les téléphones mobiles peuvent également produire des signaux ultrasonores sans aucun bruit tant que le volume des haut-parleurs ne dépasse pas un certain seuil. Mais cette configuration est relative à chaque smartphone[12].

Une propagation lente et un support d'ultrasons permettent l'absence de bruits et d'un positionnement possible au centimètre près dans les mobiles; ce qui forme la base de l'approche de positionnement dans un environnement intérieur à l'aide de téléphones connectés. Pour utiliser la solution Lok8, il faut donc mettre en place des microphones dans l'environnement afin de capter les signaux émis par les téléphones des utilisateurs pour déterminer leurs positions.

Lok8 est une approche très prometteuse selon[Qui ?] pour le positionnement dans un espace intérieur. Aucun matériel spécifique n'est vraiment requis du côté client. L'utilisateur peut juste installer l'application qui permet de se servir de Lok8[14].

Résultats[modifier | modifier le code]

La nature des ultrasons, la susceptibilité aux bruits à certaines hautes fréquences ainsi que la tracée de ligne entre l'émetteur et le récepteur ont été identifiés comme les principaux obstacles à la précision du positionnement. En outre, cette technique d'ultrason ne fonctionne pas très bien si les téléphones sont dans des sacs ou des poches. Toutefois, les applications, sur lesquelles Lok8 est utilisé, interagissent avec l'utilisateur qui possède son téléphone en mains propres. Ainsi, sa position sera immédiatement calculée et utilisée par les programmes. La capacité de travailler en arrière-plan est uniquement importante s'il y a une étude du suivi des différentes positions des personnes; ce qui n'est pas réellement l'objectif de Lok8.

Les microphones peuvent également être assez coûteux. Il peut exister des problèmes d'exactitude quand l'utilisateur est en dehors de l'espace de réception de l'un des microphones. Ce problème peut être résolu en ajoutant des microphones ou en utilisant des microphones omnidirectionnels.

Outre ces limitations, Lok8 est aujourd’hui la seule solution qui offre un système de positionnement fiable et efficace en temps-réel pour les smartphones[14].

Combinaison des technologies RFID et WLAN[modifier | modifier le code]

La localisation en temps réel et le support de mobilité à travers le protocole IP (Internet Protocol) représentent les principales problématiques qui doivent être résolues. Mobile IP est la solution la plus connue afin de gérer le support de mobilité mais soulève également des problèmes de latence durant des transferts de données. Le délai de latence est dû au temps nécessaire pour détecter le mouvement d'un nœud mobile (Mobile Node) dans un sous-réseau (IP Movement Detection).

Il existe donc une solution aux deux problèmes qui intègre simultanément deux technologies connues : Wireless Local Area Network (WLAN) et Radio Frequency Identification (RFID).

RFID est composée de deux éléments :

  • un lecteur : Le lecteur RFID permet de lire les identifiants des tags.
  • un tag : Les tags RFID sont des puces apposées sur des objets. Ils permettent d'identifier des objets à distance grâce à un lecteur qui capte les données existantes dans la puce. Ils peuvent être :
    • actifs : Ces types de tags sont alimentés par pile ou batterie.
    • passifs : Ces tags ne possèdent pas de batterie. C'est le signal du lecteur qui active ces tags et leurs permettent de fonctionner en leur induisant du courant.

Par ailleurs, la norme IEEE 802.11 (Wi-Fi) basée sur WLAN possède deux modes d'opérations :

  • ad hoc mode : deux ou plusieurs nœuds sans-fils sont reliés pour établir une communication en peer-to-peer sans infrastructures.
  • infrastructure mode : une entité appelée "Access Point" (AP) fait le pont de toutes les données entre les nœuds mobiles qui lui sont associés.

La technologie RFID sera donc responsable de la collecte d'informations utilisées pour la localisation et le système du "handover management" qui permet de maintenir le trafic de communications de données. Néanmoins, elle peut être limitée par son incapacité à établir des connexions directes entre les lecteurs et les tags. La technologie WLAN contrôlera et coordonnera ainsi le processus de lecture par les lecteurs RFID.

Dans le système, les identifiants des tags RFID sont reliés à la localisation ainsi qu'aux informations topologiques afin de déterminer la position et de prévoir le prochain sous-réseau d'un nœud mobile à l'aide d'un lecteur qui lui est attaché. Pour ensuite traiter les problèmes d'interférence qui sont les principales limitations de la technologie RFID, le système exploite les capacités de coordination fournies par WLAN.

La raison de la configuration d'un tel système est due au faible coût des tags passifs, à la prochaine génération des terminaux mobiles qui auront la capacité de lecture des tags RFID et à l'omniprésence de WLAN dans les environnements intérieur[15].

Centrale inertielle (IMU)[modifier | modifier le code]

Des recherches menées par l'université de l'Ohio [16] utilisent les signaux de localisation de centrale à inertie (utilisée dans la navigation inertielle) combiné avec une caméra (pour la vision) et avec un détecteur de mouvement (pour détecter les pas). L'avantage de ce système est qu'il ne dépend pas de la détection du champ magnétique et d'un réseau de capteurs sans fil. Le concept général est d'adopter un filtre de Kalman étendu pour l'intégration de données en temps réel.

Matériel[modifier | modifier le code]

Le hardware est composé :

Principe[modifier | modifier le code]

"Avant d'entrer dans un bâtiment, le GPS enregistre la dernière position à l'extérieur où les signaux GPS sont encore actifs. L'IMU enregistre continuellement les accélérations et la vitesse angulaire de l'utilisateur. Le détecteur de mouvements détecte les phases stationnaires où l'utilisateur ne bouge pas et enfin la caméra enregistre l'information visuelle locale. Avec la position initiale de l'utilisateur rapporté par le GPS, l'intégration des trois sources de données peut combiner les trois aspects de l'information spatiale pour générer un déplacement de l'utilisateur"[17].

Algorithmes[modifier | modifier le code]

Algorithme de positionnement avec WLAN[modifier | modifier le code]

WLAN(Wireless Local Area Network) est un système de positionnement connu attirant les recherches et les investigations du monde entier. Il offre de grandes opportunités de développement de l'estimation de positionnement dans un espace intérieur. D'ailleurs, l'algorithme de positionnement par "fingerprinting" ( Wi-Fi positioning system  (en)) a été utilisé par WLAN grâce à sa haute précision et son non-besoin d'investissements. Cet algorithme se découpe en deux phases : "off-line measurement" et "on-line measurement" qui comprennent également différents algorithmes de positionnements comme NN (en) (Nearest-Neighbor) ou KNN(K Nearest-Neighbour). Néanmoins, ce système de positionnement possède plusieurs problèmes à savoir les lourdes charges de calcul et les soucis d'efficacité des estimations de positionnement dus à la complexité de la structure des bâtiments. Plusieurs solutions ont néanmoins été proposées afin de résoudre ces problématiques mais la plupart de celles-ci n'ont pu empêcher simultanément la perte des coûts de calcul et des précisions de positionnement[18].

L'algorithme "WLAN Indoor Positionning Algorithm Based On Sub-Regions Information Gain Theory"[19] a pu diminuer ces pertes tout en accordant la plus haute précision de positionnement. Il combine les algorithmes KNN, K means clustering et "Information Gain Theory".

La méthode standard de positionnement par le système du fingerprinting à l'aide de RSS[modifier | modifier le code]
Méthode de positionnement par la technique du fingerprinting à l'aide de WLAN et de RSS [18]

Les processus de lecture de plusieurs points de contrôle par le système du RSS ( Received signal strength indication  (en)), qui permet de mesurer la puissance de la réception d'un signal radio, peuvent être collectés pour chaque emplacement intérieur dans une phase appelée "fingerprinting".

L'algorithme de positionnement par le fingerprinting avec le RSS (Received Signal Strength) possède deux étapes :

  • "off_line" ou "training phase" : construit un ensemble de données basées sur des "fingerprinting" appelé "radio map" qui représente les coordonnées de positionnements (RPs) et les RSS à partir de tous les points d'accès (APs).
  • "on-line" ou "estimation phase": afin de localiser un terminal mobile à un endroit donné, le système mesure et enregistre les RSS de tous les APs qui sont ensuite envoyés à un certain algorithme pour y être comparé avec les informations enregistrées dans la "radio map".

Après la fin de ces deux phases, le système évalue le meilleur positionnement possible du terminal mobile[18].

Amélioration de l'estimation du positionnement WLAN en intérieur en utilisant l'algorithme KNN[modifier | modifier le code]

Bien qu'il y a une utilisation d'un grand nombre d'APs dans le but d'améliorer le calcul de l'estimation de positionnement, il a été démontré que le système ne peut atteindre une grande précision. Il existe effectivement une forte corrélation entre les différents APs lorsque leurs propres données sont impliqués dans le calcul; ce qui peut provoquer des interruptions de l'estimation de positionnement pour chacun d'entre eux.

La méthode qui suit combine les algorithmes "KNN" et "Information Gain Theory". Elle a pu apporté de meilleurs performances de calcul de localisation à l'aide d'un sous-ensemble de tous les APs. Elle divise également la totalité de la région de positionnement en un certain nombre de sous-régions et applique par la suite l'algorithme "Information Gain Theory" afin de sélectionner les APs dans une certaine sous-région[18].

Méthode d'amélioration de l'estimation du positionnement[18]

Le modèle amélioré se découpe donc en deux étapes [18] :

  • La première étape est complétée avec la phase "off-line" et se divise en plusieurs étapes :
    • K-means Clustering Partition : L'application de l'algorithme K-means Clustering pour partitionner une certaine région en K sous-régions.Cette méthode considère uniquement les caractéristiques de la structure d'un certain bâtiment dans la zone de positionnement. Par exemple, les toilettes seront définis comme étant une sous-région.
    • AP Ranking : L'application de l'algorithme Information Gain Theory dans chaque sous-région afin de trier les APs selon certains critères
    • AP Selection : Un AP est sélectionné à partir du tri effectué par l'AP Ranking selon le positionnement voulu pour qu'il puisse ensuite contribuer dans le processus de position précise dans la phase on-line.
  • La seconde étape est complétée avec la phase "on-line" et se divise également en plusieurs étapes :
    • Rough Positionning : Le RSS à partir de tous les APs disponibles est utilisé pour donner une estimation d'une position dans une certaine sous-région.
    • Precise Positionning : L'algorithme KNN est appliqué à l'aide de l'AP obtenu dans la phase off-line afin de donner une estimation précise du positionnement dans la sous-région (sélectionnée dans l'étape Rough Positionning).
Résultats[modifier | modifier le code]

En utilisant cet algorithme, la précision du positionnement est amélioré de 4.67% et le nombre d'APs qui participent au processus de calcul du positionnement peut être diminué de 33.33%[20].

Cas d'utilisations[modifier | modifier le code]

Localisation d'objets dans un espace intérieur[modifier | modifier le code]

Localiser des objets dans un espace intérieur comme les livres mal placés dans une bibliothèque ou des produits dans un supermarché est parfois une tâche laborieuse. À l'aide de la technologie RFID, on peut localiser la position d'un certain objet dans des environnements comme des pièces, des salles ou des bibliothèques. Les objets devront néanmoins être tagués avec une puce RFID[21].

Sherlock est, par exemple, un système qui permet à l'être humain d'interagir avec des objets à l’aide de la technologie RFID. Il combine l’utilisation des concepts de capteurs, radars, et d’infographie pour mettre sur pied un nouveau système de localisation d’objets de tous les jours. Au cœur de Sherlock, une nouvelle technique de localisation avec la technologie RFID utilise des antennes orientables qui vont scanner le lieu pour découvrir, localiser et indexés les objets tagués. En réponse aux requêtes utilisateurs, Sherlock affichera les résultats des objets localisés en utilisant des images de caméra[22].

Messages de localisation en 'Post-It'[modifier | modifier le code]

Une application peut permettre aux utilisateurs de « poster » des messages sur certaines positions d'un environnement donné. Si l'utilisateur se trouve à proximité d'un périphérique Bluetooth ou d'un point d'accès sans-fil, un message de localisation est envoyé au téléphone mobile de l'utilisateur. L'application peut également être utilisé dans un environnement outdoor. Le principe est de rappeler ou d'informer l'utilisateur d’effectuer une certaine tâche dans un lieu donné. Par exemple, si le père entre dans une garderie, l'application lui rappelle qu'il doit demander à un éducateur de la petite enfance si son enfant a effectuer sa sieste l'après-midi[21].

Système de rappel[modifier | modifier le code]

Il existe plusieurs moments où des personnes quittent leurs bureaux précipitamment pour une réunion, une conférence, ou d'autres types d'événements, en oubliant des choses importantes. Des tags RFID peuvent donc être apposés sur certains objets. L'application pourra ainsi permettre à l'utilisateur à programmer ses événements où chaque événement sera relié à un ensemble d'items (par exemple, pour une conférence : un pointeur laser, un ordinateur, un téléphone...). Si un objet manquant est détecté lorsque l'utilisateur quitte son bureau, le système informe l'utilisateur sur son téléphone mobile ou sur son ordinateur portable[23].

Demande d'informations et Génération d'itinéraires[modifier | modifier le code]

À l'entrée d'un musée, il peut y avoir une indication informant que le musée est équipé de technologies de navigation virtuelle et est complétée avec un QR code. L'utilisateur scanne ce code et installe l'application dans son téléphone mobile. L'utilisateur observe un vase du XIIe siècle et souhaite obtenir plus d'informations. Il pointe son téléphone vers le vase pour initialiser la requête. Grâce à l'efficacité de l'estimation de la position par l'accéléromètre et d'autres composants du téléphone, le système est capable d'identifier le vase. Le téléphone affiche alors une page avec des informations qui sont des liens, du texte, du son et des vidéos.

L'utilisateur est également intéressé par une peinture qu'il semble avoir déjà vu. À l'aide de l'application, il effectue une demande de requête d'informations concernant le tableau et découvre que le peintre est Claude Monet, un impressionniste. L'utilisateur souhaite connaître davantage sur l’impressionnisme dans le domaine de la peinture. Il demande alors à l'application de le guider. Le système lui génère un parcours efficace et approprié fournissant toutes les localisations de ce type de peinture à partir de sa position. Grâce à l'efficacité du calcul de positionnement, l'application est capable d'afficher la localisation de la prochaine peinture facilitant la navigation en la rendant plus confortable en essayant d'éviter toutes confusions[24].

Notes et références[modifier | modifier le code]

  1. a, b et c Modeling indoor space 2011, p. 1,2
  2. The Cricket location-support system
  3. Modeling indoor space 2011, p. 2
  4. Modeling indoor space 2011, p. 2,3
  5. Modeling indoor space 2011, p. 3
  6. Investigation of indoor localization with ambient FM radio stations
  7. Investigation of indoor localization with ambient FM radio stations page 171
  8. a et b Investigation of indoor localization with ambient FM radio stations page 173 Section III. FM Positionning
  9. Investigation of indoor localization with ambient FM radio stations page 178
  10. A mobile indoor navigation system interface adapted to vision-based localization
  11. Réalité Augmentée Section 4.1 Augmented and Virtual Reality
  12. a et b Indoor Positioning for Smartphones Using Asynchronous Ultrasound Trilateration 2013, p. 602
  13. Indoor Positioning for Smartphones Using Asynchronous Ultrasound Trilateration 2013, p. 603
  14. a et b Indoor Positioning for Smartphones Using Asynchronous Ultrasound Trilateration 2013, p. 616,617
  15. Integrating RFID and WLAN for indoor positioning and IP movement detection 2012, p. 861,862
  16. spatial orientation and information system for indoor spatial awareness
  17. spatial orientation and information system for indoor spatial awareness page 11, section "Overview of the approach"
  18. a, b, c, d, e et f WLAN Indoor Positioning Algorithm Based On Sub-Regions Information Gain Theory 2013, p. 4789-4790
  19. WLAN Indoor Positioning Algorithm Based On Sub-Regions Information Gain Theory 2013
  20. WLAN Indoor Positioning Algorithm Based On Sub-Regions Information Gain Theory 2013, p. 4794
  21. a et b Localization and interaction in active indoor environments 2010, p. 1
  22. Sherlock: Automatically Locating Objects for Humans 2008
  23. Localization and interaction in active indoor environments 2010, p. 1,2
  24. Indoor Positioning for Smartphones Using Asynchronous Ultrasound Trilateration 2013, p. 600

Vidéos[modifier | modifier le code]

Bibliographie[modifier | modifier le code]

  • (en) Michael Worboys, « Modeling indoor space », ISA '11 Proceedings of the 3rd ACM SIGSPATIAL International Workshop on Indoor Spatial Awareness,‎ 2011, p. 1-6 (ISBN 978-1-4503-1035-2, DOI 10.1145/2077357.2077358)Document utilisé pour la rédaction de l’article(source utilisée pour la rédaction de cet article)
  • (en) Rongxing Li, Boris Skopljak, Shaojun He, Pingbo Tang, Alper Yilmaz et Jinwei Jiang, « A spatial orientation and information system for indoor spatial awareness », ISA '10 Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Indoor Spatial Awareness,‎ 2010, p. 10-15 (ISBN 978-1-4503-0433-7, DOI 10.1145/1865885.1865889)
  • (en) Lars Kulik, « Localization and interaction in active indoor environments », ISA '10 Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Indoor Spatial Awareness,‎ 2010, p. 1-2 (ISBN 978-1-4503-0433-7, DOI 10.1145/1865885.1865887)
  • (en) Andreas Möller, Matthias Kranz, Robert Huitl, Stefan Diewald et Luis Roalter, « A mobile indoor navigation system interface adapted to vision-based localization », MUM '12 Proceedings of the 11th International Conference on Mobile and Ubiquitous Multimedia, no 4,‎ 2012 (ISBN 978-1-4503-1815-0, DOI 10.1145/2406367.2406372)
  • (en) Apostolia Papapostolou et Hakima Chaouchi, « Integrating RFID and WLAN for indoor positioning and IP movement detection », Journal Wireless Networks, vol. 18, no 7,‎ octobre 2012, p. 861-879 (DOI 10.1007/s11276-012-0439-y)
  • (en) Viacheslav Filonenko, Charlie Cullen et James D. Carswell D. Carswell, « Indoor Positioning for Smartphones Using Asynchronous Ultrasound Trilateration », Journal of Geo-Information,‎ juin 2013 (ISSN 2220-9964, DOI 10.1007/s11276-012-0439-y)
  • (en) Andrei Popleteev, Venet Osmani et Oscar Mayora, « Investigation of indoor localization with ambient FM radio stations », 10th IEEE Pervasive Computing and Communication conference,‎ 2012, p. 171 - 179 (DOI 10.1109/PerCom.2012.6199864)
  • (en) Lin Ma, Xinru Ma, Xi Liu et Yubin Xu, « WLAN Indoor Positioning Algorithm Based On Sub-Regions Information Gain Theory », Wireless Communications and Networking Conference (WCNC), 2013 IEEE,‎ avril 2013, p. 4789 - 4794 (ISSN 1525-3511, DOI 10.1109/WCNC.2013.6555351)
  • (en) Nissanka B. Priyantha, Anit Chakraborty et Hari Balakrishnan, « The Cricket location-support system », MobiCom '00 Proceedings of the 6th annual international conference on Mobile computing and networking,‎ 2000, p. 32 - 43 (ISBN 1-58113-197-6, DOI 10.1145/345910.345917)
  • (en) Aditya Nemmaluri, Mark D. Corner et Prashant Shenoy, « Sherlock: Automatically Locating Objects for Humans », MobiSys '08 Proceedings of the 6th international conference on Mobile systems, applications, and services,‎ 2008, p. 187-198 (ISBN 978-1-60558-139-2, DOI 10.1145/1378600.1378621)

Liens externes[modifier | modifier le code]