Оценка качества позиционирования внутри помещений на основе маяков Bluetooth Low Energy и машинного обучения

Статья посвящена проблеме позиционирования внутри помещений в условиях отсутствия сигнала спутниковых навигационных систем с использованием Bluetooth Low Energy (BLE) маяков. Задачей исследования является оценка точности позиционирования, обеспечиваемой системой BLE-маяков в сочетании с методами машинного обучения. Для определения 2D координат объекта используется нейронная сеть прямого распространения с двумя скрытыми слоями. Рассматриваются три способа формирования обучающей выборки: регулярная сетка, случайная сетка и сетка на основе отрезков. Для моделирования уровня принимаемого сигнала применяется логарифмическая модель затухания радиосигнала с учетом инструментальных шумов. Экспериментальные исследования проведены для помещений различных размеров и при различном числе маяков. Результаты показывают, что достижимая точность позиционирования составляет 20–30 см, а наилучшие результаты достигаются при использовании регулярной сетки или сетки на основе отрезков. Установлено, что машинное обучение не повышает точность позиционирования в статистическом смысле, а задача остается в рамках фундаментальных понятий наблюдаемости и устойчивости. Практическая значимость работы заключается в возможности применения предложенного подхода для навигации сервисных роботов, дронов, автоматизации складских комплексов и построения систем обеспечения безопасности.

1. Щекотов М.С., Кашевник А.М. Сравнительный анализ систем позиционирования смартфонов в помещениях. Труды СПИИРАН. 2012;(4):459–471. https://doi.org/10.15622/sp.23.26

2. Namiot D. On indoor positioning. International Journal of Open Information Technologies. 2015;3(3):23–26.

3. Дэвидсон П., Киркко-Яаккола М., Коллин Ю., Такала Я. Навигационный алгоритм с использованием планов зданий и данных автономных датчиков. Гироскопия и навигация. 2015;(1):29–42. 

4. Болотова С.Ю., Зонов А.В., Тютин А.П. Навигация внутри помещений в мобильных приложениях. Программная инженерия. 2018;9(1):29–34. https://doi.org/10.17587/prin.9.29-34

5. Щекотов М.С. SLAM-метод навигации внутри помещений на основе определения местоположения маяков Bluetooth. Информационные технологии и вычислительные системы. 2021;(3):70–81. https://doi.org/10.14357/20718632210307

6. Евтушенко Е.А., Ковалец И.А., Сафарьян О.А. Разработка системы позиционирования внутри помещений. Труды Северо-Кавказского филиала Московского технического университета связи и информатики. 2025;(1):44–45.

7. Huang J., Junginger S., Liu H., Thurow K. Indoor Positioning Systems of Mobile Robots: A Review. Robotics. 2023;12(2):47. https://doi.org/10.3390/robotics12020047

8. Cao T. Generation of an indoor 2D map and track encryption based on mobile crowdsourcing. International Journal of Engineering and Technology. 2018;7(3):4–19. https://doi.org/10.14419/ijet.v7i3.19.16982

9. Кроненветт Н., Руппельт Я., Троммер Г.Ф. Прецизионное позиционирование пешехода в помещении на основе контроля за стадиями его походки. Гироскопия и навигация. 2017;25(1):33–48.

10. Tomažič S. Indoor Positioning and Navigation. Sensors. 2021;21(14):4793. https://doi.org/10.3390/s21144793

11. Anbarasu B., Anitha G. Indoor Scene recognition for Micro Aerial Vehicles Navigation using Enhanced SIFT-ScSPM Descriptors. Journal of Navigation. 2020;73(1):37–55. https://doi.org/10.1017/S0373463319000420

12. Wu F., Liang Y., Fu Y., Geng C. A New Indoor Positioning System Using Artificial Encoded Magnetic Fields. Journal of Navigation. 2018;71(2):299–316. https://doi.org/10.1017/S0373463317000698

13. Li C., Huang H., Liao B. An Improved Fingerprint Algorithm with Access Point Selection and Reference Point Selection Strategies for Indoor Positioning. Journal of Navigation. 2020;73(6):1182–1201. https://doi.org/10.1017/S0373463319000730

14. Zhao J., Gao X., Wang X., Li C., Song M., Sun Q. An Efficient Radio Map Updating Algorithm based on K-Means and Gaussian Process Regression. Journal of Navigation. 2018;71(5):1055–1068. https://doi.org/10.1017/S037346331800019X

15. Кокорева Е.В. Применение нейронной сети для позиционирования мобильного объекта внутри помещений. Экономика и качество систем связи. 2025;(1):84–92.

16. Лизнева Ю.С., Костюкович А.Е., Кокорева Е.В. Анализ возможностей определения местоположения в сети Wi-Fi с использованием алгоритмов нейронных сетей. Программные системы и вычислительные методы. 2024;(4):1–12. https://doi.org/10.7256/2454-0714.2024.4.72107

17. Гриняк В.М. Позиционирование в трехмерном пространстве внутри помещений по данным Bluetooth-маяков. Моделирование, оптимизация и информационные технологии. 2020;8(3). https://doi.org/10.26102/2310-6018/2020.30.3.023

18. Гриняк В.М., Девятисильный А.С., Шурыгин А.В. Оценка возможностей использования bluetooth-устройств для навигации внутри помещений. Информационные технологии. 2018;24(9):610–617. https://doi.org/10.17587/it.24.610-617

19. Медич Дж. Статистически оптимальные линейные оценки и управление. Москва: Энергия; 1973. 440 с.

20. Степанов О.А. Основы теории оценивания с приложениями к задачам обработки навигационной информации. Часть 1. Введение в теорию оценивания. Санкт-Петербург: Центральный научно-исследовательский институт «Электроприбор»; 2017. 509 с.

21. Степанов О.А. Основы теории оценивания с приложениями к задачам обработки навигационной информации. Часть 2. Введение в теорию фильтрации. Санкт-Петербург: Центральный научно-исследовательский институт «Электроприбор»; 2017. 428 с.