Site Survey-free Indoor Positioning System based on RSSI Diversity and Sequential Least Squares Programming

Abstract

Sistemas de localização em ambientes fechados (IPSs) são essenciais para viabilizar serviços baseados em localização, como varejo, saúde e logística. No entanto, os IPSs existentes frequentemente exigem etapas de fingerprinting offline que são trabalhosas e demoradas, limitando a escalabilidade e a adaptabilidade em cenários internos dinâmicos. Esta tese apresenta o OPTIMAPS, uma solução inovadora independente de coleta de fingerprints que utiliza a tecnologia Bluetooth Low Energy (BLE). O OPTIMAPS emprega um modelo de perda de percurso logarítmica, cujos parâmetros são automaticamente determinados a partir da geometria do cenário e da análise de diversidade de sinal, eliminando assim a necessidade de coleta prévia de RSSI em campo. Durante a operação online, o sistema combina uma estimativa baseada no vizinho mais próximo (NN) — escolhida por sua eficiência computacional e robustez como estimador inicial — com Programação Sequencial de Mínimos Quadrados (SLSQP) para otimização com restrições não-lineares, refinando as estimativas de posição dentro de um círculo de restrição empiricamente ajustado à granularidade do cenário experimental. Uma das principais inovações do OPTIMAPS é a adoção da métrica de Chebyshev para quantificar a dissimilaridade entre vetores de RSSI, que, juntamente com a análise da média das distâncias par-a-par, fornece melhor discriminação de sinais e aumenta a acurácia da localização. O sistema foi rigorosamente validado em um cenário real de larga escala — um cenário de 720 m² com 15 pontos de acesso BLE e 148 locais de teste — utilizando um conjunto de dados publicamente disponível. O OPTIMAPS alcançou um erro médio de localização (APE) de 2.65 metros, competitivo com o estado-da-arte, e superou métodos similares sem fingerprinting considerando-se a métrica de erro normalizado por densidade de pontos de acesso. Ademais, o OPTIMAPS demonstrou escalabilidade computacional linear em relação à área do cenário de testes, uma vantagem crítica sobre abordagens meta-heurísticas, como algoritmos genéticos, que apresentam crescimento quadrático ou maior em relação à demanda por recursos computacionais. A análise de desempenho espacial revelou que o refinamento via SLSQP proporciona os maiores ganhos em ambientes complexos e ricos em multipercurso, com reduções de erro superiores a 30% nas salas mais desafiadoras e impacto irrisório em espaços abertos. A quantificação do "efeito de tamanho" e testes estatísticos adicionais reforçaram a robustez e a aplicabilidade prática do OPTIMAPS. De modo geral, o OPTIMAPS se mostra uma solução escalável, precisa e eficiente em consumo de energia, que elimina a necessidade de coleta de fingerprints e se posiciona como uma proposta altamente promissora para implantação em cenários de ambientes fechados reais, diversos e dinâmicos.