Введение

Современные навигационные системы обеспечивают определение местоположения и построение маршрутов на открытом пространстве, однако при перемещении пользователя внутрь здания возникает разрыв навигационного процесса. Спутниковые сигналы ослабляются строительными конструкциями и подвержены влиянию отражений и многопутевого распространения, вследствие чего GNSS/GPS не всегда обеспечивает необходимую точность в помещениях [1; 2].

Для внутренней навигации применяются Wi-Fi, Bluetooth, RFID, ультраширокополосные системы, компьютерное зрение и инерциальные методы. Одним из распространённых подходов является Wi-Fi fingerprinting: на этапе калибровки формируется радиокарта объекта, связывающая координаты с характеристиками принимаемых сигналов, а в рабочем режиме текущие измерения сопоставляются с эталонными данными [2; 3]. Преимущество такого подхода состоит в возможности использовать существующую беспроводную инфраструктуру без установки специализированных маяков.

В настоящей работе рассматривается задача не простой внутренней локализации, а обеспечения непрерывности навигации в смешанной среде «улица — помещение». Поэтому эффективность системы оценивается совокупностью показателей: точностью определения положения, временем перехода между режимами и стабильностью пользовательского сценария.

Цель исследования — разработать и испытать мобильное приложение бесшовной навигации, автоматически переключающееся между GPS-позиционированием на открытом пространстве и Wi-Fi-позиционированием внутри здания. Для достижения цели поставлены задачи: проанализировать ограничения GPS; исследовать принцип Wi-Fi-локализации; реализовать программную архитектуру; выполнить калибровку внутренней карты; провести полевые испытания и проанализировать полученные результаты.

1. Методология исследования

Исследуемая система рассматривается как гибридная система позиционирования, в которой разные источники координат используются в зависимости от условий среды. Такой подход соответствует направлению seamless positioning, где GNSS дополняется WLAN-сигналами для сохранения работоспособности локализации в переходных и закрытых зонах [1].

Положение пользователя на плоскости объекта обозначим P=(x,y). В наружном режиме используется оценка P_GPS, получаемая по спутниковым данным. Для внутреннего режима введём вектор характеристик Wi-Fi-сигналов R=(r₁,r₂,…,rₙ), где rᵢ — измеренный уровень сигнала от i-й точки доступа.

Рис. 1. Архитектура разработанной системы бесшовной навигации

Для формализации процесса внутреннего позиционирования используется представление радиокарты D={(Rᵢ,Pᵢ)}ᵢ₌₁ᴺ, где Rᵢ — набор измерений Wi-Fi в известной контрольной точке, Pᵢ — её координаты, N — количество контрольных точек. В рабочем режиме текущий вектор R сопоставляется с D, после чего определяется оценка положения P. Данная математическая модель описывает общий fingerprint-подход и не утверждает конкретный внутренний алгоритм FIND3, если он не был экспериментально исследован в проекте.

Для оценки качества системы использованы два основных показателя. Ошибка позиционирования определяется расстоянием между фактической координатой P_f=(x_f,y_f) и оценкой P_e=(x_e,y_e): e=√((x_e−x_f)²+(y_e−y_f)²). Для серии измерений средняя абсолютная ошибка может рассчитываться как MAE=(1/N)Σeᵢ. В данной работе исходные материалы фиксируют диапазон полученной точности 2–5 м, поэтому дополнительное среднее значение без исходных индивидуальных измерений не вводится.

Второй показатель — время переключения T_s, то есть интервал от возникновения условий перехода до появления корректного положения в новом режиме. Такой критерий позволяет оценивать именно бесшовность пользовательского процесса, а не только точность отдельных технологий.

2. Архитектура и практическая реализация

Архитектура приложения включает GPS-модуль, Wi-Fi-канал получения сигналов, систему FIND3, модуль выбора режима и пользовательский картографический интерфейс. В наружном режиме основным источником координат является GPS. При переходе в помещение приложение использует данные Wi-Fi и результаты внутренней локализации, отображая их на адаптированной карте объекта.

Логика работы может быть представлена как конечный автомат с двумя основными состояниями: S_out — наружная навигация и S_in — внутренняя навигация. Переход S_out→S_in происходит при снижении пригодности GPS и наличии условий для внутреннего позиционирования; обратный переход выполняется при восстановлении условий спутниковой навигации. Такое разделение позволяет сохранить единый пользовательский интерфейс при смене источника координат.

В качестве картографической основы использовано API Яндекс.Карт. Официальная документация MapKit предусматривает интеграцию карт в Android-приложения, работу с пользовательскими метками и маршрутизацией; SDK также поддерживает Java и Kotlin [4]. В проекте картографический слой использован для отображения положения пользователя, маршрутов и пользовательских объектов.

Для внутренней локализации была выполнена калибровка Wi-Fi-среды. В различных точках здания собирались характеристики доступных точек доступа, после чего формировалась база, связывающая радиосигналы с пространственными координатами. На рабочем этапе текущие Wi-Fi-данные передавались системе FIND3 через REST API, а возвращаемые координаты преобразовывались в положение на внутренней карте.

Рис. 2. Интерфейс FIND3 Scanner, использованный при калибровке Wi-Fi-позиционирования

Внутренняя карта образовательного центра «IT-CUBE» содержит помещения, коридоры и маршрутные элементы. Пользовательский интерфейс объединяет наружную карту и внутреннюю схему, позволяя искать объекты, строить маршрут и наблюдать текущее положение.

Рис. 3. Внутренняя карта исследуемого объекта с отображением помещений и маршрута

Рис. 4. Интерфейс разработанного мобильного приложения «Бесшовный навигатор»

3. Экспериментальное исследование

Полевое тестирование проводилось в образовательном центре «IT-CUBE» на базе ДДТ «Юность». Проверялись корректность наружного GPS-позиционирования, точность Wi-Fi-локализации, автоматическое переключение режимов, отображение маршрута и устойчивость интерфейса.

На открытом пространстве приложение корректно отображало положение пользователя и поддерживало навигационный сценарий. Внутри здания основным критерием была точность положения, определяемого по Wi-Fi. В исходном проекте зафиксирован диапазон 2–5 м. Этот результат следует интерпретировать как экспериментальную характеристику конкретного объекта и конкретной конфигурации Wi-Fi-инфраструктуры, а не как универсальную точность метода.

При переходе внутрь здания приложение автоматически переключало источник позиционирования и меняло представление карты с наружного на внутреннее. Зафиксированное время перехода составило не более 2 с. Тем самым проверялась не только работоспособность отдельных модулей, но и непрерывность пользовательского сценария.

В ходе испытаний были обнаружены зоны с повышенной погрешностью Wi-Fi-позиционирования. Для их коррекции выполнялась дополнительная калибровка FIND3. Также была скорректирована логика переключения при слабом GPS-сигнале. В ходе разработки устранялась ошибка загрузки пользовательской карты на Android 8.0. Таким образом, тестирование использовалось как итерационный этап оптимизации системы.

Качество Wi-Fi-позиционирования принципиально зависит от радиосреды: на RSSI влияют многолучевость, препятствия, интерференция и изменения конфигурации объекта [2; 3; 5]. Поэтому поддержание точности требует периодической проверки и, при необходимости, обновления радиокарты.

4. Анализ результатов и ограничения

Полученный диапазон 2–5 м находится в диапазоне, который встречается в исследованиях RSSI-fingerprinting для Wi-Fi-позиционирования, однако прямое сравнение должно проводиться осторожно из-за различий в зданиях, количестве точек доступа, плотности контрольных точек и методах оценки [2; 3]. В исследуемом объекте результат оказался достаточным для практического сценария ориентирования по помещениям.

Рис. 5. Пример существующего решения внутренней навигации Google Indoor Maps

Важным результатом является сочетание пространственной точности и времени перехода. Даже достаточно точное внутреннее позиционирование не обеспечивает бесшовность, если при входе в здание система длительно не определяет положение. Поэтому ограничение времени перехода значением не более 2 с является самостоятельным критерием качества разработанного прототипа.

Основным ограничением исследования является объём экспериментальной выборки. Исходные материалы фиксируют диапазон точности и время переключения, но не содержат полного набора индивидуальных измерений, распределения ошибок и доверительных интервалов. Поэтому в статье не вводятся искусственные средние или статистические показатели, которые нельзя воспроизвести по имеющимся данным.

Перспективным направлением является расширение алгоритма выбора режима до оценки доверия к нескольким источникам координат. В дальнейшем также возможно применение фильтрации RSSI, накопления временных последовательностей, инерциальных данных и адаптивного обновления радиокарты. Подобные методы рассматриваются в современной литературе как способы повышения устойчивости Wi-Fi-локализации [1; 5; 6].

Заключение

В результате исследования разработан прототип мобильной системы бесшовной навигации, объединяющий GPS-позиционирование на открытом пространстве и Wi-Fi-позиционирование внутри здания.

Основные результаты работы следующие:

1. Сформирована архитектура гибридной навигации, в которой источник координат изменяется автоматически в зависимости от условий позиционирования.
2. Для внутреннего режима реализован подход, основанный на калибровке Wi-Fi-среды и сопоставлении текущих сигналов с пространственной моделью объекта.
3. В приложение интегрирована картографическая основа Яндекс.Карт, а внутренняя карта исследуемого здания адаптирована для отображения помещений и маршрутов.
4. В условиях образовательного центра «IT-CUBE» получена точность Wi-Fi-позиционирования 2–5 м.
5. Время автоматического перехода от наружного к внутреннему режиму составило не более 2 с.

6. В ходе тестирования выявлены и устранены ошибки, связанные с локализацией, переключением режимов и совместимостью программной части.

Практическая значимость работы заключается в возможности использования разработанного подхода в образовательных учреждениях и других объектах со сложной внутренней планировкой. Научно-техническое развитие системы должно быть направлено на увеличение экспериментальной выборки, количественную оценку распределения ошибок, устойчивость к изменениям радиосреды и более тесное объединение GPS, Wi-Fi и инерциальных данных.

Таблица 1

Результаты экспериментального тестирования

Таблица 2

Сравнение подходов к позиционированию

Литература:

1. Richter P., Obst M., Lienhart M. Ubiquitous and Seamless Localization: Fusing GNSS Pseudoranges and WLAN Signal Strengths // Mobile Information Systems. 2017. DOI: 10.1155/2017/8260746.
2. Sadhukhan D., Saha S., Banerjee S. et al. Indoor positioning and wayfinding systems: a survey // Human-centric Computing and Information Sciences. 2020. Vol. 10.
3. Obeidat H., Shuaieb W., Obeidat O., Abd-Alhameed R. A Review of Indoor Localization Techniques and Wireless Technologies // Wireless Personal Communications. 2021. Vol. 119. P. 289–327.
4. Yandex. MapKit Mobile SDK: документация для Android [Электронный ресурс]. URL: https://yandex.com/maps-api/docs/mapkit/android/generated/getting_started.html
5. Pei L., Liu J., Chen Y. et al. Evaluation of fingerprinting-based WiFi indoor localization coexisted with Bluetooth // Journal of Global Positioning Systems. 2017. Vol. 15. Article 3.
6. Ying J., Pahlavan K. Precision of RSS-Based Localization in the IoT // International Journal of Wireless Information Networks. 2019. Vol. 26. P. 10–23.