Está en la página 1de 5

Plantilla del Estado del Arte

Author (s): Han Zou, Hao Jiang, Yiwen Luo, Jianjie Zhu, Xiaoxuan Lu and Lihua Xie
Títle of paper: BlueDetect: An iBeacon-Enabled Scheme for Accurate and Energy-Efficient Indoor-
Outdoor Detection and Seamless Location-Based Service
Journal: Sensors
Volume (issue): 16
pag – pag (year): 268 (2016)

Problema que el autor desea resolver

Los dispositivos móviles emergentes, que están equipados con varios sensores, se convierten en
una plataforma factible y flexible para realizar la detección en interiores y exteriores (IO). Sin
embargo, los sensores que consumen mucha energía, como GPS y WiFi, deben usarse con
precaución debido al almacenamiento limitado de la batería en el dispositivo móvil. Los autores
proponen BlueDetect, una respuesta precisa, rápida y un esquema de eficiencia energética para la
detección de IO y el funcionamiento continuo de LBS en el dispositivo móvil basado en la emergente
tecnología iBeacon de baja potencia.
Importancia del problema

Este sistema abre las puertas a una serie de aplicaciones que pueden implementarse en torno al
uso de LBS que no solo requieran de localización de usuarios en espacios exteriores, sino también
permitan la ubicación en espacios como edificios, casas, tiendas comerciales, etc., todo ello podría
significar el surgimiento de aplicativos de localización precisa integrados con las redes sociales,
aplicativos para deportistas, aplicativos para seguridad ciudadana, entre otros.

Estado del arte que hace el autor

La estimación de la ubicación se puede clasificar en localización externa e interior. Los sistemas


mundiales de navegación por satélite (GNSS) [3], como GPS, BeiDou y GLONASS, pueden
proporcionar LBS exteriores confiables para los usuarios. Sin embargo, el escaneo continuo de
satélites consume una gran cantidad de batería de los dispositivos móviles. Algunas investigaciones
apuntan a utilizar GSM como un complemento de GNSS para mejorar la precisión de localización y
reducir el consumo de energía para LBS al aire libre [27]. En las últimas dos décadas, se han
dedicado grandes esfuerzos al desarrollo de IPS [4,28,29]. Se han explotado y aprovechado una
variedad de tecnologías de detección para proporcionar LBS en interiores. El trabajo en [30] emplea
infrarrojos para realizar la localización en interiores. Aunque es capaz de lograr una precisión de
localización de alrededor de 1 m, el alto costo de la infraestructura de medición del tiempo de vuelo
lo hace inaccesible para aplicaciones comerciales a gran escala. También se han propuesto IPS
que adoptan ultrasonido, como Cricket [31] y Active Bat [32]. El trabajo en [15] aprovecha las señales
acústicas agudas emitidas desde dispositivos móviles comerciales para realizar un seguimiento en
interiores. Para los IPS basados en acústica, los receptores generalmente deben colocarse en el
techo o en las paredes para detectar la señal. RFID [6,7] y banda ultraancha (UWB) [33] Los IPS
utilizan señales de RF para realizar la localización en interiores. La precisión de localización de estos
sistemas puede alcanzar alrededor de 1 m. Sin embargo, todos requieren que el usuario cargue un
dispositivo adicional (una etiqueta o un receptor) para realizar el posicionamiento en el interior. Con
las infraestructuras de red generalizadas en la mayoría de los edificios comerciales y residenciales,
así como la disponibilidad del módulo WiFi en casi todos los dispositivos móviles comerciales, WiFi
se ha adoptado en muchos IPS como una alternativa primaria al GPS para LBS interior [8-12] PDR
[18] utiliza otros sensores a bordo, incluidos el acelerómetro, el giroscopio y el magnetómetro, para
realizar un seguimiento en interiores. Sin embargo, el escaneo continuo WiFi y la detección de la
unidad de medida inercial (IMU) aún consumen una cantidad considerable de batería, lo que no es
práctico para el uso a largo plazo.
Descripción del aporte del autor

Así como las técnicas de localización empleadas por BlueDetect en estos tres entornos. Para
entornos exteriores puros, solo el módulo GPS se encenderá cuando los usuarios consulten su
información de ubicación. Cuando se trata de exterior a semi-exterior, la disminución de las señales
medias de GPS se utiliza como un disparador para activar Bluetooth. Una vez que se confirma el
estado semi-exterior, el GPS se apaga para ahorrar energía, y luego, el modo iBeacon de BlueDetect
proporcionará servicio de localización en entornos semi-exteriores. Solo se requieren algunas de las
balizas BLE para facilitar la detección de contexto y LBS en esta área.
En la transición de semi-aire libre a aire libre, se detectarán las señales de las balizas BLE
desplegadas en el límite de los entornos semi-exteriores. El GPS se encenderá y Bluetooth se
desconectará para ahorrar energía cuando los dispositivos móviles de los usuarios no puedan
detectar ninguna señal de baliza. Las transiciones entre semi-exterior e interior se logran de manera
sencilla y sencilla al implementar dos balizas BLE a los dos lados de cada entrada de los ambientes
interiores como puntos de referencia. Se puede deducir si el usuario entra o sale de un entorno
interior comparando los RSS de las dos balizas.

Principal resultado (solo si hay validación)


Se logró desarrollar el aplicativo BlueDetect como un esquema preciso, de respuesta rápida y
eficiente en cuanto a la energía para la detección de IO y el funcionamiento continuo de LBS en el
dispositivo móvil basado en la emergente tecnología iBeacon de baja potencia. Al aprovechar las
balizas BLE portátiles y el módulo Bluetooth en dispositivos móviles, BlueDetect proporciona
resultados de detección IO precisos para activar / desactivar los sensores integrados (como WiFi y
GPS) de forma inteligente, mejorar sus prestaciones y reducir el consumo de energía de los
dispositivos móviles simultáneamente. Además, BlueDetect puede realizar un LBS sin fisuras, como
el servicio de posicionamiento y navegación, especialmente en entornos semi-exteriores, que no se
pueden lograr con GPS o IPS fácilmente. Realizamos un prototipo de BlueDetect en múltiples
dispositivos móviles Android y analizamos su rendimiento de manera exhaustiva. Proporciona mayor
precisión de detección de E / S, mayor precisión de localización en entornos semi-exteriores y
consume menos batería que los esquemas existentes. Es una solución factible para la detección de
IO y puede extenderse para otros servicios, como geo-cercado e identificación de piso, en el futuro.
Colocar las referencias bibliográficas referenciadas en este informe
1. Keally, M.; Zhou, G.; Xing, G.; Wu, J.; Pyles, A. Pbn: Towards practical activity recognition using
smartphone-based body sensor networks. In Proceedings of the 9th ACM Conference on Embedded
Networked Sensor Systems, Seattle, WA, USA, 1–4 November 2011; pp. 246–259.
2. Balaji, B.; Xu, J.; Nwokafor, A.; Gupta, R.; Agarwal, Y. Sentinel: Occupancy based HVAC actuation
using existing WiFi infrastructure within commercial buildings. In Proceedings of the 11th ACM Conference
on Embedded Networked Sensor Systems, Roma, Italy, 11–13 November 2013.
3. Buchli, B.; Sutton, F.; Beutel, J. GPS-equipped wireless sensor network node for high-accuracy
positioning applications. In Wireless Sensor Networks; Springer: Berlin Heidelberg, Germany, 2012; pp.
179–195.
4. Gu, Y.; Lo, A.; Niemegeers, I. A survey of indoor positioning systems for wireless personal networks.
IEEE Commun. Surveys Tutor. 2009, 11, 13–32.
5. Deak, G.; Curran, K.; Condell, J. A survey of active and passive indoor localisation systems. Comput.
Commun. 2012, 35, 1939–1954.
6. Ni, L.M.; Liu, Y.; Lau, Y.C.; Patil, A.P. LANDMARC: Indoor location sensing using active RFID. Wirel.
Netw. 2004, 10, 701–710.
7. Zou, H.; Xie, L.; Jia, Q.S.; Wang, H. Platform and algorithm development for a rfid-based indoor
positioning system. Unmanned Syst. 2014, 2, 279–291.
8. Bahl, P.; Padmanabhan, V.N. RADAR: An in-building RF-based user location and tracking system. In
Proceedings of the Nineteenth Annual Joint Conference of the IEEE Computer and Communications
Societies, Tel Aviv, Israel, 26–30 March 2000; Volume 2, pp. 775–784.
9. Wang, H.; Sen, S.; Elgohary, A.; Farid, M.; Youssef, M.; Choudhury, R.R. No need to war-drive:
Unsupervised indoor localization. In Proceedings of the 10th International Conference on Mobile Systems,
Applications, and Services, Low Wood Bay, Lake District, UK, 25–29 June 2012; pp. 197–210.
10. Rai, A.; Chintalapudi, K.K.; Padmanabhan, V.N.; Sen, R. Zee: Zero-effort crowdsourcing for indoor
localization. In Proceedings of the 18th Annual International Conference on Mobile Computing and
Networking, Istanbul, Turkey, 22–26 August 2012; pp. 293–304.
11. Zou, H.; Huang, B.; Lu, X.; Jiang, H.; Xie, L. A Robust Indoor Positioning System Based on the
Procrustes Analysis and Weighted Extreme Learning Machine. IEEE Trans. Wireless Commun. 2016, 15,
1252–1266.
12. Youssef, M.; Agrawala, A. The Horus WLAN location determination system. In Proceedings of the 3rd
International Conference on Mobile Systems, Applications, and Services, Seattle, WA, USA, 6–8 June 2005;
pp. 205–218.
13. Jia, R.; Jin, M.; Chen, Z.; Spanos, C.J. SoundLoc: Accurate room-level indoor localization using acoustic
signatures. In Proceedings of the 2015 IEEE International Conference on Automation Science and
Engineering (CASE), Gothenburg, Sweden, 24–28 August 2015; pp. 186–193.
14. Mandal, A.; Lopes, C.V.; Givargis, T.; Haghighat, A.; Jurdak, R.; Baldi, P. Beep: 3D indoor positioning
using audible sound. In Proceedings of the IEEE 2nd Consumer Communications and Networking
Conference, Las Vegas, NV, USA, 3–6 January 2005; pp. 348–353.
15. Ens, A.; Höflinger, F.; Wendeberg, J.; Hoppe, J.; Zhang, R.; Bannoura, A.; Reindl, L.M.; Schindelhauer,
C. Acoustic self-calibrating system for indoor smart phone tracking. Int. J. Navig. Observ. 2015, 2015, 1–9.
16. Haverinen, J.; Kemppainen, A. Global indoor self-localization based on the ambient magnetic field.
Robot. Auton. Syst. 2009, 57, 1028–1035.
17. Zhang, C.; Subbu, K.P.; Luo, J.; Wu, J. GROPING: Geomagnetism and cROwdsensing Powered Indoor
NaviGation. IEEE Trans. Mob. Comput. 2015, 14, 387–400.
18. Harle, R. A survey of indoor inertial positioning systems for pedestrians. IEEE Commun. Surveys Tutor.
2013, 15, 1281–1293.
19. Conte, G.; De Marchi, M.; Nacci, A.A.; Rana, V.; Sciuto, D. BlueSentinel: A first approach using
iBeacon for an energy efficient occupancy detection system. In Proceedings of the 1st ACM International
Conference on Embedded Systems For Energy-Efficient Buildings (BuildSys), Memphis, TN, USA, 3–6
November 2014.
20. Chintalapudi, K.; Padmanabha Iyer, A.; Padmanabhan, V.N. Indoor localization without the pain. In
Proceedings of the Sixteenth Annual International Conference on Mobile Computing and Networking,
Chicago, IL, USA, 20–24 September 2010; pp. 173–184.
21. Zhou, P.; Zheng, Y.; Li, Z.; Li, M.; Shen, G. Iodetector: A generic service for indoor outdoor detection.
In Proceedings of the 10th ACM Conference on Embedded Network Sensor Systems, Toronto, ON, USA, 6–
9 November 2012; pp. 113–126.
22. iBeacon for Developers. Available online: https://developer.apple.com/ibeacon/ (accessed on 22 October
2015).
23. Zou, H. Seamless Indoor Outdoor Navigation. Available online: https://www.youtube.com/watch?v=
HPOtwv15sHs (accessed on 22 October 2015).
24. Ravindranath, L.; Newport, C.; Balakrishnan, H.; Madden, S. Improving wireless network performance
using sensor hints. In Proceedings of the 8th USENIX Conference on Networked Systems Design and
Implementation, San Jose, CA, USA, 15 February 2011.
25. Thiagarajan, A.; Ravindranath, L.; LaCurts, K.; Madden, S.; Balakrishnan, H.; Toledo, S.; Eriksson, J.
VTrack: Accurate, energy-aware road traffic delay estimation using mobile phones. In Proceedings of the 7th
ACM Conference on Embedded Networked Sensor Systems, Berkeley, CA, USA, 4–6 November 2009; pp.
85–98.
26. Radu, V.; Katsikouli, P.; Sarkar, R.; Marina, M.K. A semi-supervised learning approach for robust
indoor-outdoor detection with smartphones. In Proceedings of the 12th ACM Conference on Embedded
Network Sensor Systems, Memphis, TN, USA, 3–6 November 2014; pp. 280–294.
27. Otsason, V.; Varshavsky, A.; LaMarca, A.; De Lara, E. Accurate GSM indoor localization. In UbiComp
2005: Ubiquitous Computing; Springer: Berlin Heidelberg, Germany, 2005; pp. 141–158.
28. Liu, H.; Darabi, H.; Banerjee, P.; Liu, J. Survey of wireless indoor positioning techniques and systems.
IEEE Trans. Syst. Man Cybern. Part C: Appl. Rev. 2007, 37, 1067–1080.
29. Lymberopoulos, D.; Liu, J.; Yang, X.; Choudhury, R.R.; Handziski, V.; Sen, S. A realistic evaluation and
comparison of indoor location technologies: Experiences and lessons learned. In Proceedings of the 14th
International Conference on Information Processing in Sensor Networks, Vienna, Austria, 11–14 April 2015;
pp. 178–189.
30. Want, R.; Hopper, A.; Falcao, V.; Gibbons, J. The active badge location system. ACM Trans. Inf. Syst.
1992, 10, 91–102.
31. Priyantha, N.B.; Chakraborty, A.; Balakrishnan, H. The cricket location-support system. In Proceedings
of the 6th Annual International Conference on Mobile Computing and Networking, Rome, Italy, 16–21 July
2000; pp. 32–43.
32. Addlesee, M.; Curwen, R.; Hodges, S.; Newman, J.; Steggles, P.; Ward, A.; Hopper, A. Implementing a
sentient computing system. Computer 2001, 34, 50–56.
33. Nguyen, T.V.; Jeong, Y.; Shin, H.; Win, M.Z. Machine learning for wideband localization. IEEE J. Sel.
Areas Commun. 2015, doi:10.1109/JSAC.2015.2430191.
34. Heydon, R. Bluetooth Low Energy: The Developer’s Handbook; Prentice Hall: Upper Saddle River, NJ,
USA, 2012.
35. Zou, H.; Lu, X.; Jiang, H.; Xie, L. A fast and precise indoor localization algorithm based on an online
sequential extreme learning machine. Sensors 2015, 15, 1804–1824.
36. Aislelabs. The Hitchhikers Guide to iBeacon Hardware: A Comprehensive Report by Aislelabs (2015).
Available online: http://www.aislelabs.com/reports/beacon-guide/ (accessed on 22 October 2015).
37. Estimote. Available online: https://estimote.com (accessed on 22 October 2015).