Está en la página 1de 5

Actas de Ingeniería

Vol. 1, pp. 79-83, 2015

http://fundacioniai.org/actas

Developing a mobile app for indoor location through analysis of WiFi radiation

Desarrollo de una aplicación móvil para la localización en espacios interiores por medio de
análisis de radiación de redes WiFi

Carlos Gómez R.
carlos.gomezr(AT)uniagustiniana.edu.co
Fundación Universitaria Agustiniana – Colombia
Artículo de investigación

ABSTRACT
This paper presents the development of a first prototype of a mobile app, based on research on locating devices in WiFi networks that
is also being developed. It starts from the conclusions of a previous research where based on the study of the nature of the errors in the
indoors radiation of WiFi signal and its effect on the location of WiFi devices, a mitigation of error in the location of WiFi devices is
proposed. It has been designed a prototype of software that lets you use a smartphone for the entire calibration step, statistical analysis
and user location.
Keywords: Mobile app, location, WiFi.
RESUMEN
Este artículo presenta el desarrollo de un primer prototipo de aplicación móvil, basado en la investigación sobre localización de
dispositivos en redes WiFi que también se está desarrollado. Se parte de las conclusiones de un trabajo de investigación previo
donde basado en el estudio de la naturaleza de los errores en la radiación de señales WiFi en interiores y su afectación en la
localización de dispositivos WiFi, se propone una metodología de mitigación del error en la localización de dispositivos WiFi. Se ha
diseñado un prototipo de software que permite usar un Smartphone para toda la etapa de calibración, análisis estadístico y
localización de usuarios.
Palabras clave: Aplicativo móvil, localización, WiFi.
© 2015. IAI All rights reserved

1 Introducción localización: 1) el ángulo en que llega la señal (direction


of arrival, DOA), para estimar la localización relativa de
Actualmente existe una amplia oferta de servicios
un dispositivo respecto de otro; 2) el instante en que llega
tecnológicos brindados de forma geolocalizada, es decir,
la señal (time of arrival, TOA), con la que se puede estimar
personalizados de acuerdo con la ubicación geográfica
el tiempo que toma la señal para propagarse y así estimar
del usuario (continente, país, ciudad y calle). Sin
la distancia que separa un dispositivo de otro; y 3) la
embargo, hasta el momento estos servicios se prestan a
potencia con la que la señal se recibe (received signal
grandes escalas donde la resolución de la ubicación
strength indication, RSSI), que también sirve para estimar
puede ser un barrio completo o varias calles. La base
la distancia que separa los dispositivos[1].
tecnológica de estos servicios es la localización basada en
tecnologías aplicables a escala mundial y de uso en DOA y TOA en comparación con RSSI, presentan
espacios exteriores, como es el caso del Sistema de características de desempeño sensibles a la
Posicionamiento Global GPS. Todavía no existe una disponibilidad de la línea de vista (line of sight, LOS), por
alternativa estandarizada y de fácil acceso para obtener lo que las técnicas de localización basadas en ellas en
la localización de dispositivos en interiores, que además escenarios sin línea de vista (non line of sight, NLOS)
ofrezca mayor precisión que los GPS comerciales, tal están sujetos a errores considerables. El desempeño de
como se requiere en la localización capaz de ubicar RSSI se altera medianamente por la falta de LOS. Los
usuarios en pisos, salas y cuadrantes específicos. Por eso escenarios NLOS pueden generar efectos inesperados en
es necesario diseñar una solución que aproveche las relación con la función potencia-distancia, que pueden
redes WiFi masivamente desplegadas en entornos ser reducidos aplicando técnicas de filtrado a las
urbanos, y que no dependa del desarrollo de nuevas mediciones. Por eso es que muchas de las técnicas de
redes o de la instalación de nuevos dispositivos, como identificación, mitigación y localización en escenarios
una alternativa sustentable y de fácil implementación. NLOS se diseñan con base en la variable RSSI [2].
Con la popularización de los dispositivos móviles se Otro de los problemas de la localización basada en
han realizado trabajos para crear formas de localización el tiempo o ángulo de llegada (TOA y DOA), es la
de dispositivos en interiores. Se han estudiado las necesidad de instalar hardware adicional y especializado
variables que contienen información relativa a esta sobre la red WiFi existente, así como la necesidad de un

79
sistema especial de sincronismo. Para el caso de la de la potencia de señal RSSI, proceso llamado
localización por DOA se requieren arreglos especiales de fingerprinting. Los access points de las redes WiFi y las
antenas directivas de alto costo. Todo esto, sumado a la fuentes de información relativa a la localización,
necesidad de un escenario de línea de vista para el uso de originadores de las señales WiFi y por ser los
TOA y DOA, las hace inviables para ubicar dispositivos transmisores que permiten medir el RSSI, facilitan su
móviles en ambientes interiores [3]. análisis abierto y eliminan la necesidad de costos de
El enfoque de este trabajo se basa en la premisa de infraestructura adicional [6].
usar las posibilidades de las tecnologías ampliamente El primer trabajo relacionado con esta técnica fue el
usadas, tales como los teléfonos inteligentes y las tabletas proyecto RADAR [7], y en [8] se propone una
con interfaces WiFi, y las redes WiFi desplegadas metodología para detectar y reducir la distancia de error
masivamente en los entornos urbanos aunque no se hasta un promedio cercano a 1 metro lineal, que se basa
posea control y administración sobre ellas. Se hace en las dos etapas de la metodología fingerprinting, es
especial énfasis en la implementación de una decir, levantar la información de radiación de WiFi en un
metodología estudiada, sobre una plataforma móvil de espacio de interiores por medio de colectar los datos de
un teléfono inteligente, para centrar allí todas las potencia de cada una de las radiaciones incidentes en el
funciones de captura de datos, análisis estadístico y espacio, y realizar un análisis estadístico centrado en la
localización de usuarios. caracterización de las señales presentes y en la detección
de muestras atípicas características de los ambientes con
2 Medición de radiación WiFi para localización de fenómenos fortuitos, como las redes WiFi. De esta
dispositivos manera se construyen mapas que caracterizan las huellas
El estudio del estado del arte acerca de la de radiación de cada red WiFi. Luego se realiza la etapa
localización de dispositivos por redes WiFi permitió de localización en la que con las huellas de radiación se
identificar los retos que esto implica y algunas de las hace la comparación en distancia euclidiana de una
metodologías planteadas para afrontarlos. Los muestra aleatoria, para determinar la mayor
ambientes interiores se caracterizan porque las ondas de probabilidad de localización de un dispositivo WiFi [8].
radiofrecuencia se propagan por múltiples caminos, Estos filtros logran reducir la distancia de error que
debido a los fenómenos físicos asociados y a la tecnología presentan métodos similares.
WiFi, tales como difracción, absorción y reflexión de
ondas electromagnéticas, disposición y cantidad de 3 Desarrollo del aplicativo móvil
antenas en los equipos activos, etc. Estos ambientes Tomando como base lo propuesto en [8], se fija un
también tienen obstáculos para la comunicación directa espacio en interiores como lugar de pruebas del
entre equipos, constituyendo escenarios NLOS [5]. Estas aplicativo móvil a desarrollar. El ambiente de la Figura 1
condiciones, difíciles de controlar y ajenas al diseño corresponde a un entorno urbano de contexto
tecnológico, constituyen escenarios de incertidumbre y residencial, con alta presencia de redes WiFi hogareñas,
comportamientos aleatorios, donde los esfuerzos no una gran cantidad de obstáculos para la radiación de las
están orientados a modelar la radiación de WiFi en señales WiFi y elementos como hornos microondas,
interiores, sino en medirla y analizar su comportamiento. teléfonos inalámbricos y dispositivos bluetooth.
Muchas de las técnicas de identificación, mitigación y
localización en escenarios NLOS han sido diseñadas
basándose en la variable RSSI [2].
Por otro lado, los cambios en las condiciones
atmosféricas como la temperatura también puede afectar
la propagación de las ondas de radio y su
correspondiente potencia con la que se recibe la señal
RSSI. Además, la frecuencia de 2.4GHz que ha sido
ampliamente usada para el desarrollo de redes WiFi, es
la misma de la resonancia del agua, y debido a esto las
personas absorben ondas electromagnéticas en esta
banda [4]. Esto implica que factores como su presencia
aumentan la incertidumbre en las posibles predicciones Figura 1: Plano de espacio estudiado y ubicación de los
de radiación en interiores y se convierten en una fuente puntos de medición aplicados
de errores. El prototipo de aplicación se basó en el sistema
Debido a la compleja naturaleza y el operativo de dispositivos móvil Android, debido a su
comportamiento de la propagación de ondas de flexibilidad y porque se encuentra en la mayoría de los
radiofrecuencia en espacios interiores, su difícil dispositivos móviles inteligentes. El aplicativo Lazarillo
predicción y su comportamiento inestable, no es posible WiFi 1.0 permite importar el mapa arquitectónico del
confiar que el nivel de potencia RSSI corresponda lugar donde se implementará la metodología de
directamente con la distancia de separación entre los calibración fingerprinting [8]. Con la importación del
dispositivos WiFi, condición necesaria para aplicar plano, en formato de imagen, se especifican sus
técnicas de localización como la triangulación. Por eso es dimensiones en metros, como se muestra en la Figura 2.
que la técnica más usada en espacios internos para la A partir del plano importado y la información de sus
localización es la que se basa en el estudio de la recepción dimensiones, se aplica un algoritmo para calcular la
80
cantidad de cuadrantes de 1m2 existentes en la datos. El aplicativo Lazarillo realiza escaneo de las redes
superficie, y posteriormente se implementa la WiFi durante 20 segundos, en los toma 10 muestras de
segmentación de cada uno por medio de una grilla sobre las redes WiFi, es decir, una muestra cada 2 segundos.
el plano, creando así cuadrantes como se muestra en la Esta información se almacena en una base de datos local.
Figura 3. Esta segmentación permite recopilar de forma Las mediciones hechas se realizaron colocando el
ordenada y exacta la información de potencias RSSI por teléfono en posición horizontal, siempre con la misma
cada metro cuadrado. orientación y sobre una superficie de plástico de 1.2
metros de altura, desplazable por todos los espacios del
lugar a calibrar. Luego es posible aplicar rutinas de
análisis y un filtro estadístico operado por el propio
dispositivo móvil.
La metodología propuesta en [8] se aplicó para
construir el mapa RSSI y la localización de muestras de
usuario en ubicaciones diferentes dentro del espacio. En
la mayoría de los puntos coinciden varias redes que
solamente son visibles pocas veces de entre todas las
posibles, es decir, tienen un porcentaje de aparición bajo.
Estas redes son distantes, por lo que se perciben con baja
potencia y comportamiento inestable. Por otro lado, las
redes con porcentaje de aparición alto corresponden a
redes WiFi relativamente estables, cuya potencia de
recepción presentan un escenario confiable de medición.
Figura 2: Interfaz de Lazarillo WiFi version 1.0 Así se implementó el primer criterio de filtrado que se
muestra en la Figura 5a, en la que se omiten todas las
redes cuyo porcentaje de aparición es menor o igual al
60%. Con este primer criterio de filtrado se evita el uso
en la etapa de calibración y en la etapa de localización de
señales WiFi altamente inestables y poco confiables [8].
Luego se realizó un segundo filtro estadístico para
detectar las medidas atípicas en las redes que superan el
primer filtro. Se realizó análisis de boxplot a cada una de
alto porcentaje de aparición en todos los puntos de
medición de la calibración, lo que muestra que las redes
analizadas son susceptibles a tener mediciones atípicas,
fruto de variables no controladas. Sin embargo, si se
Figura 3: Aplicación de grilla al plano arquitectónico omiten esos valores atípicos se obtienen muestras de
amplia información que permiten caracterizar cada nodo
La interfaz permite que al pulsar cada una de los de medición. El análisis de boxplot también permite
cuadrantes de la grilla el dispositivo móvil capture la entender la simetría de las muestras y la dispersión de
información de todas las redes WiFi incidentes en ese ellas [8], situación que se muestra en la Figura 5b.
espacio. Aquí se presta atención a la potencia RSSI y a la
dirección MAC del access point que la radia, además de Para construir el vector de mediciones RSSI que
permitir que se introduzca un texto descriptivo de esa contiene el valor característico de cada radiación WiFi en
ubicación. Al mismo tiempo se implementa un algoritmo un cuadrante específico se aplica el filtro de Kalman, una
para indexar las muestras y calcular las coordenadas X,Y herramienta para reducir el ruido en las mediciones y
del centro de la cuadrícula, como se ve en la Figura 4. predecir una medición estable. Para un modelo estático,
como en el caso de una medición individual de la
potencias RSSI de una AP en un cuadrante, el filtro es
esencialmente un conjunto de ecuaciones que
implementa un estimador del tipo predictor–corrector,
que es óptimo para minimizar la covarianza del error [9].
Luego de la calibración se diseña la etapa de
localización del dispositivo final y según la metodología
fingerprinting implementada. En el evento en que un
dispositivo se quiera localizar dentro del espacio
estudiado, se debe realizar la medición de las potencias
RSSI y la captura de las direcciones MAC de las redes
presentes en esa ubicación, y luego aplicar los filtros
Figura 4: Interfaz del aplicativo móvil en la etapa de estadísticos para tener un vector de potencias RSSI del
calibración de fingerprinting punto exacto. Con la información del mapa de potencias
En la Figura 3 también se observa que los y el vector de potencias del equipo a localizar, se calculan
cuadrantes calibrados son deshabilitados y marcados las múltiples posibles distancias euclidianas en el
con color rojo, lo cual evita la duplicidad errónea de dispositivo móvil, buscando las de mayor coincidencia.

81
(a) (b)
Figura 5: (a) Definición de redes de bajo y alto porcentaje de aparición según histograma; (b) Ejemplo de análisis de boxplot para
una red WiFi
Se implementó un algoritmo que toma las 3 una experiencia en la cual se ubica al usuario en el
relaciones más coincidentes y calcula la triangulación de cuadrante exacto o en el del lado.
posiciones para hallar las posibles coordinadas X,Y, y por
lo tanto del cuadrante de m2 donde es más probable que 4 Futuros trabajos
se encuentre el dispositivo. Para calcular la distancia de
El método propuesto permite la reducción del error
error se implementa en el dispositivo un algoritmo que
de distancia en la ubicación y está diseñado para
usa el cálculo de la distancia euclidiana entre la posición
mediciones estáticas en las que el dispositivo a localizar
calculada y la posición real:
no está en movimiento. Por lo tanto esta metodología se
debe acondicionar para rastrear la localización de un
(1)
dispositivo de movimiento a través del espacio. También
Donde Xp y Yp indican las coordenadas calculadas del se incluirán mediciones adicionales de variables como la
dispositivo, y Xk y Yk las coordenadas reales de la presencia de deformaciones del campo magnético de la
ubicación del mismo. La precisión en la medición es la Tierra en el interior de edificios.
diferencia entre la posición calculada y la real.
Se están realizando estudios de las técnicas de
(2) desarrollo de aplicaciones para uso por parte de
personas con discapacidad visual, donde es necesario
entender las lógicas de uso de las pantallas táctiles por
Para presentar el resultado de localización en el parte de estas poblaciones, para adecuar la aplicación a
dispositivo se implementó un algoritmo que ubica la sus necesidades y realizar realimentación al usuario de
coordenada X,Y en el cuadrante de metro cuadrado forma audible.
correspondiente y le informa al usuario el nombre de la
ubicación, como se muestra en la Figura 6. También se desea realizar una versión con una
topología de servicio en la nube, donde los cálculos sean
realizados por un servidor externo y se puedan
centralizar muchas zonas calibradas.
Se proyectan futuros trabajos de investigación
asociados a la predicción de desplazamientos y
movimientos, sugerencias de rutas a destinos y atención
a otros tipos de discapacidad.
En cuanto a las aplicaciones finales se trabajará en
soluciones para la ubicación y rastreo de mineros bajo la
Figura 6: Presentación de información en el dispositivo móvil
tierra, la rápida localización de médicos especialistas en
Tomando como elemento de prueba un teléfono grandes hospitales, muestras didácticas e interactivas
inteligente dotado con sistema operativo Android 4.4 e que dependan de la ubicación del usuario en museos y
interfaz WiFi de 2.4 GHz, se realizaron pruebas de centros lúdicos.
calibración y cálculo de localización en el espacio cerrado
de la Figura 1. La Tabla 1 presenta el resumen de los 5 Conclusiones
resultados.
Por medio del análisis de las huellas de radiación de
Tabla 1: Resultados de las pruebas los diversos access points es posible implementar una
solución tecnológica, que aproveche las redes WiFi
existentes para inferir datos relativos a la localización de
un dispositivo en interiores. Asimismo también se puede
realizar una implementación totalmente centrada en el
uso de la interfaz WiFi de un dispositivo móvil
convencional, y usar las capacidades de procesamiento
De la Tabla 1 se deduce que la metodología del mismo para realizar los cálculos pertinentes.
propuesta tiene una exactitud en la localización,
representada por la distancia de error, de entre 0.2m y Se tomó la metodología de localización de
1.87m, y en promedio este error está por debajo de 1m. dispositivos móviles por redes WiFi propuesta en [8] y se
Dada la configuración por cuadrantes de 1 m2 se obtiene consiguió desarrollar una solución software que facilita
82
las labores de localización por medio de la metodología International Conference on Innovations in Information
fingerprinting. El proceso de filtrado de los datos de Technology, pp. 185-190. Abu Dhabi, Emiratos Árabes
potencia de RSSI con bajo porcentaje de aparición, el Unidos.
[2] Zekavat, R. & Buehrer, M. (2011). Handbook of position
filtro de muestras atípicas por boxplot y la aplicación del
location. Hoboken: John Wiley & Sons, Inc.
filtro de Kalman, permiten la estabilización de las [3] Atia, M.; Korenberg, M. & Noureldin, A. (2012). Particle-
muestras y una mejor caracterización del espacio filter-based WiFi-aided reduced inertial sensors
mapeado. navigation system for indoor and GPS-denied
environments. International Journal of Navigation and
Se obtiene un error en la distancia de localización de
Observation 2012, pp. 1–12.
aproximadamente 1 metro, lo cual permite establecer [4] Ladd, A. et al. (2002). Robotics-based location sensing
con precisión la localización de un dispositivo dentro de using wireless Ethernet. Proceedings 8th Annual
un entorno. Se demuestra que es factible implementar International Conference on Mobile Computing and
una metodología que proporcione información de Networking, pp. 227-238. Atlanta, USA.
localización como base para el desarrollo de aplicaciones [5] Kaemarungsi, K. & Krishnamurthy, P. (2004). Properties
sociales para muchas necesidades insatisfechas. of indoor received signal strength for WLAN location
fingerprinting. Proceedings First Annual International
El motor de base de datos que utiliza Android esta Conference on Mobile and Ubiquitous Systems:
optimizado para utilizar pocos recursos, sin embargo, en Networking and Services, pp 14-23. Boston, USA.
algunas pruebas de campo se mostraban cuadrantes [6] Lee, J. et al. (2013). Analysis of location estimation
donde incidían hasta 70 redes WiFi. Si en promedio cada algorithms for Wifi fingerprint-based indoor localization.
una se escanea 7 veces, se tendrán 490 registros por cada International Journal of Distributed Sensor Networks
cuadrante del plano. Para estos casos se almacena gran 2015, pp. 1-11.
[7] Bahl, P. & Padmanabhan, V. (2000). RADAR: an in-building
cantidad de datos a procesar y el dispositivo móvil
RF-based user location and tracking system. Proceedings
estándar toma mucho más tiempo y puede presentar Nineteenth Annual Joint Conference of the IEEE Computer
fallos. Las capacidades de un dispositivo móvil estándar and Communications Societies, pp. 775–784. Tel Aviv,
permiten procesar gran cantidad de datos de potencias Israel.
RSSI con los filtros estadísticos de la etapa de calibración [8] Gómez C. (2015). Localización en espacios interiores de
de pequeñas zonas, pero para desarrollar estas labores dispositivos móviles por medio de tecnologías WiFi, base
en grandes zonas se recomienda el uso de un equipo de para el desarrollo de aplicaciones sociales. Encuentro
cómputo externo con mayores capacidades. internacional de educación en ingeniería ACOFI, pp. 1-9.
Cartagena, Colombia.
[9] Welch, G. & Bishop, G. (2001). An introduction to the
Referencias
Kalman filter. Technical Report TR 95-041. University of
[1] Nuaimi, K. & Kamel H. (2011). A survey of indoor North Carolina.
positioning systems and algorithms. Proceedings

83