Localización espacial basada en la potencia de recepción de señales Wi-Fi utilizando un smartphone

• Autor: Araoz Coacalla, Jesus
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/17358
• Enlace del recurso: https://hdl.handle.net/20.500.12590/17358
• Nivel de acceso: acceso abierto
• Materia: Localización en Interiores; WiFi; RSSI; Fingerprinting; Trilateración; Red Neuronal Artificial; https://purl.org/pe-repo/ocde/ford#2.02.00

En recientes años, la demanda por sistemas de localización para interiores ha ido en aumento. Esto con el fin de optimizar procesos en la industria, mejorar la toma de decisiones y desplegar la navegación en interiores. Consiguiendo así, ahorrar recursos, aumentar la calidad de los servicios, y así mejorar la calidad de vida del usuario final. Sin embargo, en nuestra región se observa un incipiente desarrollo de este tipo de sistemas. En este sentido, para impulsar el estudio en esta área, el presente trabajo desarrolla e implementa varios sistemas que estiman la localización en interiores. Estos sistemas están basados en la lectura del indicador de fuerza de señal recibida (RSSI por sus siglas en inglés) en un smartphone, dada la potencia emitida por los puntos de acceso (AP por sus siglas en inglés). Se ha llevado a cabo el estudio de investigación en las instalaciones de la universidad Católica San Pablo (Edificio Duhamel planta baja). Dado que, se ha requerido de una red WI-FI (Wireless Fidelity) con el mayor número posible de puntos de acceso, para el método probabilístico. Aunque, el sistema funciona en cualquier entorno que posea al menos tres puntos de acceso. Un número mayor permite mejorar la precisión de la localización. Se han utilizado dos diferentes enfoques, tales como: algoritmos determinísticos (trilateración) y probabilísticos (aprendizaje automático). Ambos enfoques han sido comparados para determinar cuál de estos muestra el mejor desempeño (precisión, complejidad, y escalabilidad). Como resultado se ha obtenido un error promedio de 15.4 metros al usar trilateración. Asimismo, se ha obtenido un error promedio de 2.95 metros en la estimación de la posición, al usar una red neuronal, entrenada con el algoritmo de gradiente conjugado escalado (SCG por sus siglas en inglés). Dichos resultados son similares a lo observado en el estado del arte.