Indoor Localization of Sensors : Application to Dependent Elderly People
Localisation indoor des capteurs : application pour des personnes âgées dépendantes
Résumé
This thesis deals with the problem of localization of dependent elderly people using wireless sensor networks. Each person is equipped with a bracelet that consists of a sensor capable of measuring the WiFi signals. We tackle the problem of localization by zoning, where the objective is to determine the zone where the person resides. It is formulated as a problem of multi-class classification, which we treat by associating the flexibility of statistical learning methods to the theory of Dempster-Shafer for fusion of information with uncertainty. First, we propose an observation model exploiting the power of the exchanged signals between the sensors with the fingerprinting technique. Afterwards, we extend the proposed model, through hierarchical clustering, in order to cover larger surface areas. We then develop a method for selecting the WiFi terminals in favor. This method helps enhancing the overall accuracy and reducing the complexity of the localization method. We also propose mobility models, which we combine with the observation model, in order to correct the estimations by aggregating all available evidence. In addition, we present a decentralized approach of the localization method, to increase the robustness and reduce the complexity. The performance of the proposed methods is validated through experiments on real data, and evaluated in comparison with other well-known methods in the domain.
Cette thèse porte sur le problème de localisation des personnes âgées dépendantes à l’aide de réseaux de capteurs sans fil. Chaque personne est équipée d'un bracelet, comprenant un capteur capable de mesurer les signaux WiFi. Nous abordons le problème de localisation par zonage, où le but est de déterminer la zone où se trouve la personne. Il s'agit d'un problème de classification multi-classes, que nous traitons en associant la flexibilité des méthodes d'apprentissage statistique à la théorie de Dempster-Shafer pour la fusion de l'information avec incertitude. Nous proposons en premier un modèle d’observation exploitant la puissance des signaux échangés entre les capteurs avec la technique de fingerprinting. Nous développons ensuite le modèle proposé, au travers du regroupement hiérarchique, dans le but de couvrir des surfaces plus grande. Nous élaborons ensuite une méthode de sélection des bornes WiFi à privilégier. Cette méthode permet d’améliorer la précision et de réduire la complexité de la méthode de localisation. Nous proposons également des modèles de mobilité que nous combinons au modèle d’observation, afin de corriger les estimations en fusionnant toutes les preuves disponibles. D’autre part, nous présentons une approche décentralisée de la méthode de localisation, pour accroître la robustesse et diminuer la complexité. Les performances des méthodes proposées sont validées par des expérimentations sur des données réelles, et évaluées en comparaison avec d’autres méthodes très connues dans le domaine.
Origine : Version validée par le jury (STAR)