scholarly journals Indoor Positioning for Monitoring Older Adults at Home: Wi-Fi and BLE Technologies in Real Scenarios

Electronics ◽  
2020 ◽  
Vol 9 (5) ◽  
pp. 728 ◽  
Author(s):  
Raul Montoliu ◽  
Emilio Sansano ◽  
Arturo Gascó ◽  
Oscar Belmonte ◽  
Antonio Caballer
Keyword(s):  
Older Adults ◽  
Indoor Localization ◽  
Indoor Positioning ◽  
Low Energy ◽  
Real Case ◽  
Bluetooth Low Energy ◽  
Localization System ◽  
Localization Systems ◽  
At Home

This paper presents our experience on a real case of applying an indoor localization system for monitoring older adults in their own homes. Since the system is designed to be used by real users, there are many situations that cannot be controlled by system developers and can be a source of errors. This paper presents some of the problems that arise when real non-expert users use localization systems and discusses some strategies to deal with such situations. Two technologies were tested to provide indoor localization: Wi-Fi and Bluetooth Low Energy. The results shown in the paper suggest that the Bluetooth Low Energy based one is preferable in the proposed task.

scholarly journals An Ensemble Filter for Indoor Positioning in a Retail Store Using Bluetooth Low Energy Beacons

Sensors ◽  
2019 ◽  
Vol 19 (20) ◽  
pp. 4550 ◽  
Author(s):  
Vasilis Stavrou ◽  
Cleopatra Bardaki ◽  
Dimitris Papakyriakopoulos ◽  
Katerina Pramatari
Keyword(s):  
Random Forest ◽  
Indoor Localization ◽  
Indoor Positioning ◽  
Retail Store ◽  
Low Energy ◽  
Location Based Services ◽  
Shopping Behavior ◽  
Multiple Sources ◽  
Bluetooth Low Energy ◽  
Product Categories

This paper has developed and deployed a Bluetooth Low Energy (BLE) beacon-based indoor positioning system in a two-floor retail store. The ultimate purpose of this study was to compare the different indoor positioning techniques towards achieving efficient position determination of moving customers in the retail store. The innovation of this research lies in its context (the retail store) and the fact that this is not a laboratory, controlled experiment. Retail stores are challenging environments with multiple sources of noise (e.g., shoppers’ moving) that impede indoor localization. To the best of the authors’ knowledge, this is the first work concerning indoor localization of consumers in a real retail store. This study proposes an ensemble filter with lower absolute mean and root mean squared errors than the random forest. Moreover, the localization error is approximately 2 m, while for the random forest, it is 2.5 m. In retail environments, even a 0.5 m deviation is significant because consumers may be positioned in front of different store shelves and, thus, different product categories. The more accurate the consumer localization, the more accurate and rich insights on the customers’ shopping behavior. Consequently, retailers can offer more effective customer location-based services (e.g., personalized offers) and, overall, better consumer localization can improve decision making in retailing.

scholarly journals Indoor localization systems for retail stores

2019 ◽  
Author(s):  
Βασίλειος Σταύρου
Keyword(s):  
Indoor Localization ◽  
Design Science ◽  
Low Energy ◽  
Retail Stores ◽  
Bluetooth Low Energy ◽  
Localization Systems

Η συμπεριφορά του καταναλωτή μέσα στο κατάστημα αποτελεί ερευνητική περιοχή ενδιαφέροντος για περισσότερα από 60 χρόνια με στόχο να εντοπίσει διάφορα μοτίβα που μπορούν να προσφέρουν αξία. Η κατανόηση της συμπεριφοράς του καταναλωτή μπορεί να οδηγήσει σε σημαντικές πληροφορίες για τους λιανέμπορους και να ενισχύσει την εμπειρία των καταναλωτών μέσα στο κατάστημα. Παρά τη δημοτικότητα της Χωρικής Αναλυτικής και των υπηρεσιών βάσει τοποθεσίας, και οι δύο αντιμετωπίζουν ένα κοινό πρόβλημα, την ακρίβεια του μηχανισμού εντοπισμού που χρησιμοποιούν. Για την αντιμετώπιση των ερευνητικών ερωτημάτων της παρούσας διατριβής, (α) υιοθετούμε ως μεθοδολογική προσέγγιση το μοντέλο Design Science, (β) αναπτύσσουμε ένα σύστημα εντοπισμού θέσης για εσωτερικά περιβάλλοντα και (γ) υιοθετούμε μια προσέγγιση μηχανικής μάθησης που εκτελεί εντοπισμό θέσης. Συνοπτικά, σχεδιάζουμε και αναπτύσσουμε ένα σύστημα που παράγει και επεξεργάζεται δεδομένα σήματος και αναπτύσσουμε μια προσέγγιση μηχανικής μάθησης για τον εντοπισμό θέσης που μπορεί να εφαρμοστεί σε χωροχρονικά δεδομένα από συσκευές Διαδικτύου των Πραγμάτων (IoT). Αξιολογούμε δύο διαφορετικές ασύρματες τεχνολογίες ((α) Wi-Fi και (β) Bluetooth Low Energy Beacons) και εφαρμόζουμε τεχνικές τεχνητής νοημοσύνης για την αντιμετώπιση των ερευνητικών ερωτημάτων. Επιπλέον, για την αντιμετώπιση των ερευνητικών ζητημάτων προτείνουμε ένα artifact συστήματος το οποίο είναι υπεύθυνο για τη δημιουργία, την καταγραφή και την επεξεργασία των δεδομένων για τον εντοπισμό θέσης σε εσωτερικά περιβάλλοντα. Το αποτέλεσμα της προτεινόμενης προσέγγισης είναι η θέση του χρήστη της ασύρματης υποδομής μέσα στο κατάστημα. Εφαρμόζουμε αυτήν την προσέγγιση σε δύο διαφορετικές περιπτώσεις. Η πρώτη περίπτωση αφορά την τεχνολογία BLE Beacons, ενώ η δεύτερη αφορά τεχνολογία Wi-Fi. Στη συνέχεια αξιολογούμε τα ευρήματα χρησιμοποιώντας τεχνική αποτίμηση της επίδοσης της και επίσης εξετάζουμε την επιχειρηματική ερμηνεία των αποτελεσμάτων. Για το σκοπό αυτό, αξιοποιούμε την αξιολόγηση βάσει δεδομένων και την αξιολόγηση βάσει χρηστών, προκειμένου να αξιολογήσουμε τα αποτελέσματα της προσέγγισης εντοπισμού θέσης. Τέλος, παραθέτουμε μια σειρά πρακτικές εφαρμογές με βάση τη διάσταση της θέσης.

Sign in / Sign up

Export Citation Format

Share Document