Введение

Навигация внутри помещений (IPS – Indoor Positioning System) представляет собой самостоятельный и активно развивающийся класс задач, принципиально отличающийся от задач наружного позиционирования. Внутри зданий сигналы спутниковых навигационных систем (GNSS, таких как GPS, ГЛОНАСС и др.) либо полностью блокируются строительными конструкциями, либо подвергаются значительным искажениям, что делает невозможным их надёжное использование для точного определения местоположения [1]. Это создает необходимость применения альтернативных подходов и технологий, способных обеспечивать приемлемую точность позиционирования внутри помещений.

Для решения задач внутренней навигации используются различные типы сенсоров и инфраструктурных решений, включая инерциальные датчики (акселерометры, гироскопы), магнитометры, барометры, камеры, а также беспроводные коммуникационные технологии, такие как Wi-Fi, Bluetooth Low Energy (BLE), RFID и ультраширокополосные (UWB) системы. На базе этих источников формируются разнообразные методы, которые позволяют отслеживать положение объектов в замкнутом пространстве.

При навигации внутри помещений возникает ряд проблем, таких как многофакторная зашумлённость среды (включая многолучевость и экранирование сигналов), отсутствие прямой видимости между приёмником и передатчиком, изменчивость внутренней инфраструктуры, неоднородность покрытия беспроводными сетями, а также ограниченные вычислительные ресурсы и требования к энергоэффективности мобильных устройств.

Типовые технологии внутренней навигации делятся на несколько групп: радиочастотные методы (Wi‑Fi, Bluetooth LE, RFID и т.п.), инерциальные системы навигации, методы на основе компьютерного и гибридные системы, сочетающие различные подходы.

Цель исследования

Целью данной работы является проведение систематического обзора существующих методов и технологий навигации внутри помещений, а также их сравнительный анализ с точки зрения принципов действия, точности, устойчивости к внешним воздействиям и применимости в различных сценариях. Особое внимание уделяется классификации подходов (радиочастотных, инерциальных, визуальных и гибридных), выявлению их преимуществ и ограничений, а также определению текущих тенденций и перспектив развития в данной области.

Настоящее исследование направлено на обобщение накопленного опыта и выявление направлений, в которых дальнейшие разработки могут обеспечить значительное повышение эффективности и надёжности навигационных систем. Полученные результаты могут служить основой для выбора оптимальных решений при проектировании и внедрении IPS в конкретных прикладных задачах.

Радиочастотные методы

Радиочастотные технологии для IPS используют измерения сигналов беспроводной связи для оценки местоположения. К ним относятся сети Wi‑Fi, Bluetooth (BLE), RFID и другие. В таких системах запускается мобильный приёмник (или метка), который измеряет силу или задержку сигнала от известных источников (точек доступа, маячков, ридеров).

Wi‑Fi позиционирование. Позиционирование по Wi‑Fi обычно основано на уровне сигнала (RSSI) от нескольких точек доступа. Применяются методы радиосигнального отпечатка (fingerprinting) и трилатерации, оценивающей расстояния по мощности сигнала [2]. Метод fingerprinting требует предварительного сбора базы данных сигналов в разных зонах и последующего сравнения текущих данных с этой базой.

Основным преимуществом Wi‑Fi-навигации является наличие точек доступа во многих зданиях, что снижает затраты на внедрение. Смартфоны уже оснащены поддержкой Wi‑Fi, не требуя дополнительного оборудования. Fingerprinting позволяет достичь хорошей точности без создания отдельной инфраструктуры.

Однако технология имеет ограничения: Wi‑Fi-сигналы подвержены отражениям и затуханию, что делает уровень сигнала нестабильным. Многолучевость и изменчивость среды снижают точность, требуя тщательной калибровки и большого объема измерений, а также хорошего покрытия точками доступа.

Обычно точность Wi‑Fi-позиционирования составляет несколько метров, но при плотной сети и использовании сложных алгоритмов она может достигать 2–3 метров [3]. Эта технология используется в ТРЦ, офисах и аэропортах для навигации, маркетинга, логистики и учёта.

BLE-маячки. Современные BLE-маячки, такие как Apple iBeacon, периодически передают короткие сигналы, которые улавливаются мобильными устройствами. Измеряя уровень сигнала (RSSI) от нескольких маячков, устройство оценивает расстояние и определяет положение, обычно с помощью сканирования и триангуляции [4].

BLE работает по принципу, схожему с Wi‑Fi, но использует энергоэффективную технологию Bluetooth Low Energy. Маячки компактны, автономны и работают на батарейках, не требуя подключения к электросети. Они недорогие и совместимы со многими устройствами, включая смартфоны. Благодаря низкому энергопотреблению срок службы одного маячка может достигать года и более, а взаимодействие с ними не требует специальных навыков.

Ограничения BLE аналогичны Wi‑Fi: сигнал подвержен затуханию, отражениям и многолучевости, особенно в помещениях с множеством преград и людей. Для покрытия больших зон нужно больше маячков, а разные смартфоны могут давать разные показания, что снижает точность.

Тем не менее, BLE позволяет достигать точности около 1–3 метров, что сопоставимо с Wi‑Fi. Технология широко используется в магазинах, музеях и выставках для навигации и информирования посетителей, а также интегрируется с дополненной реальностью на мобильных устройствах.

RFID-метки. RFID (радиочастотная идентификация) использует метки и считыватели для определения местоположения [5]. Пассивные метки не имеют питания и активируются сигналом от считывателя на расстоянии до 1–3 метров. Активные метки работают на батарейках и могут передавать сигнал на десятки метров. Позиционирование осуществляется либо по фиксации метки конкретным считывателем, либо по уровню сигнала от нескольких устройств.

К преимуществам относятся низкая стоимость пассивных меток, простота использования и отсутствие необходимости замены батарей. RFID эффективно применяется для учёта товаров, оборудования и контроля персонала. Однако у пассивных меток ограниченный радиус действия, а точность определяется зоной охвата считывателя. Активные системы более точны, но дороже и требуют обслуживания.

Помехи, отражения и экранирование ухудшают точность и стабильность чтения. В целом RFID обеспечивает приблизительное позиционирование: пассивные метки — в пределах зоны считывателя, активные — с точностью до нескольких метров, иногда до одного метра.

RFID широко используется в инвентаризации, системах доступа и безопасности. Также он применяется в гибридных IPS-решениях совместно с BLE и инерциальными датчиками, позволяя сократить ошибки при минимальных расходах.

Инерциальные навигационные системы (INS)

Инерциальная навигация использует данные от акселерометров, гироскопов и часто магнитометров для оценки перемещений объекта [6]. Такие системы (INS или IMU) фиксируют ускорения и угловые скорости, на основе которых рассчитываются изменения положения и ориентации.

Главное преимущество — автономность: система не зависит от внешней инфраструктуры и может работать в любом месте, включая помещения без GPS. Современные MEMS-датчики компактны, недороги и встраиваются в смартфоны и носимые устройства. INS позволяет точно отслеживать кратковременные перемещения (шаги или движения робота) с точностью до сантиметров или дециметров.

Однако существенный недостаток — накопление ошибок (дрейф) из-за неточностей интегрирования. Даже мелкие погрешности со временем приводят к значительным отклонениям, поэтому INS требует регулярной коррекции внешними источниками, такими как Wi‑Fi, BLE или карты. Также применяются методы стабилизации и калибровки, поскольку датчики чувствительны к вибрациям.

На коротких дистанциях INS обеспечивает точность в пределах десятков сантиметров, но без коррекции ошибки быстро накапливаются. Поэтому такие системы чаще применяются для отслеживания относительных перемещений.

На практике INS используется в пешеходной навигации (PDR), мобильной робототехнике и управлении дронами в помещениях. Чаще всего она входит в состав гибридных решений — например, в смартфонах INS дополняет Wi‑Fi-фингерпринтинг, сглаживая движение между точками и повышая стабильность позиционирования.

Методы на основе компьютерного зрения

Методы на основе компьютерного зрения применяются в системах внутреннего позиционирования (IPS) для определения положения и ориентации объекта по изображению с камеры. Камеры могут быть стационарными (на потолке) или размещёнными на объекте — например, в смартфоне или роботе [7].

Стационарные камеры отслеживают объект в поле зрения (визуальный трекинг), а мобильные фиксируют окружающую среду и определяют координаты по ориентирующим меткам, QR-кодам или характерным признакам с помощью алгоритмов или нейросетей.

Главные преимущества — высокая точность (до сантиметров при хороших ориентирах) и широкая доступность камер, уже встроенных в смартфоны и дроны. Такие технологии применяются в AR-платформах (ARKit, ARCore), не требуют радиоинфраструктуры и подходят для визуализации пространства.

Ограничения включают зависимость от освещения, наличия визуальных ориентиров и высокие требования к вычислительным ресурсам. В условиях темноты или однородной среды точность снижается. Также возможны проблемы с конфиденциальностью, так как камеры постоянно фиксируют окружение.

SLAM и методы по меткам обеспечивают точность до 10 см, а без них — 0.5–1 м. Эти технологии применяются в AR-навигации, роботах, дронах и системах помощи для людей с нарушением зрения — например, для навигации в музеях или аудиосопровождения в помещениях.

Гибридные системы

Гибридные решения совмещают два и более описанных подходов для повышения надёжности и точности. Например, совмещение ИНС и радиотехнологий (Wi‑Fi+IMU) позволяет компенсировать дрейф ИНС периодическими «заметками» по радиофидам. Смешение Wi‑Fi и BLE (илидобавление UWB) улучшает покрытие и разрешение треугольников позиционирования. Камеру можно комбинировать с инерцией (Visual-Inertial Odometry) или с беспроводной локализацией (например, навигация на основе QR‑код + Wi‑Fi).

Преимущество гибридных систем – использование сильных сторон каждого метода. Уже отмечалось, что использование сочетания камеры и RFID позволяет улучшить маршрутизацию и достичь погрешности определения местоположения меньше метра. Интеграция различных сенсоров (IMU, Wi‑Fi, BLE, камеры, барометр) на одном устройстве смартфона стала стандартом для промышленных решений: алгоритмы фильтра Калмана и нейросети объединяют сигналы для более стабильной оценки положения. Недостатки гибридного подхода – усложнение системы и затрат на интеграцию, необходимость калибровки и разработки алгоритмов слияния данных.

Коммерческие IPS-системы часто сочетают BLE-маячки и инерционные датчики (PDR). Роботизированная платформа внутри здания может одновременно использовать SLAM на основе камеры, данные ультразвуковых или UWB-датчиков и ДУШ (пеший дрейф). В целом гибридная навигация обеспечивает большую надежность и гибкость, позволяя выбирать источники по сценарию использования.

Сравнительная характеристика методов

В таблице 1 представлена обобщённая таблица основных параметров рассматриваемых технологий.

Таблица 1. Сравнительная характеристика методов indoor-навигации

Продолжение таблицы 1

Таким образом, радиочастотные методы дешевы и энергоэффективны, но имеют ограниченную точность (порядка метра), инерциальные автономны, но дрейфуют, а визуальные требуют больших ресурсов и дают высокую точность при благоприятных условиях. Гибридные системы комбинации показателей обычно превосходят отдельные методы за счёт компенсации недостатков.

Текущие тренды и перспективы

Среди актуальных трендов в области систем позиционирования в помещениях (IPS) можно выделить несколько ключевых направлений.

– Сверхширокополосная связь (UWB). Технология UWB обеспечивает субметровую (10-30 см) точность благодаря измерению времени пролёта сигналов. В последние годы UWB активно внедряется в RTLS (Real-Time Location Systems), особенно для логистики, промышленных и медицинских приложений. Рост поддержки UWB в смартфонах и IoTустройствах (например, чипы в современных смартфонах) говорит о повышении точности indoor-позиционирования в ближайшем будущем.

– Bluetooth 5.x и AoA/AoD. Новые версии Bluetooth (5.1+) вводят методы определения угла прихода сигнала (Angle of Arrival/Departure) [8], что позволяет локализовать объект с точностью до десятков сантиметров. Такие улучшения приближают BLE к меткам UWB, сохраняя низкую цену и энергопотребление.

– Дополненная реальность (AR). Современные AR-платформы интегрируют VSLAM и акселерометрию для позиционирования на смартфоне. Использование AR маршрутизации (наложение указателей на камеру) становится новым трендом – это требует гибридизации с IPS-системами для создания интерактивного опыта в помещениях.

– Машинное обучение. Для повышения точности и адаптивности indoor-навигации активно применяются нейросетевые методы. Например, обучение моделей, предсказывающих позицию по сырым данным RSSI или изображений.

– Индустрия 4.0 и IoT. Стандартизация indoor-карт (IndoorGML) [9], интеграция с системами управления (логистика, робототехника) требуют более унифицированных подходов и безопасности данных. Также исследуются новые носители (5G- сигналы, Li-Fi (видимый свет) и магнитная аномалия здания) для дополнительной информации о местоположении.

Перспективы исследований связаны с преодолением существующих ограничений: снижением шумов и дрейфа, созданием самокалибрующихся систем, более глубокой интеграцией данных из разных источников. Большое внимание уделяется разработке стандартов и фреймворков для тестирования IPS, что критически важно для их надёжности и внедрения. Будущее, вероятно, будет за многоуровневыми гибридными системами, в которых мобильные сенсоры, визуальные подсказки и облачные технологии будут объединяться для создания «умной» навигации внутри сложных объектов.

Заключение

Внутренние системы позиционирования (IPS) становятся неотъемлемой частью современных интеллектуальных пространств — от торговых центров и аэропортов до промышленных объектов и медицинских учреждений. Разнообразие используемых технологий, таких как Wi‑Fi, Bluetooth, UWB и дополненная реальность, демонстрирует стремление к повышению точности, надёжности и доступности навигации в помещениях. Современные тренды указывают на активное развитие гибридных систем, объединяющих несколько сенсоров и подходов, а также на растущую роль машинного обучения и IoT-интеграции.

Несмотря на достижения, перед исследователями и разработчиками всё ещё стоят задачи по устранению шумов, автоматической калибровке, стандартизации решений и обеспечению воспроизводимости результатов. Однако уже сейчас можно утверждать, что IPS — это перспективное направление, способное радикально преобразовать пользовательский опыт и операционную эффективность в самых разных сферах.