4.3 Verkko-operaattorin näkökulma
4.4.2 Sormenjälki muiden järjestelmien tukena
Vaikka sormenjälkipaikannus ei olisi ensisijainen paikannusmenetelmä, voidaan sitä käyt-tää kuitenkin muiden järjestelmien tukena. Eräs tällainen käyttökohde on sormenjäljen käyttäminen lähtökulman selvittämiseeen 5G-paikannuksessa. [70]
Downlink Angle of Departure (DL-AOD) on eräs 5G-paikannukseen ehdotettu tekniikka, missä UE paikannetaan sen perusteella, missä suunassa se on ympäröivistä tukiasemis-ta katsoen. Keilanmuokkaustukiasemis-ta hyödyntämällä voidaan muodostukiasemis-taa sormenjälkiä, joissa on yhtä tukiasemaa ja paikkaa kohden monta lähtökulma-RSS -paria. Nämä voidaan yhdis-tää oikeaan kompassisuuntaan, ja myöhemmin lähtökulma voidaan selvityhdis-tää sormenjäl-kipaikannuksen keinoin. [70]
5 YHTEENVETO
Tässä työssä tehtiin katsaus merkittävimpiin paikannusalgorimeihin sekä radiokartan luon-timenetelmiin (luku 3). Lisäksi tarkasteltiin sormenjälkipaikannuksen nykyisiä käyttömah-dollisuuksia sekä tulevaisuuden näkökulmia (luku 4).
Radiokartan luominen on selkeästi työläin osa paikannusjärjestelmän käyttöönottoa. Pe-rinteisesti kohdealue on jaettu soluihin, joissa mitatut signaalitehot −eli sormenjäljet− tallennetaan tietokantaan. Tämä menetelmä on kuitenkin erittäin työläs sekä heikosti yl-läpidettävä verkon muuttuessa. Yhdistämällä sormenjäljet jollain muulla tavalla kerättyyn tietoon paikasta tai liikeradasta, voidaan vähentää huomattavasti radiokartan luomiseen ja ylläpitoon vaadittavaa työpanosta (SLAM). Sekin vaatii silti sen, että joku tietty henki-lö tai robotti kiertää kohdealuetta aika-ajoin. Se ei skaalaudu kovin hyvin, minkä vuoksi crowdsourcingille on kysyntää. Crowdsourcingilla radiokartan luominen ja ylläpito eivät vaadi paikannusjärjestelmän omistajalta läsnäoloa kohdealueella, mutta siinä ongelmak-si tulee paikan määrittely sormenjäljille. Siihen on erilaiongelmak-sia PDR:ään ja maamerkkeihin perustuvia menetelmiä. Vallitsevana teemana radiokarttojen yhteydessä on kompromis-sit ja skaalautuvuus.
Kun radiokartta on ensin offline-vaiheessa luotu, voidaan sitä viimein käyttää varsinai-seen paikannukvarsinai-seen, eli online-vaiheevarsinai-seen. Paikannusalgoritmit voidaan jakaa karkeasti kahteen kategoriaan: deterministisiin algoritmeihin ja probabilistisiin algoritmeihin. Deter-ministiset algoritmit käyttävät paikan laskentaan numeerisia arvoja. Sen sijaan probabi-listiset algoritmit käyttävät nimensä mukaisesti todennäköisyysjakaumia. Deterministisillä algoritmeillä tyypillisesti päästään hieman tarkempiin tuloksiin, mutta probabilistiset algo-ritmit sietävät paremmin verkkoympäristön muutoksia esimerkiksi ovien avautuessa ja sulkeutuessa.
Klassisia esimerkkejä deterministisistä paikannusalgoritmeista ovat NN-algoritmit. Niissä paikan laskeminen perustuu yksinkertaisesti vektorietäisyyden laskemiseen radiokartan kalibraatiopisteiden sekä mitatun sormenjäljen välillä. Näillä on osoitettu päästävän lois-tavaan paikannustarkkuuteen. Ne kuitenkin ovat herkkiä radioympäristön muutokselle ja datamäärien kasvaessa ne skaalautuvat melko huonosti. Näiden rinnalle on kehitetty ko-neoppimiseen perustuvia algoritmeja, joilla voidaan parantaa laskennan tehokkuutta. Ko-neoppimisen menetelmät soveltuvat sormenjälkipaikannukseen loistavasti, koska se on pohjimmiltaan luokitteluongelma: mitä paikkaa mitattu sormenjälki vastaa parhaiten.
Nykyiset mobiililaitteet kykenevät mittaamaan verkosta vain RSS-arvoja, minkä vuoksi
paikannusmenetelmät perustuvat pääasiassa siihen. On kuitenkin osoitettu, että CSI:tä mittaamalla voidaan kasvattaa paikannustarkkuutta ja luotettavuutta, mikä johtuu siitä, että yhdestä tukiasemasta saadaan mitattua useampia paikan kanssa korreloivia para-metreja. Nämä eivät kuitenkaan ole ainoita asioita, mitä sormenjäljissä voidaan käyttää, vaan periaatteessa mitä tahansa paikan kanssa korreloivaa mittasuuretta voidaan käyt-tää. Eräs tulevaisuuden suure on signaalin tulokulma. Sitä hyödyntämällä yhdestäkin tu-kiasemasta mitatusta RSS-arvosta saataisiin moniuloitteinen ja sitä kautta paikka voitai-siin laskea tarkemmin.
Nykyään sormenjälkipaikannus soveltuu käytettäväksi lähinnä sisätilapaikannukseen, lu-kuunottamatta tiettyjä poikkeustilanteita, joissa tietyin rajoittein voidaan esimerkiksi DR-menetelmien yhteiskäytöllä nostaa paikannuksen tarkkuutta. Pelkkien mobiiliverkkojen perusteella tehtävä paikannus on nykyään urbaaniolosuhteissa parhaimmillaan 6 met-rin luokkaa sisätiloissa ja satoja metrejä ulkona. Yhdistämällä mobiiliverkkoja ja WLAN-verkkoja voidaan ulkona päästä noin 30 metrin tarkkuuteen, mikä vastaa GNSS:n tark-kuutta vastaavassa ympäristössä. Erot sisä- ja ulkotilojen paikannustarkkuuden välillä selittyvät erilaisella etenemisympäristöllä sekä harvemmalla tukiasemaverkostolla ulkoti-loissa.
Tulevaisuudessa kuitenkin ollaan siirtymässä kohti tiheämpiä UDN-verkkoja, jotka voi-sivat mahdollistaa sormenjäljen perusteella tehtävän tarkan paikannuksen myös ulkoti-loissa. Vaikka näköyhteyden todennäköisyys jonkin tukiaseman kanssa kasvaakin ja pel-kästään sen perusteella voitaisiin sopivalla aallonpituudella laskea mobiililaitteen sijainti, löytyy sormenjälkipaikannukselle silti motivaattori. Kolmiomittaukseen ynnä muihin trigo-nometriaan perustuviin menetelmiin perustuvat algoritmit laskevat paikan vain suhteessa tukiasemaan, jolloin absoluuttisen sijainnin laskemiseen tarvitaan myös tieto tukiaseman sijainnista. Sormenjälkipaikannuksella kuitenkin päästään eroon riippuvuudesta tukiase-man sijaintitietoon ja näin ollen myös koltukiase-mannen osapuolen palveluntarjoajat voivat tar-jota tarkkoja sijaintipalveluita.
Sormenjälkipaikannukseen liittyy myös virransäästöllinen näkökulma. Mobiililaitteet mit-taavat joka tapauksessa aika-ajoin verkosta RSS:ää käyttääkseen sitä päätöksiin esi-merkiksi solun uudelleenvalinnasta. Kun tätä samaa mittausta voidaan käyttää paikan-nukseen, ei GNSS-vastaanotinta tarvitse herättää paikannusta varten ja virtaa säästyy.
LÄHTEET
[1] Davidson, P. ja Piché, R. A Survey of Selected Indoor Positioning Methods for Smartphones. IEEE Communications Surveys Tutorials 19.2 (2017), 1347–1370.
ISSN: 2373-745X.DOI:10.1109/COMST.2016.2637663.
[2] Turkka, J., Hiltunen, T., Mondal, R. U. ja Ristaniemi, T. Performance evaluation of LTE radio fingerprinting using field measurements.2015 International Symposium on Wireless Communication Systems (ISWCS). 2015, 466–470.
[3] Xu, Y. ja David, K. When Indoor Localization Meets New Communication Technolo-gies.2019 IEEE 90th Vehicular Technology Conference (VTC2019-Fall). 2019, 1–
4.
[4] Honkavirta, V., Perala, T., Ali-Loytty, S. ja Piche, R. A comparative survey of WLAN location fingerprinting methods.2009 6th Workshop on Positioning, Navigation and Communication. Maaliskuu 2009, 243–251.DOI:10.1109/WPNC.2009.4907834.
[5] Xin-Di, L., Wei, H. ja Zeng-Shan, T. The Improvement of RSS-based Location Fin-gerprint Technology for Cellular Networks.2012 International Conference on Com-puter Science and Service System. Elokuu 2012, 1267–1270.DOI:10.1109/CSSS.
2012.321.
[6] Seco, F., Jiménez, A., Roa, J. ja Koutsou, K. A survey of mathematical methods for indoor localization. Syyskuu 2009, 9–14.DOI:10.1109/WISP.2009.5286582.
[7] He, S. ja Chan, S. .-.-. G. Wi-Fi Fingerprint-Based Indoor Positioning: Recent Ad-vances and Comparisons. IEEE Communications Surveys Tutorials 18.1 (2016), 466–490.ISSN: 2373-745X.DOI:10.1109/COMST.2015.2464084.
[8] Talvitie, J. Algorithms and Methods for Received Signal Strength Based Wireless Localization. English. Tampere University of Technology. Publication. Awarding ins-titution:Tampere University of Technology talvitie1365ok8.1.2016KK. Tampere Uni-versity of Technology, tammikuu 2016.ISBN: 978-952-15-3672-4.
[9] Tayebi, A., Gomez, J., de Adana, F. S. ja Gutierrez, O. Ray-tracing application to mobile localization in multipath indoor environments. 2009 International Con-ference on Electromagnetics in Advanced Applications. Syyskuu 2009, 412–415.
DOI:10.1109/ICEAA.2009.5297405.
[10] Talvitie, J., Renfors, M., Valkama, M. ja Lohan, E. S. Method and Analysis of Spect-rally Compressed Radio Images for Mobile-Centric Indoor Localization.IEEE Tran-sactions on Mobile Computing17.4 (2018), 845–858.
[11] Durrant-Whyte, H. ja Bailey, T. Simultaneous localization and mapping: part I.IEEE Robotics Automation Magazine 13.2 (kesäkuu 2006), 99–110. ISSN: 1558-223X.
DOI:10.1109/MRA.2006.1638022.
[12] Huang, J., Millman, D., Quigley, M., Stavens, D., Thrun, S. ja Aggarwal, A. Efficient, generalized indoor WiFi GraphSLAM.2011 IEEE International Conference on
Ro-botics and Automation. Toukokuu 2011, 1038–1043. DOI: 10 . 1109 / ICRA . 2011 . 5979643.
[13] Arulampalam, M. S., Maskell, S., Gordon, N. ja Clapp, T. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking.IEEE Transactions on Signal Processing 50.2 (helmikuu 2002), 174–188. ISSN: 1941-0476. DOI:10.1109/78.
978374.
[14] Robertson, P., Angermann, M. ja Krach, B. Simultaneous Localization and Mapping for Pedestrians Using Only Foot-Mounted Inertial Sensors.Proceedings of the 11th International Conference on Ubiquitous Computing. UbiComp ’09. Orlando, Florida, USA: Association for Computing Machinery, 2009, 93–96. ISBN: 9781605584317.
DOI: 10 . 1145 / 1620545 . 1620560. URL: https : / / doi . org / 10 . 1145 / 1620545 . 1620560.
[15] Ferris, B., Fox, D. ja Lawrence, N. WiFi-SLAM using Gaussian process latent va-riable models. Vol. 7. Tammikuu 2007, 2480–2485.
[16] Gao, C. ja Harle, R. Semi-Automated Signal Surveying Using Smartphones and Floorplans. IEEE Transactions on Mobile Computing 17.8 (elokuu 2018), 1952–
1965.ISSN: 2161-9875.DOI:10.1109/TMC.2017.2776128.
[17] Han, D., Jung, S., Lee, M. ja Yoon, G. Building a Practical Wi-Fi-Based Indoor Navigation System.IEEE Pervasive Computing13.2 (huhtikuu 2014), 72–79.ISSN: 1558-2590.DOI:10.1109/MPRV.2014.24.
[18] Minkyu Lee, Hyunil Yang, Dongsoo Han ja Chansu Yu. Crowdsourced radiomap for room-level place recognition in urban environment.2010 8th IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops). Maaliskuu 2010, 648–653.DOI:10.1109/PERCOMW.2010.5470515.
[19] Park, J., Curtis, D., Teller, S. ja Ledlie, J. Implications of device diversity for organic localization.2011 Proceedings IEEE INFOCOM. Huhtikuu 2011, 3182–3190.DOI: 10.1109/INFCOM.2011.5935166.
[20] Park, J.-g., Charrow, B., Curtis, D., Battat, J., Minkov, E., Hicks, J., Teller, S. ja Ledlie, J. Growing an organic indoor location system. Tammikuu 2010, 271–284.
DOI:10.1145/1814433.1814461.
[21] Ledlie, J., Park, J., Curtis, D., Cavalcante, A., Camara, L., Costa, A. ja Vieira, R.
Mole: A scalable, user-generated WiFi positioning engine.2011 International Con-ference on Indoor Positioning and Indoor Navigation. Syyskuu 2011, 1–10. DOI: 10.1109/IPIN.2011.6071942.
[22] Yang, S., Dessai, P., Verma, M. ja Gerla, M. FreeLoc: Calibration-free crowdsourced indoor localization.2013 Proceedings IEEE INFOCOM. Huhtikuu 2013, 2481–2489.
DOI:10.1109/INFCOM.2013.6567054.
[23] Chen, Q. ja Wang, B. FinCCM: Fingerprint Crowdsourcing, Clustering and Matc-hing for Indoor Subarea Localization. IEEE Wireless Communications Letters4.6 (joulukuu 2015), 677–680.ISSN: 2162-2345.DOI:10.1109/LWC.2015.2482971.
[24] Rai, A., Chintalapudi, K. K., Padmanabhan, V. N. ja Sen, R. Zee: Zero-Effort Crowd-sourcing for Indoor Localization.Proceedings of the 18th Annual International
Con-ference on Mobile Computing and Networking. Mobicom ’12. Istanbul, Turkey: As-sociation for Computing Machinery, 2012, 293–304. ISBN: 9781450311595. DOI: 10.1145/2348543.2348580.URL:https://doi.org/10.1145/2348543.2348580.
[25] Shen, G., Chen, Z., Zhang, P., Moscibroda, T. ja Zhang, Y. Walkie-Markie: indoor pathway mapping made easy. Huhtikuu 2013, 85–98.
[26] Jang, B. ja Kim, H. Indoor Positioning Technologies Without Offline Fingerprinting Map: A Survey. IEEE Communications Surveys Tutorials 21.1 (2019), 508–525.
ISSN: 2373-745X.DOI:10.1109/COMST.2018.2867935.
[27] Raspopoulos, M. Multidevice Map-Constrained Fingerprint-Based Indoor Positio-ning Using 3-D Ray Tracing.IEEE Transactions on Instrumentation and Measure-ment 67.2 (helmikuu 2018), 466–476.ISSN: 1557-9662. DOI:10.1109/TIM.2017.
2774181.
[28] Tian, X., Zhu, S., Xiong, S., Jiang, B., Yang, Y. ja Wang, X. Performance Analysis of Wi-Fi Indoor Localization with Channel State Information.IEEE Transactions on Mobile Computing18.8 (2019), 1870–1884.
[29] Xin-Di, L., Wei, H. ja Zeng-Shan, T. The Improvement of RSS-based Location Fin-gerprint Technology for Cellular Networks.2012 International Conference on Com-puter Science and Service System. Elokuu 2012, 1267–1270.DOI:10.1109/CSSS.
2012.321.
[30] Zhao, Q. ja Deng, P. Improved Fingerprint Location Methods for Cellular Networks.
2012 8th International Conference on Wireless Communications, Networking and Mobile Computing. Syyskuu 2012, 1–4.DOI:10.1109/WiCOM.2012.6478540.
[31] Torres-Sospedra, J., Montoliu, R., Mendoza Silva, G., Belmonte Fernández, O., Rambla, D. ja Huerta, J. Providing Databases for Different Indoor Positioning Tech-nologies: Pros and Cons of Magnetic Field and Wi-Fi Based Positioning. Mobile Information Systems2016 (tammikuu 2016), 1–22.DOI:10.1155/2016/6092618.
[32] Sandeep, R.MIMO Radar. Toukokuu 2017. URL:http : / / www . ti . com / lit / an / swra554a/swra554a.pdf.
[33] Sen Zhang, Wendong Xiao, Baoqiang Zhang ja Boon Hee Soong. Wireless indoor localization for heterogeneous mobile devices. 2012 International Conference on Computational Problem-Solving (ICCP). Lokakuu 2012, 96–100. DOI: 10 . 1109 / ICCPS.2012.6383847.
[34] Le Dortz, N., Gain, F. ja Zetterberg, P. WiFi fingerprint indoor positioning system using probability distribution comparison. 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2012, 2301–2304.
[35] Li, B., Wang, Y., Lee, H. K., Dempster, A. ja Rizos, C. Method for yielding a data-base of location fingerprints in WLAN.IEE Proceedings - Communications 152.5 (lokakuu 2005), 580–586.ISSN: 1350-2425.DOI:10.1049/ip-com:20050078.
[36] Li, B., Salter, J., Dempster, A. G. ja Rizos, C. Indoor positioning techniques based on wireless LAN.LAN, FIRST IEEE INTERNATIONAL CONFERENCE ON WIRE-LESS BROADBAND AND ULTRA WIDEBAND COMMUNICATIONS, 13–16.
[37] Battiti, R., Le, N. ja Villani, A. Location-Aware Computing: A Neural Network Model For Determining Location In Wireless LANs. Int. Semicond. Conf. 4 (marraskuu 2002).
[38] Ezzati Khatab, Z., Moghtadaiee, V. ja Ghorashi, S. A. A fingerprint-based technique for indoor localization using fuzzy Least Squares Support Vector Machine. 2017 Iranian Conference on Electrical Engineering (ICEE). Toukokuu 2017, 1944–1949.
DOI:10.1109/IranianCEE.2017.7985373.
[39] Luo, J., Zhang, Z., Wang, C., Liu, C. ja Xiao, D. Indoor Multifloor Localization Met-hod Based on WiFi Fingerprints and LDA.IEEE Transactions on Industrial Informa-tics15.9 (syyskuu 2019), 5225–5234.ISSN: 1941-0050. DOI:10.1109/TII.2019.
2912055.
[40] Kaemarungsi, K. ja Krishnamurthy, P. Modeling of indoor positioning systems based on location fingerprinting. IEEE INFOCOM 2004. Vol. 2. Maaliskuu 2004, 1012–
1022 vol.2.DOI:10.1109/INFCOM.2004.1356988.
[41] Ye, X., Yin, X., Cai, X., Pérez Yuste, A. ja Xu, H. Neural-Network-Assisted UE Loca-lization Using Radio-Channel Fingerprints in LTE Networks.IEEE Access5 (2017), 12071–12087.ISSN: 2169-3536.DOI:10.1109/ACCESS.2017.2712131.
[42] Chao-Lin Wu, Li-Chen Fu ja Feng-Li Lian. WLAN location determination in e-home via support vector classification. IEEE International Conference on Networking, Sensing and Control, 2004. Vol. 2. Maaliskuu 2004, 1026–1031 Vol.2. DOI: 10 . 1109/ICNSC.2004.1297088.
[43] Sánchez-Rodríguez, D., Hernández-Morera, P., Quinteiro-González, J. M. ja Alonso-González, I. G. A Low Complexity System Based on Multiple Weighted Decision Trees for Indoor Localization.Sensors. 2015.
[44] Sánchez-Rodríguez, D., Hernández-Morera, P., Quinteiro, J. ja Alonso-González, I.
A Low Complexity System Based on Multiple Weighted Decision Trees for Indoor Localization.Sensors 15.6 (kesäkuu 2015), 14809–14829.ISSN: 1424-8220.DOI: 10.3390/s150614809.URL:http://dx.doi.org/10.3390/s150614809.
[45] Feng, C., Au, W. S. A., Valaee, S. ja Tan, Z. Received-Signal-Strength-Based Indoor Positioning Using Compressive Sensing.IEEE Transactions on Mobile Computing 11.12 (joulukuu 2012), 1983–1993.ISSN: 2161-9875.DOI:10.1109/TMC.2011.216.
[46] Tropp, J. A. ja Gilbert, A. C. Signal Recovery From Random Measurements Via Ort-hogonal Matching Pursuit.IEEE Transactions on Information Theory 53.12 (joulu-kuu 2007), 4655–4666.ISSN: 1557-9654.DOI:10.1109/TIT.2007.909108.
[47] Nikitaki, S., Scholl, P. M., Van Laerhoven, K. ja Tsakalides, P. Localization in Wire-less networks via Laser scanning and Bayesian compressed sensing.2013 IEEE 14th Workshop on Signal Processing Advances in Wireless Communications (SPAWC).
Kesäkuu 2013, 739–743.DOI:10.1109/SPAWC.2013.6612148.
[48] Roos, T., Myllymäki, P., Tirri, H., Misikangas, P. ja Sievänen, J. A Probabilistic Ap-proach to WLAN User Location Estimation. English.International Journal of Wire-less Information Networks9.3 (2002).ISSN: 1068-9605.
[49] Youssef, M. ja Agrawala, A. K. The Horus WLAN location determination system.
MobiSys ’05. 2005.
[50] Koski, L., Piche, R., Kaseva, V., Ali-Löytty, S. ja Hännikäinen, M. Positioning with coverage area estimates generated from location fingerprints. English. Procee-dings of the 7th Workshop on Positioning, Navigation and Communication 2010 WPNC’10, 11-12 March 2010, Dresden, Germany. yhteisjulkaisu tietokonetekniik-ka laitoksen tietokonetekniik-kanssa<br/>Contribution: organisation=mat,FACT1=0.5<br/>Contribution:
organisation=tkt,FACT2=0.5. 2010, 99–106. ISBN: 978-1-4244-7157-7. DOI: 10 . 1109/WPNC.2010.5653409.
[51] Parkinson, T., Fisher, I., Administration, U. S. F. T., Board, N. R. C. ( T. R., Pro-gram, T. C. R. ja Corporation, T. D. Rail Transit Capacity. Report (Transit Coo-perative Research Program). Transportation Research Board, National Research Council, 1996.ISBN: 9780309057189.URL:https://books.google.fi/books?id=
NbYqQSQcE2MC.
[52] Puricer, P. ja Kovar, P. Technical Limitations of GNSS Receivers in Indoor Positio-ning.2007 17th International Conference Radioelektronika. 2007, 1–5.
[53] Tang, D., Lu, D., Cai, B. ja Wang, J. GNSS Localization Propagation Error Estima-tion Considering Environmental CondiEstima-tions.2018 16th International Conference on Intelligent Transportation Systems Telecommunications (ITST). 2018, 1–7.
[54] Hätäkeskuslaitos.112 Suomi. Saatavissa (Viitattu 29.4.2019):https://www.112.
fi/hatanumero_112/soittajan_paikantaminen/112suomi.
[55] Zafari, F., Gkelias, A. ja Leung, K. K. A Survey of Indoor Localization Systems and Technologies. IEEE Communications Surveys Tutorials 21.3 (2019), 2568–2599.
ISSN: 2373-745X.DOI:10.1109/COMST.2019.2911558.
[56] Wen, W., Zhang, G. ja Hsu, L. Exclusion of GNSS NLOS receptions caused by dynamic objects in heavy traffic urban scenarios using real-time 3D point cloud:
An approach without 3D maps.2018 IEEE/ION Position, Location and Navigation Symposium (PLANS). 2018, 158–165.
[57] Abdelghani, B. ja Qiang, G. Hybrid RSS-based fingerprinting positioning method with segmentation and KNN in cellular network.2017 3rd IEEE International Con-ference on Control Science and Systems Engineering (ICCSSE). 2017, 465–469.
[58] Cujia, K., Wirz, M., Kjærgaard, M. B., Roggen, D. ja Tröster, G. DactyLoc: A mi-nimally geo-referenced WiFi+GSM-fingerprint-based localization method for posi-tioning in urban spaces.2012 International Conference on Indoor Positioning and Indoor Navigation (IPIN). 2012, 1–9.
[59] Jiang, S., Lu, D. ja Cai, B. GNSS NLOS Signal Modeling and Quantification Method in Railway Urban Canyon Environment.2019 IEEE Intelligent Vehicles Symposium (IV). 2019, 1268–1273.
[60] Ye, X., Yin, X., Cai, X., Pérez Yuste, A. ja Xu, H. Neural-Network-Assisted UE Loca-lization Using Radio-Channel Fingerprints in LTE Networks.IEEE Access5 (2017), 12071–12087.