Academic literature on the topic 'Capteurs Wi-Fi'

ABSTRACT Pervasive computer games (PCGs) combine digital mobile technologies and location-based systems by creating an interface between electronic and physical spaces for playing. PCG is a general name for mobile games such as hybrid reality games (HRGs), location-based mobile games (LBMGs), and urban games. Our goal here is to show how these games, along with new digital mobile technologies, have the potential to produce “spatialization,” i.e., to socially produce the space in which they are embedded. I suggest that spatialization is achieved through the use of technology such as sensors and digital mobile networks (smartphones, PDAs, global positioning systems [GPSs], and augmented reality [AR] devices; radio frequency identification [RFID] tags and global system for mobile communications/general packet radio service [GSM/GPRS]; Wi-Fi and Bluetooth). The goal of this article is to examine the forms of spatialization created by the use of location-based services and location-based technologies.RÉSUMÉ : Les jeux mobiles géolocalisés combinent les technologies numériques mobiles avec les systèmes géolocalisés, créant ainsi pour le jeu une interface entre espace électronique et espace physique. Ces jeux comprennent tout jeu mobile tel que les jeux de réalité hybride et les jeux urbains. Mon but dans cet article est de montrer comment ces jeux, de concert avec les nouvelles technologies numériques mobiles, ont le potentiel de réaliser certains types de « spatialisation », c’est-à-dire de créer socialement l’espace dans lequel ils se trouvent. Je suggère que la spatialisation s’accomplit au moyen de technologies comme les capteurs et les réseaux numériques mobiles (téléphones intelligents, assistants numériques personnels, systèmes GPS et systèmes de réalité augmentée; étiquettes d’identification par radiofréquence, systèmes mondiaux de communication avec les mobiles et services généraux de radiocommunication par paquets; Wi-Fi et technologie Bluetooth). Le but de cet article est d’examiner les types de spatialisation créés au moyen de technologies et services géolocalisés.

Grâce à l’émergence dans la vie quotidienne des appareils de plus en plus populaires que sont les smartphones et les tablettes, la tâche de postionner l'utilisateur par le biais de son téléphone est une problématique fortement étudiée dans les domaines non seulement de la recherche mais également des communautés industrielles. Parmi ces technologies, les approches GPS sont devenues une norme et ont beaucoup de succès pour une localisation en environnement extérieur. Par contre, le Wi-Fi, les capteurs inertiels et le Bluetooth sont plutôt préférés pour les tâches de positionnement dans un environnement intérieur.Pour ce qui concerne le positionnement des smartphones, les approches basées sur les « empreintes digitales » (fingerprint) Wi-Fi sont bien établies. D'une manière générale, ces approches tentent d'apprendre la fonction de correspondance (cartographie) des caractéristiques du signal Wi-Fi par rapport à la position de l’appareil dans le monde réel. Elles nécessitent généralement une grande quantité de données pour obtenir une bonne cartographie. Lorsque ces données d'entraînement disponibles sont limitées, l'approche basée sur les empreintes digitales montre alors des taux d’erreurs élevés et devient moins stable. Dans nos travaux, nous explorons d’autres approches, différentes, pour faire face à cette problématique du manque de données d'entraînement. Toutes ces méthodes sont testées sur un ensemble de données public qui est utilisé lors d’une compétition internationale à la Conférence IPIN 2016.En plus du système de positionnement basé sur la technologie Wi-Fi, les capteurs inertiels du smartphone sont également utiles pour la tâche de suivi. Les trois types de capteurs, qui sont les accéléromètres, le gyroscope et la boussole magnétique, peuvent être utilisés pour suivre l'étape et la direction de l'utilisateur (méthode SHS). Le nombre d'étapes et la distance de déplacement de l'utilisateur sont calculés en utilisant les données de l'accéléromètre. La position de l'utilisateur est calculée par trois types de données avec trois méthodes comprenant la matrice de rotation, le filtre complémentaire et le filtre de Madgwick. Il est raisonnable de combiner les sorties SHS avec les sorties de Wi-Fi, car les deux technologies sont présentes dans les smartphones et se complètent. Deux approches combinées sont testées. La première approche consiste à utiliser directement les sorties Wi-Fi comme points de pivot pour la fixation de la partie de suivi SHS. Dans la deuxième approche, nous comptons sur le signal Wi-Fi pour construire un modèle d'observation, qui est ensuite intégré à l'étape d'approximation du filtre à particules. Ces combinaisons montrent une amélioration significative par rapport au suivi SHS ou au suivi Wi-Fi uniquement.Dans un contexte multiutilisateur, la technologie Bluetooth du smartphone pourrait fournir une distance approximative entre les utilisateurs. La distance relative est calculée à partir du processus de numérisation du périphérique Bluetooth. Elle est ensuite utilisée pour améliorer la sortie des modèles de positionnement Wi-Fi. Nous étudions deux méthodes. La première vise à créer une fonction d'erreur qui permet de modéliser le bruit dans la sortie Wi-Fi et la distance approximative produite par le Bluetooth pour chaque intervalle de temps spécifié. La seconde méthode considère par contre cette relation temporelle et la contrainte de mouvement lorsque l'utilisateur se déplace. Le modèle d'observation du filtre à particules est une combinaison entre les données Wi-Fi et les données Bluetooth. Les deux approches sont testées en fonction de données réelles, qui incluent jusqu'à quatre utilisateurs différents qui se déplacent dans un bureau. Alors que la première approche n'est applicable que dans certains scénarios spécifiques, la deuxième approche montre une amélioration significative par rapport aux résultats de position basés uniquement sur le modèle d'empreintes digitales Wi-Fi
With the popularity of smartphones and tablets in daily life, the task of finding user’s position through their phone gains much attention from both the research and industry communities. Technologies integrated in smartphones such as GPS, Wi-Fi, Bluetooth and camera are all capable for building a positioning system. Among those technologies, GPS has approaches have become a standard and achieved much success for the outdoor environment. Meanwhile, Wi-Fi, inertial sensors and Bluetooth are more preferred for positioning task in indoor environment.For smartphone positioning, Wi-Fi fingerprinting based approaches are well established within the field. Generally speaking, the approaches attempt to learn the mapping function from Wi-Fi signal characteristics to the real world position. They usually require a good amount of data for finding a good mapping. When the available training data is limited, the fingerprinting-based approach has high errors and becomes less stable. In our works, we want to explore different approaches of Wi-Fi fingerprinting methods for dealing with a lacking in training data. Based on the performance of the individual approaches, several ensemble strategies are proposed to improve the overall positioning performance. All the proposed methods are tested against a published dataset, which is used as the competition data of the IPIN 2016 Conference with offsite track (track 3).Besides the positioning system based on Wi-Fi technology, the smartphone’s inertial sensors are also useful for the tracking task. The three types of sensors, which are accelerate, gyroscope and magnetic, can be employed to create a Step-And-Heading (SHS) system. Several methods are tested in our approaches. The number of steps and user’s moving distance are calculated from the accelerometer data. The user’s heading is calculated from the three types of data with three methods, including rotation matrix, Complimentary Filter and Madgwick Filter. It is reasonable to combine SHS outputs with the outputs from Wi-Fi due to both technologies are present in the smartphone. Two combination approaches are tested. The first approach is to use directly the Wi-Fi outputs as pivot points for fixing the SHS tracking part. In the second approach, we rely on the Wi-Fi signal to build an observation model, which is then integrated into the particle filter approximation step. The combining paths have a significant improvement from the SHS tracking only and the Wi-Fi only. Although, SHS tracking with Wi-Fi fingerprinting improvement achieves promising results, it has a number of limitations such as requiring additional sensors calibration efforts and restriction on smartphone handling positions.In the context of multiple users, Bluetooth technology on the smartphone could provide the approximated distance between users. The relative distance is calculated from the Bluetooth inquiry process. It is then used to improve the output from Wi-Fi positioning models. We study two different combination methods. The first method aims to build an error function which is possible to model the noise in the Wi-Fi output and Bluetooth approximated distance for each specific time interval. It ignores the temporal relationship between successive Wi-Fi outputs. Position adjustments are then computed by minimizing the error function. The second method considers the temporal relationship and the movement constraint when the user moves around the area. The tracking step are carried out by using particle filter. The observation model of the particle filter are a combination between the Wi-Fi data and Bluetooth data. Both approaches are tested against real data, which include up to four different users moving in an office environment. While the first approach is only applicable in some specific scenarios, the second approach has a significant improvement from the position output based on Wi-Fi fingerprinting model only

La mobilité joue un rôle clé dans les paysages urbains, en particulier, les transports en commun sont essentiels au bon fonctionnement des villes. Par conséquent, il est nécessaire de planifier les systèmes de transport en commun afin de leur garantir un fonctionnement efficace. Pour cela, il est important d'avoir une bonne connaissance de la demande de transport en commun, d'autant plus dans un monde en constante évolution.Actuellement, nous observons une forte croissance démographique mondiale ainsi qu'un important étalement urbain, deux facteurs qui sont les principales causes de l'augmentation de la demande de transport urbain. À cela il faut ajouter une forte tendance à la diversification des comportements de mobilité, principalement due à l'émergence de nouveaux modes de transport. Les données traditionnellement utilisées pour prévoir cette demande, et pour la planification des transports de manière générale, ne sont plus à même de refléter ces changements dans les comportements de mobilité. Le développement des technologies de l'information, la digitalisation et le boom de la science des données sont autant de nouvelles opportunités pour la prévision de la demande de transport. Le développement de nouveaux outils et algorithmes, notamment issus de l'intelligence artificielle, contribuent à la diversification et participent à complexifier les modèles pour améliorer la prévision des comportements de mobilité. En parallèle, nous observons également une grande diversification des données utilisées dans la recherche en transport. Parmi ces nouvelles sources de données, les données Wi-Fi sont très prometteuses. Ces données présentent des avantages significatifs lorsqu'elles sont utilisées pour la planification des transports (collectées en continue, de manière passive, elles apportent des informations sur les trajets Origine-Destination…). Cependant, les données Wi-Fi présentent aussi quelques inconvénients. Ainsi elles doivent être traitées avant d'être utilisées dans des modèles de prévision de la demande. En tant que nouvelle méthode de collecte de données sur la mobilité, des questions subsistent quant à la qualité des données, à leur contribution dans le domaine et à la manière dont elles peuvent être utilisées.L'objectif de cette thèse est de fournir une approche clé en main de l'utilisation des données Wi-Fi pour la connaissance des comportements de mobilité. Dans cette thèse, nous proposons donc des solutions pour traiter ces données au fort potentiel. Nous présentons tout d'abord une méthodologie pour filtrer les signaux parasites détectés par les capteurs Wi-Fi de manière à ne construire la matrice Origine-Destination qu'avec les signaux provenant de passagers. Le redressement des données Wi-Fi pour pallier aux erreurs de prédiction des volumes de passagers du fait de signaux non détectés est également traité. Au final, ces méthodes permettent d'obtenir des matrices Origine-Destination à la fois pertinentes pour la structure des déplacements et complètes dans les volumes de déplacements. Dans cette thèse, nous proposons également un modèle pour quantifier l'erreur entre la matrice Origine-Destination produite par les données Wi-Fi et les déplacements Origine-Destination réels, malgré la rare disponibilité de ces derniers. Quelques applications pour l'utilisation des données Wi-Fi sont également présentées. Pour conclure, les résultats de cette thèse montrent que les données Wi-Fi peuvent enrichir la connaissance des comportements de mobilité, de manière continue et à faible coût
Due to its social, environmental and economic importance, mobility plays a key role in urban landscapes. In particular, public transportation is critical to the smooth functioning of cities. Therefore, public transportation systems must be planned to operate properly and efficiently. To this end, it is of paramount importance to have a great knowledge of the mobility demand, especially in an evolving world. The world today is facing a significant demographic growth along with urban sprawl, which implies an increasing demand for transportation in the cities. In addition, travel patterns are diversifying and becoming less regular, mainly due to the emergence of new modes of transport. The data traditionally used for public transportation planning are inadequate to reflect these changes in mobility behaviors. The development of information technologies, digitization and the data science boom can bring interesting benefits to the forecasting of transport demand. The development of new tools and algorithms, such as artificial intelligence, contributes to the diversification and complexity of models to improve the prediction of mobility behaviors. In parallel, we are currently witnessing the diversification of data sources used in mobility analyses. Among them, Wi-Fi data are very promising. These data have significant advantages when used in transportation planning (they provide information on Origin-Destination trips, they are collected continuously and passively…). However, Wi-Fi data also have some drawbacks. Therefore, they require further processing to be used in demand forecasting models. As a new way of collecting mobility data, questions remain about the quality of the data, their contribution, and how they can be used. The objective of this thesis is to provide a data-driven approach to the use of Wi-Fi data for mobility behaviors. In this thesis, we therefore propose solutions to process this interesting data source. A methodology is presented to filter the parasite signals detected by Wi-Fi sensors in order to keep only the passenger signals and construct relevant Origin-Destination matrices. Scaling of the Wi-Fi data to avoid errors in the predicted total number of trips due to undetected Wi-Fi devices is also handled. In the end, we provide Origin-Destination matrices that are relevant to the structure of the trips and complete in trip volumes. In addition, we propose a modeling to quantify the error between the Origin-Destination matrix produced by Wi-Fi data and real Origin-Destination trips, despite the non-continuous availability of the latter. Some applications of the use of Wi-Fi data are also presented. In conclusion, the results of this thesis show that interesting insights into mobility behaviors can be derived from Wi-Fi data, continuously and at low cost

La détection sans fil a évolué depuis la découverte de la détection radar en 1886. L’analyse des réflexions électromagnétiques d’objets a ouvert la voie à un large éventail d’applications allant de la localisation de cibles à longue distance pour la navigation civile et militaire à la surveillance du vent et des précipitations les prévisions météo à la détection de vitesse pour la sécurité routière. Cependant, pendant très longtemps, la détection sans fil a rarement été utilisée pour des applications centrées sur l’homme en raison de limitations techniques, d’impraticabilité ou de coût. L’introduction des réseaux sans fil a suscité́ un nouvel intérêt pour le développement de nouveaux services de détection sans fil en raison de leur souplesse et de leur polyvalence. L’intégration de ces fonctionnalités contribuerait à résoudre certains problèmes de société importants. La localisation, la détection de mouvements et la surveillance des signes vitaux ont un grand potentiel pour promouvoir le vieillissement en bonne santé, la sécurité publique et le commerce. La détection sans contact offre un degré de liberté appréciable, permettant de surveiller à distance les personnes âgées isolées sans entraver leur vie quotidienne. Elle pourrait aider les services de sécurité publique à dénombrer les foules et à détecter les survivants à l’intérieur des bâtiments en cas d’urgence. Les commerces de détail et les établissements publics tireraient parti d’une localisation active et passive pour offrir une expérience améliorée à leurs visiteurs et faciliter leurs efforts logistiques. Cette thèse aborde le problème de l’exploitation des réseaux sans fil commerciaux pour les applications de détection : L’un des défis de la surveillance sans fil consiste à détecter l’orientation d’une personne avec précision. Tandis que d’autres travaux fournissent des solutions à granularité grossière pour résoudre de tels problèmes, nous utilisons les techniques de radar MIMO pour fournir un système d’estimation d’orientation précis pour lesinfrastructures Wi-Fi. Plus précisément, nous analysons les informations de phase des signaux reçus sur le réseau d’antennes afin de calculer le cap d’un terminal Wi-Fi. Un deuxième défi consiste à fournir un système de positionnement précis aux systèmes LPWAN afin de maintenir la cohérence des informations des capteurs déployés. Les solutions actuelles sont complexes, coûteuses ou consomment beaucoup d’énergie. Pour résoudre ce problème, nous introduisons les fonctions MIMO dans les systèmes LoRa LPWAN afin de permettre une localisation précise avec des coûts de démarrage limités. Nous activons l’estimation de l’angle d’arrivée en utilisant une deuxième antenne sur la passerelle LoRaWAN. Nous prouvons également l’utilité de ces informations pour augmenter l’efficacité des communications sans fil. Un troisième défi pour la localisation sans fil est l’inefficacité des approches actuelles basées sur un modèle en cas de conditions de non-visibilité et la rigidité des approches basées sur les données en cas de changements d’environnement de propagation. Pour relever ce défi, nous proposons une nouvelle solution de localisation passive pilotée par les données afin de remédier aux limitations des techniques de localisation basées sur un modèle. Pour donner vie à de tels systèmes et leur donner une chance d’impact sur notre quotidien, nous devons promouvoir la réutilisabilité et la reproductibilité. Pour cela, nous essayons de relever le défi de la reproductibilité dans les réseaux sans fil enanalysant l’état actuel, en réalisant une étude de cas et en présentant les enseignements qui en découlent
Wireless sensing has evolved since the discovery of radio wave echo detection and radar in 1886. Analyzing electromagnetic reflections from objects opened the way for a wide range of applications spanning from locating long-range targets for navigation and military to monitoring wind and precipitation for weather-forecasting to velocity detection for public safety. However, for the longest time, its usefulness was seldom for human-centric applications because of technical limitations, impracticality or costliness. Introducing wireless networks awakened a newfound interest in developing new wireless sensing services for their seamlessness and versatility. Integrating such functionalities would contribute to resolving some prominent societal issues. Localization, motion detection, and vital signs monitoring have great potential for promoting healthy aging, public safety, and retail. Contactless sensing offers an appreciable degree of freedom, enabling remote monitoring of the isolated elderly without hampering their daily lives. It could assist public safety services for crowd counting and detection of survivors inside buildings during emergencies. Retail and public facilities would benefit from passive and active localization to offer an enhanced experience to their visitors and to help their logistical efforts. This thesis addresses the problem of leveraging commercial off-the-shelf wireless networks for sensing applications: One challenge for wireless monitoring is to detect the attitude of a person accurately. While other works provide coarse-grained solutions for resolving such issues, we use MIMO radar techniques to provide an accurate orientation estimation system for Wi-Fi infrastructures. To be more precise, we analyze the phase information of signals received on the antenna array to compute the heading of a Wi-Fi terminal. A second challenge is to provide an accurate positioning system for LPWAN systems to maintain the information consistency of deployed sensors. Current solutions are complex, costly, or not energy-efficient. To address this problem, we introduce MIMO capabilities to LoRa LPWAN systems that provide accurate localization with limited startup costs. We enable the angle of arrival estimation by leveraging a second antenna on the LoRaWAN gateway. We also prove the usefulness of such information for wireless communication efficiency. A third challenge for wireless localization is the inefficiency of current model-based approaches in case of non-line-of-sight conditions and the rigidity of data-driven approaches in case of propagation environment changes. To address this challenge, we propose a new data-driven solution for passive localization to address the limitations of model-based localization techniques. To give life to such systems and provide them with a chance of impacting our everyday lives, we should promote reusability and reproducibility. For that, we focus on the challenge of reproducibility in wireless networking by surveying the current state, performing a case study, and presenting the engendered lessons

L’IoT est un concept innovant qui permet à des objets d’échanger des informations à travers des réseaux de communications. Ces objets sont généralement déployés avec des ressources énergétiques limitées et les protocoles de communications pour l’IoT doivent tenir compte de ces contraintes. Dans cette thèse, nous avons analysé et modélisé la consommation énergétique de deux des protocoles de communication les plus en vue de l’IoT. Dans un premier temps, nous nous sommes intéressés au Wi-Fi HaLow. Après une présentation descriptive de ce protocole et de ses mécanismes, ses performances ont été étudiées et qualifiées. Des campagnes de mesures ont montré son bon comportement en termes de portée, de débit et de latence. L’analyse du protocole ainsi que des mesures de l’énergie consommée sur du matériel ont permis d’établir un premier modèle de consommation. Ce dernier tient compte des échanges nécessaires à l’établissement d’une communication. Le modèle a ensuite été affiné pour obtenir une modélisation basée sur une chaîne de Markov absorbante qui prend en compte l’environnement et la densité du réseau. Cette étude permet de valider l’utilisation de cette technologie dans différents domaines de l’IoT. Dans un second temps, nous nous sommes intéressés au protocole LoRaWAN. Des mesures de l’énergie consommée sur du matériel ont permis de proposer un nouveau modèle de consommation énergétique qui prend en compte l’environnement du nœud (retransmissions, erreurs et collisions). Finalement, une comparaison des métriques et de la consommation énergétique de ces deux protocoles a été réalisée, afin d’ouvrir une discussion sur les perspectives d’utilisation selon des cas d’usage
IoT is an innovative concept that enables objects to exchange data over communications networks. These objects are typically deployed with limited energy resources, and IoT communication protocols must take these constraints into account. In this thesis, we analyzed and modeled the energy consumption of two of the most prominent IoT communication protocols. First, we focused on Wi-Fi HaLow. After a descriptive presentation of this protocol and its mechanisms, performance was studied and characterized. Measurement campaigns showed that it performs well in terms of range, throughput and latency. Analysis of the protocol and measurements of the energy consumed on hardware have enabled us to establish an initial consumption model. This takes into account the exchanges required to establish a communication. The model was then refined to obtain a model based on an absorbing Markov chain that takes into account the environment and network density. This study validates the use of this technology in various IoT domains.We then turned our attention to the LoRaWAN protocol. Measurements of the energy consumed on hardware enabled us to propose a new energy consumption model that takes into account the node’s environment (retransmissions, errors and collisions). Finally, a comparison of the metrics and energy consumption of these two protocols was carried out, in order to open a discussion on the prospects for use cases

Nous avons étudié la faisabilité d'un système de transmission mixte fibre-radio bas coût à base de fibre optique multimode. Ce type de fibre est fortement déployé dans les bâtiments Européens et réutiliser les réseaux de fibres existants serait attrayant d'un point de vue coût, en couplant leur utilisation avec un transducteur opto/micro-onde -un modulateur détecteur à électroabsorption- intégré dans une borne antenne picocellulaire. Ce composant, fabriqué dans la filière GaAs et fonctionnant à 850 nm a été le fruit d'une modélisation électrique et optique pour son fonctionnement en microcavité. Le caractère absorbant du substrat GaAs nous a obligé à reporter la structure active du composant sur un substrat en silice. Nous avons démontré les potentialités des systèmes fibre - radio à l'aide de fibre optique multimode silice ou polymère permettant le transport optique de signaux issus de réseaux cellulaires ou WLAN d'une station centrale vers une station de base picocell ulaire.