ERK'2022, Portorož, 50-53 50 Lokalizacija na prostem s pomoˇ cjo radiofrekvenˇ cnih odtisov tehnologije BLE v testnem omreˇ zjem LOG-a-TEC Blaˇ z Bertalaniˇ c 1 , Grega Morano 1, 2 , Gregor Cerar 1 1 Department of Communication Systems, Joˇ zef Stefan Institute, Slovenia 2 Joˇ zef Stefan International Postgraduate School, Slovenia E-poˇ sta:{ blaz.bertalanic| grega.morano| gregor.cerar} @ijs.si LOG-a-TEC Testbed outdoor fingerprinting localization using BLE beacons While the Global Positioning System (GPS) provides high accuracy it places a significant strain on the device’s bat- tery. In search of alternative techniques for outdoor lo- calization, several approaches have been explored and recently Bluetooth Low Energy (BLE) is becoming a vi- able alternative to GPS for outdoor localization. De- spite its popularity, access to open-source datasets for outdoor localization is limited. In this paper, we present a new openly available BLE fingerprint-based localiza- tion dataset that has been collected on LOG-a-TEC test- edbed at the Joˇ zef Stefan Institute, Ljubljana, Slovenia. The presented dataset was also used to develop a ma- chine learning model that is capable of correctly classi- fying fingerprints with an average F1-score of 96.1%. We also provide insight into the importance of each node to the performance of the model. 1 Uvod Lokalizacijske storitve (ang. localization-based services, LSB), so postale sestavni del naˇ sega vsakdana, tako za doloˇ canje lokacije v zaprtih prostorih kot na prostem. Naj- pogosteje uporabljena tehnologija za zunanjo lokalizacijo je globalni sistem pozicioniranja (ang. Global Positio- ning System, GPS), ki se uporablja v ˇ stevilnih aplikaci- jah. Kljub sploˇ sno znanim prednosti tehnologije GPS, je njena glavna pomanjkljivost ta, da zahteva neposredno vidljivost vsaj ˇ stirih satelitov, kar lahko v primeru niz- kega razmerja med signalom in ˇ sumom (ang. signal to noise ratio, SNR) omeji delovanje na obmoˇ cjih s slabˇ so vidljivostjo satelitov, kot so nekatera mestna obmoˇ cja z visokimi nebotiˇ cniki ali podroˇ cja z neugodnim reliefom. Druga pomanjkljivost zaradi nizkega SNR pri lokalizaciji GPS je velika poraba energije [1], ki lahko znatno vpliva na ˇ zivljenjsko dobo baterije mobilnih naprav. S tehnoloˇ skim napredkom so sodobne pametne na- prave postale opremljene s ˇ stevilnimi senzorji z majhno porabo energije, ki nam omogoˇ cajo raziskovanje v alter- nativne moˇ znosti lokalizaciji GPS, ki so bolj energijsko uˇ cinkovite, zlasti v primer lokalizacije znotraj prostorov. Takˇ sne alternative veˇ cinoma temeljijo na uporabi radij- skih tehnologij, kot so celiˇ cna [2], WiFi/Bluetooth [3, 4], ultraˇ sirokopasovna (UWB) [5] ali radiofrekvenˇ cna iden- tifikacija (RFID) [6]. Vendar lokalizacija z uporabo radij- skih frekvenc ni omejena le na lokalizacijo znotraj pro- storov, ampak lahko predstavlja tudi alternativo sistemu GPS v mestnih okoljih. Lokalizacija z radiofrekvenˇ cnim prstnim odtisom (ang. fingerprint) na podlagi prejete moˇ ci signala (ang. recei- ved signal strength, RSS) postaja priljubljena alternativa sistemu GPS [7, 8]. Pri tej metodi se sprva se opravi niz meritev RSS na vnaprej doloˇ cenih toˇ ckah v mreˇ zi, ki se jih shrani v podatkovno zbirko prstnih odtisov. Meri- tve RSS v realnem ˇ casu se nato primerjajo z meritvami v zbirki, s ˇ cimer se oceni najbolj podobne lokacije. V zadnjem ˇ casu so metode strojnega uˇ cenja postale prilju- bljeno orodje za razvoj lokalizacijskih storitev, zlasti za doloˇ canje lokacij s prstnimi odtisi. Model strojnega uˇ cenja je nauˇ cen s pomoˇ cjo zajete podatkovne zbirke prstnih od- tisov in se pozneje uporabi za ocenjevanje lokacije na podlagi meritev v realnem ˇ casu. ˇ Studije kaˇ zejo, da pri- stopi z uporabo strojnega uˇ cenja bistveno izboljˇ sajo delo- vanje lokalizacijskih storitev, ki temelji na prstnih odtisih, v primerjavi s preprosto primerjavo vrednosti RSS [9]. Nizko energijski Bluetooth (ang. Bluetooth Low Energy, BLE) se je zaradi svoje energetske uˇ cinkovitosti pogosto uporabljal za lokalizacijo na podlagi prstnih odtisov v za- prtih prostorih, vendar se je izkazalo, da ga je mogoˇ ce uporabiti tudi za zunanjo lokalizacijo, ki lahko vkljuˇ cuje sledenje zasedenosti parkiriˇ sˇ ca, navigacijo na prostem in drugo. Zaradi pomanjkanje prosto dostopnih zbirk podat- kov iz realnih okolij je razvoj modelov strojnega uˇ cenja za zaznavanje BLE radiofrekveˇ cnih prstnih odtisov na prostem oteˇ zeno, zlasti za primere mest in zelenih povrˇ sin. V tem ˇ clanku predstavljamo nov javno dostopen na- bor podatkov o meritvah BLE RSS za lokalizacijo na pod- lagi radiofrekvenˇ cnih odtisov, pridobljenih s testnim omreˇ zjem LOG-a-TEC [10]. Pridobljeni nabor podatkov je upora- bljen za razvoj modela strojnega uˇ cenja za lokalizacijo s prstnimi odtisi BLE. Naˇ si glavni prispevki so naslednji: • Nov nabor podatkov BLE brezˇ ziˇ cnih prstnih odti- sov, ki so bili zajeti s testno napravo LOG-a-TEC v urbanem in vegetacijskem obmoˇ cju. Podatki so prosto dostopni na: http://log-a-tec.eu/datasets-ble.html. • Model strojnega uˇ cenja za lokalizacijo na podlagi BLE radiofrekvenˇ cnih odtisov nauˇ cen na zajeti zbirki podatkov. 51 ˇ Clanek je organiziran na naslednji naˇ cin. V razdelku 2 obravnavamo sorodno delo. V razdelku 3 predstavimo metodologijo pridobivanja podatkovnih nizov, v razdelku 4 korake predhodne obdelave podatkovnih nizov, razpravo o izbiri modela ML in metodoloˇ ski vidiki razvoja lokali- zacijskih modelov, v razdelku 5 pa podamo sploˇ sno oceno. Z razdelkom 6 zakljuˇ cimo ˇ clanek. 2 Pregled podroˇ cja Lokalizacija z uporabo tehnologije Bluetooth je postala popularna za razvoj LSB, predvsem za lokalizacijo v no- tranjih prostorih. Faragher et al. [11] je med prvimi pre- dlagal uporabo BLE za lokalizacijo v notranjih prostorih, pri ˇ cemer je dosegel natanˇ cnost napovedi lokacije pod 2,6 m. Njihov sistem je bil sestavljen iz prenosnih niz- kocenovnih BLE naprav z baterijskim napajanjem, ki jih je bilo mogoˇ ce enostavno namestiti na poljubno obmoˇ cje. Podoben pristop kot mi, uporabo meritev BLE RSS za uˇ cenje modela strojnega uˇ cenja, so za lokalizacijo v zapr- tih prostorih uporabili v [12], kjer so ustvarili mreˇ zo ve- likosti 2,5 m× 4,5 m, pri ˇ cemer so bili izmerjeni poloˇ zaji med seboj oddaljeni 0,5 m. Na vsaki toˇ cki so zbrali 5000 vzorcev oddanih referenˇ cnih signalov, ki so jih uporabili za uˇ cenje algoritmov SVM (ang. support vector machine) in logistiˇ cne regresije (ang. logistic regression) s pov- preˇ cno napako lokalizacije 50 cm. Drug podoben pristop uporabe BLE za lokalizacijo znotraj prostorov so predla- gali v [13], kjer so uporabili mreˇ zo 3 m× 3 m, pri ˇ cemer so bile lokacijske toˇ cke oddaljene 0,3 m (1 ˇ cevelj). Upo- rabili so algoritem strojnega uˇ cenja imenovan nakljuˇ cna drevesa (ang. random forest) in dosegli natanˇ cnost lokali- zacije do 96%. V obeh predstavljenih delih je bila lokali- zacija opredeljena kot klasifikacijski problem, ki doloˇ ca, kje v mreˇ zi se nahaja naprava. Nekateri raziskovalci so lokalizacijo BLE v notranjih prostorih opredelili kot re- gresijski problem, pri ˇ cemer so za doloˇ citev natanˇ cne lo- kacije naprave uporabili razliˇ cne algoritme strojnega uˇ cenja. Eno takih del so predstavili v [14], kjer so uporabili regre- sijo s pomoˇ cjo Gaussovega procesa, s katero so poskuˇ sali doloˇ citi natanˇ cno trajektorijo aktivne naprave v prostoru velikosti 10 m× 25 m. V zadnjih letih je BLE pritegnil pozornost raziskav za lokalizacijo na prostem. V [15] so predlagali uporabo radiofrekvenˇ cnih odtisov BLE za zaznavanje zasedeno- sti parkiriˇ sˇ c, kjer so v mreˇ zi 150 parkirnih mest lahko zaznali zasedenost z 90,7-odstotno natanˇ cnostjo. V [16] so predstavili reˇ sitev za lokalizacijo ljudi na prehodih za peˇ sce s pomoˇ cjo tehnologije BLE, ter dosegli 99 oziroma 97,7-odstotno natanˇ cnost lokalizacije. 3 Meritve V tem poglavju najprej predstavimo testno omreˇ zje LOG- a-TEC, s katerim smo izvedli meritve in nato podrobneje opiˇ semo metodo in nastavitve eksperimenta za zajem po- datkov. 3.1 Testno omreˇ zje LOG-a-TEC 3.0 Testno omreˇ zje LOG-a-TEC 3.0, ki se nahaja v parku In- stituta ”Joˇ zef Stefan”v Ljubljani, je namenjeno preuˇ cevanju razliˇ cnih brezˇ ziˇ cnih tehnologij z realnimi napravami v re- alnem okolju, ter tako omogoˇ ca zanesljivo testiranje in vrednotenje aplikacij interneta stvari, komunikacije med napravami in mobilnih omreˇ zij naslednjih generacij. Po meri zasnovana vozliˇ sˇ ca lahko gostijo veˇ c razliˇ cnih radij- skih vmesnikov, ki omogoˇ cajo eksperimentiranje s tehno- logijami kot so nizko-energijski Bluetooth, UWB, LoRa- WAN, WiFi, Zigbee in 6LoWPAN. 77 vozliˇ sˇ c, nameˇ sˇ cenih v notranjem in zunanjem testnem okolju, tako tvori he- terogeno brezˇ ziˇ cno testno omreˇ zje, katerega je mogoˇ ce upravljati in krmiliti preko centralnega streˇ znika za upra- vljanje. Dostop do vozliˇ sˇ c je urejen prek spletnega vme- snika, ki omogoˇ ca hkraten dostop veˇ cim uporabnikom in ponuja sistem za rezervacijo naprav ter popolnoma av- tomatiziran mehanizem izvajanja eksperimentov in zbi- ranja rezultatov [10]. Za dodatno podporo in nadzor pri izvajanju eksperimentov testno omreˇ zje ponuja orodje za spremljanje poskusov v realnem ˇ casu [17], ki nadalje omogoˇ ca zbiranje meritev iz vseh vozliˇ sˇ c in vizualizacijo podatkov. 3.2 Zajem podatkov Slika 1: a) Postavitev uporabljenih vozliˇ sˇ c v testnem omreˇ zju, b) Zele- nje v parku in drog uliˇ cne svetilke s pritrjenim vozliˇ sˇ cem 55. Slika 2: Podrobna mapa podroˇ cja lokalizacije. Podatke smo pridobili z uporabo zunanjega dela te- stnega omreˇ zja LOG-a-TEC, kot prikazuje slika 1. Pri izvajanju meritev smo uporabili 25 vozliˇ sˇ c, opremljenih z Bluetooth modulom WL1837MOD, ki so pritrjena na drogove uliˇ cnih svetilk in okoliˇ ske stavbe na viˇ sinah med 2 in 3,9 m nad tlemi. Testno omreˇ zje je umeˇ sˇ ceno v park inˇ stituta, ki je gosto posejan z drevesi in visokim grmiˇ cevjem ter obdan s stavbami pisarn, kar je razvidno na sliki 1. Slika 2 prikazuje podrobnejˇ si naˇ crt testnega okolja, na kateri so visoka drevesa oznaˇ cena s svetlo ze- lenimi krogi, gostejˇ se in visoko grmovje pa s temno zele- nimi krogi. Ista slika prikazuje tudi podroˇ cje lokalizacije, 52 ki je sestavljeno iz 5× 26 toˇ ck (prikazanih z modrimi pi- kami), ki so med seboj oddaljene 1,2 m in pokrivajo 150 kvadratnih metrov. Na vsaki toˇ cki je bil na 1,6 m viso- kem stojalu fiksno nameˇ sˇ cen namenski oddajnik BLE, ki je v 100 ms intervalih poˇ siljal oglaˇ sevalne pakete BLE z moˇ cjo -2 dBm. Okoliˇ ska vozliˇ sˇ ca so shranjevala zaznane pakete in njihove karakteristike za vsako toˇ cko pribliˇ zno eno minuto, nato pa je operater prestavil oddajnik na na- slednjo toˇ cko. Meritev je bila izvedena pozno popoldne, ko v okolici parka ni bilo ljudi. Ker je testno omreˇ zje postavljeno v realno okolje, so vozliˇ sˇ cne naprave zaznale pakete BLE tudi od drugih naprav (npr. brezˇ ziˇ cne tipkov- nice in sluˇ salke v okoliˇ skih pisarnah), katere smo pa po koncu meritve izloˇ cili iz podatkov. 4 Metodologija V tem poglavju opiˇ semo postopke predobdelave podat- kov, predlagamo model strojnega uˇ cenja in predstavimo metodologijo eksperimenta lokalizacije, kjer podrobneje opiˇ semo uˇ cni model in ovrednotimo rezultate. 4.1 Predpriprava podatkov Neobdelane meritve, katerih zajem smo opisali v razdelku 3, vsebujejo ˇ casovne vrste razliˇ cnih dolˇ zin. Vsaka ˇ casovna vrsta vsebuje zaporedne zapise vrednosti sprejete moˇ ci si- gnala (RSS), katerih statiˇ cna porazdelitev je bila pravilna za vsa vozliˇ sˇ ca. Zaradi tehniˇ cnih omejitev, ˇ casovni ˇ zig prejetih paketov med vozliˇ sˇ ci ni usklajen (sinhroniziran), sami paketi pa tudi ne vsebujejo informacij o sosledju. Hkrati je zaradi izgubne narave brezˇ ziˇ cne komunikacije malo verjetno, da vsa vozliˇ sˇ ca uspeˇ sno sprejmejo vsak poslan oglaˇ sevalni paket. V ozliˇ sˇ ca #63, #64 in #65 na primer niso vedno v vidnem polju z oddajnikom in so zaˇ cela prejemati pakete ˇ sele, ko je bil oddajnik postavljen blizu prehoda. To je povzroˇ cilo neenako ˇ stevilo vzorcev na poloˇ zaj (med 910 in 12 317) oz. neenako ˇ stevilo vzor- cev na vozliˇ sˇ ce (med 0 in 889). Neobdelane meritve sku- pno vsebujejo 723 147 vzorcev na napravo. Podatke iz veˇ c ˇ casovnih vrst razliˇ cnih dolˇ zin smo mo- rali preoblikovali v vektorje znaˇ cilkR dolˇ zineN z ustre- zno oznako poloˇ zaja P , kjer se je nahajal oddajnik D. Da bi odpravili omejitev nabora meritev zaradi neusklaje- nih podatkov, smo uporabili posebno metodo poveˇ canja, s katero smo pridobili veˇ c vzorcev. Metoda upoˇ steva po- razdelitev vzorcev RSS, namesto da obravnava meritve RSS v vsakem vozliˇ sˇ cu kot ˇ casovno vrsto. Z metodo smo tako nakljuˇ cno vzorˇ cili zbrane podatkovne toˇ cke iz vsakega vozliˇ sˇ ca, z enako verjetnostjo za vsak merilni poloˇ zaj. To je uˇ cinkovito poveˇ calo ˇ stevilo vzorcev, zaradi nepristranskega vzorˇ cenja pa se je ohranila prvotna stati- stiˇ cna porazdelitev vzorcev RSS v vsakem vozliˇ sˇ cu. ˇ Ce vzorcev ni bilo na voljo, smo predpostavili, da je bil spre- jem -140 dBm, ki je vrednost nekoliko pod obmoˇ cjem obˇ cutljivosti sprejemnika. Po razˇ siritvi je konˇ cni nabor podatkov sestavljen iz 500 000 vzorcev vektorjev znaˇ cilk R dolˇ zineN, kjerN ustreza ˇ stevilu uporabljenih vozliˇ sˇ c, to je 25. 4.2 Predlagan model Cilj naˇ sega pristopa je natanˇ cna ocena poloˇ zaja brezˇ ziˇ cnega oddajnika v parku s pomoˇ cjo radiofrekvenˇ cnega odtisa. Nalogo smo opredelili kot klasifikacijski problem, pri ka- terem smo poskuˇ sali oceniti poloˇ zaj oddajnika do nje- gove najbliˇ zje toˇ cke v mreˇ zi. Za reˇ sitev navedenega problema je smo izbrali kla- sifikacijski algoritem nakljuˇ cni gozd (ang. Random Fo- rest), saj se je izkazal za uˇ cinkovitega pri reˇ sevanju na- log lokalizacije [18,19]. Uporabili smo knjiˇ znico XGBo- ost [20] (implementacijo nakljuˇ cnega gozda) zaradi nje- gove uˇ cinkovitosti na velikih naborih podatkov, pri ˇ cemer smo uporabili ˇ ze privzete parametre doloˇ cene v imple- mentaciji knjiˇ znice. 4.3 Uˇ cenje modela in vrednotenje Za uˇ cenje modela smo uporabili 10-kratno tehniko stra- tificiranega nakljuˇ cnega deljenja. Pri tem smo podatke premeˇ sali in jih razdelili na uˇ cno in testno mnoˇ zico v raz- merju 9 : 1. Postopek smo ponovili desetkrat, da smo zagotovili verodostojnost rezultatov. Uspeˇ snost nastalih modelov smo ocenili s standardno metriko F1. Rezultat F1 je izraˇ zen kot harmoniˇ cno pov- preˇ cje med Natanˇ cnost = TP TP+FP in Priklic = TP TP+FN , kjer TP, FP in FN pomenijo resniˇ cno pozitivne, laˇ zno pozi- tivne in laˇ zno negativne rezultate. Ker je bila za vredno- tenje modela uporabljena 10-kratna stratificirana poraz- delitev, je konˇ cni rezultat povpreˇ cna ocena F1 za vseh 10 scenarijev uˇ cenja in testiranja. Za bolj poglobljeno analizo izdelanega modela smo uporabili postopek permutacijske pomembnosti za vre- dnotenje znaˇ cilk [21]. V tem postopku se najprej eno od znaˇ cilk izkljuˇ ci (v naˇ sem primeru eno vozliˇ sˇ ce), nato se model ponovno nauˇ ci in opazuje razliko v uspeˇ snosti. Proces se ponovi za vsako izmed znaˇ cilk. Celoten po- stopek tako pokaˇ ze, prispevek posameznih znaˇ cilk (t.j., vozliˇ sˇ c) k uspeˇ snosti modela. 5 Rezultati V prejˇ snjih poglavjih opisan uˇ cni model v povpreˇ cju doseˇ ze F1 rezultat 96,1 %. Najniˇ zji F1 rezultat je bil 80,9 % pri referenˇ cnih toˇ ckahP(8, 2) inP(10, 4). Preverili smo tudi, koliko je vsako vozliˇ sˇ ce v testnem okolju LOG-a- TEC prispevalo h konˇ cnemu rezultatu F1. Kot prikazuje slika 3, analiza pomembnosti znaˇ cilk pove, da je ˇ sest vo- zliˇ sˇ c, ki so najveˇ c prispevala k uspeˇ snosti uˇ cnega mo- dela: #60, #64, #63, #67, #65 in #66 v padajoˇ cem vr- stnem redu. To nakazuje, da so pri oceni pozicije najbolj prispevala vozliˇ sˇ ca, ki niso vedno v vidnem polju oddaj- nika, kot so vozliˇ sˇ ca za stavbo oz. nad prehodom. Sklep, ki izhaja iz rezultatov je skladen z naˇ so predpostavko, da model lahko predvidi, da je oddajnik na doloˇ cenem delu obmoˇ cja, ko zgoraj omenjena vozliˇ sˇ ca uspeˇ sno pre- jemajo pakete. Na primer, ko vozliˇ sˇ ce #64 zaˇ cne preje- mati oglaˇ sevalne pakete, se oddajnik zelo verjetno nahaja v desnem delu parka, saj je takrat v vidnem polju z vo- zliˇ sˇ cem. 53 Slika 3: Pomembnost brezˇ ziˇ cnih vozliˇ sˇ c pri oceni pozicije, dobljena s permutacijo na celotnem uˇ cnem modelu. 6 Zakljuˇ cek V tem ˇ clanku predstavimo nov, javno dostopen set podat- kov z meritvami sprejete moˇ ci signalov BLE paketov, na- menjen lokalizaciji na podlagi radiofrekvenˇ cnega odtisa, pridobljen s testnim omreˇ zjem LOG-a-TEC. Na podlagi zajetih podatkov smo razvili uˇ cni model, ki temelji na algoritmu nakljuˇ cnega gozda in lahko oceni lokacijo na- prave BLE s povpreˇ cnim rezultatom F1 96,1 %. Poleg tega smo opisali tudi delovanje modela in njegovih na- povedi z izraˇ cunom pomembnosti, ki ga ima posamezno vozliˇ sˇ ce na konˇ cno oceno lokacije. Kot je razvidno iz re- zultatov, k oceni poloˇ zaja najbolj prispevajo vozliˇ sˇ ca, ki niso vedno v vidnem polju oddajnika. Pri prihodnjem delu nameravamo izboljˇ sati metodo pridobivanja paketov z dodajanjem ˇ casovnih ˇ zigov. Ta nadgradnja bi pomagala izboljˇ sati modeliranje povezav z odkrivanjem manjkajoˇ cih in ne-zaznanih paketov. Naˇ crtujemo tudi razˇ siritev naˇ sega nabora zbirk podatkov z bolj razno- likimi scenariji. Na primer scenariji s posebnimi ˇ cloveˇ skimi dejavnostmi na obmoˇ cju in njihovim ponavljanjem v razliˇ cnih delih leta (npr. poletje, zima) in vremenskih razmerah (npr. nevihta, vroˇ c dan). Zahvala Delo je bilo podprto s strani Slovenske raziskovalne agen- cije (P2-0016 in J2-2507), in evropskega projekta Fed4FIRE+ (Grant 732 638). Literatura [1] L. A. Tawalbeh, A. Basalamah, R. Mehmood, and H. Tawalbeh, “Greener and smarter phones for future cities: Characterizing the impact of gps signal strength on power consumption,” IEEE Access, vol. 4, pp. 858–868, 2016. [2] M. Ibrahim and M. Youssef, “Cellsense: An accurate energy- efficient gsm positioning system,” IEEE Transactions on Vehicu- lar Technology, vol. 61, no. 1, pp. 286–296, 2011. [3] Y . Wang, Q. Ye, J. Cheng, and L. Wang, “Rssi-based bluetooth in- door localization,” in 2015 11th international conference on mo- bile ad-hoc and sensor networks (MSN). IEEE, 2015, pp. 165– 171. [4] M. A. Youssef, A. Agrawala, A. U. Shankar, and S. H. Noh, “A probabilistic clustering-based indoor location determination sy- stem,” Tech. Rep., 2002. [5] L. Zwirello, T. Schipper, M. Harter, and T. Zwick, “Uwb loca- lization system for indoor applications: Concept, realization and analysis,” Journal of Electrical and Computer Engineering, vol. 2012, 2012. [6] C. Li, L. Mo, and D. Zhang, “Review on uhf rfid localization me- thods,” IEEE Journal of Radio Frequency Identification, vol. 3, no. 4, pp. 205–215, 2019. [7] K. Whitehouse, C. Karlof, and D. Culler, “A practical evaluation of radio signal strength for ranging-based localization,” SIGMOBILE Mob. Comput. Commun. Rev., vol. 11, no. 1, p. 41–52, jan 2007. [Online]. Available: https://doi.org/10.1145/ 1234822.1234829 [8] H. Zou, Z. Chen, H. Jiang, L. Xie, and C. Spanos, “Accurate in- door localization and tracking using mobile phone inertial sen- sors, wifi and ibeacon,” in 2017 IEEE International Symposium on Inertial Sensors and Systems (INERTIAL), 2017, pp. 1–4. [9] A. Khalajmehrabadi, N. Gatsis, and D. Akopian, “Modern wlan fingerprinting indoor positioning methods and deployment chal- lenges,” IEEE Communications Surveys Tutorials, vol. 19, no. 3, pp. 1974–2002, 2017. [10] M. Vucnik, T. Solc, U. Gregorc, A. Hrovat, K. Bregar, M. Smol- nikar, M. Mohorcic, and C. Fortuna, “Continuous Integration in Wireless Technology Development,” IEEE Communications Ma- gazine, vol. 56, no. 12, pp. 74–81, 2018. [11] R. Faragher and R. Harle, “Location fingerprinting with bluetooth low energy beacons,” IEEE Journal on Selected Areas in Commu- nications, vol. 33, no. 11, pp. 2418–2428, 2015. [12] P. Sthapit, H.-S. Gang, and J.-Y . Pyun, “Bluetooth based indoor positioning using machine learning algorithms,” in 2018 IEEE In- ternational Conference on Consumer Electronics - Asia (ICCE- Asia), 2018, pp. 206–212. [13] C. Jain, G. V . S. Sashank, V . N, and S. Markkandan, “Low-cost ble based indoor localization using rssi fingerprinting and ma- chine learning,” in 2021 Sixth International Conference on Wi- reless Communications, Signal Processing and Networking (Wi- SPNET), 2021, pp. 363–367. [14] D. D. Nguyen and M. Thuy Le, “Enhanced indoor localization ba- sed ble using gaussian process regression and improved weighted knn,” IEEE Access, vol. 9, pp. 143 795–143 806, 2021. [15] P. Seymer, D. Wijesekera, and C.-D. Kan, “Secure outdoor smart parking using dual mode bluetooth mesh networks,” in 2019 IEEE 89th Vehicular Technology Conference (VTC2019-Spring), 2019, pp. 1–7. [16] K. Shin, R. McConville, O. Metatla, M. Chang, C. Han, J. Lee, and A. Roudaut, “Outdoor localization using ble rssi and accessible pedestrian signals for the visually impaired at intersections,” Sensors, vol. 22, no. 1, 2022. [Online]. Available: https://www.mdpi.com/1424-8220/22/1/371 [17] G. Morano, A. Hrovat, M. Vuˇ cnik, J. Puhan, G. Gardaˇ sevi´ c, D. Vasiljevi´ c, and T. Javornik, “Experiment Control and Monitoring System for LOG-a-TEC Testbed,” Sensors, vol. 21, no. 19, p. 6422, 2021. [Online]. Available: https://www.mdpi. com/1424-8220/21/19/6422 [18] L. Calderoni, M. Ferrara, A. Franco, and D. Maio, “Indoor localization in a hospital environment using random forest classifiers,” Expert Systems with Applications, vol. 42, no. 1, pp. 125–134, 2015. [Online]. Available: https://www.sciencedirect. com/science/article/pii/S0957417414004497 [19] Y . Wang, C. Xiu, X. Zhang, and D. Yang, “Wifi indoor loca- lization with csi fingerprinting-based random forest,” Sensors, vol. 18, no. 9, p. 2869, 2018. [20] T. Chen and C. Guestrin, “Xgboost: A scalable tree boosting sy- stem,” in Proceedings of the 22nd acm sigkdd international con- ference on knowledge discovery and data mining, 2016, pp. 785– 794. [21] L. Breiman, “Random forests,” Machine learning, vol. 45, no. 1, pp. 5–32, 2001.