Awesome GitHub RepositoriesSignal Fingerprinting

whereami est un outil de géolocalisation intérieure et un système de positionnement WiFi intérieur conçu pour estimer la position physique d'un utilisateur au sein d'un bâtiment. Il fonctionne comme un prédicteur de localisation par machine learning et un scanner de signal WiFi qui mappe les modèles de réseaux sans fil à des coordonnées géographiques ou des étiquettes de pièces spécifiques. Le système utilise un pipeline prédictif pour entraîner des modèles qui traduisent les empreintes de réseaux sans fil en données de localisation. Il identifie les positions physiques en analysant la force des signaux des infrastructures sans fil disponibles et en comparant les scans en direct avec des bases de données entraînées d'empreintes de signaux connues. Le projet couvre le scan réseau multiplateforme pour collecter des données de signal WiFi structurées sur différents systèmes d'exploitation. Il inclut également des capacités de cartographie de signal WiFi et le développement de pipelines d'apprentissage supervisé pour associer des jeux de données de signaux étiquetés à une vérité terrain géographique.

Ce projet est un serveur de suivi de localisation en intérieur et un moteur d'empreinte sans fil conçu pour calculer la position physique d'appareils Wi-Fi au sein d'un bâtiment. Il fonctionne comme un framework de positionnement local qui mappe les forces des signaux sans fil à l'espace physique sans avoir besoin de balises matérielles dédiées. Le système utilise un processus d'entraînement pour collecter et soumettre des données de signal sans fil, établissant une base de données de référence de modèles de signaux pour des coordonnées spécifiques. Il identifie les emplacements actuels en faisant correspondre les signaux en temps réel avec ces empreintes stockées en utilisant la correspondance des k-plus proches voisins et la localisation par centroïde pondéré. Les données de positionnement sont exposées via une API REST, ce qui permet au serveur d'envoyer des mises à jour de localisation en temps réel vers des endpoints externes. Ces webhooks permettent de déclencher des hooks et scripts externes pour la domotique et la détection de mouvement.

find3 est un framework de positionnement intérieur qui détermine les emplacements physiques à l'intérieur des bâtiments en analysant les modèles de signaux sans fil et les empreintes matérielles. Il fonctionne comme un classificateur de localisation par machine learning qui fait correspondre les données de signal en temps réel avec une base de données d'empreintes connues pour identifier les positions internes. Le système inclut un outil d'empreinte de signal sans fil utilisé pour scanner les interfaces matérielles et collecter des données de force de signal pour le mappage de localisation. Ces données sont maintenues dans une base de données de signal relationnelle compressée conçue pour une récupération rapide des adresses matérielles et des forces de signal. Le framework couvre un large éventail de capacités, y compris le scan de signal passif, l'acquisition de données pour l'empreinte et l'utilisation de classificateurs de machine learning pour estimer et déterminer des positions intérieures précises.