Zuverlässige Positionsbestimmung ist eine wichtige Voraussetzung für Navigationssysteme, um am richtigen Ort und zur richtigen Zeit Assistenz leisten zu können. Im Gegensatz zu satellitengestützter Positionierung in Außenbereichen existiert innerhalb von Gebäuden keine ähnlich ubiquitär verfügbare Technologie. Diese Arbeit handelt von der Entwicklung eines Indoor-Positionierungssystems für smartphonebasierte Fußgängernavigation, mit speziellem Fokus auf der Berücksichtigung von realem Nutzerverhalten.
Aufbauend auf dem Stand der Technik wird zunächst ein Basis-Positionierungssystem entwickelt, welches mithilfe eines Partikelfilters die Benutzerposition innerhalb eines graphbasierten Umgebungsmodells bestimmt. In zwei Vorstudien erfolgt anschließend unter kontrollierten Bedingungen die Evaluation der grundlegenden Funktionalität sowie mehrerer Erweiterungen zur Anpassung an Benutzereigenschaften.
Parallel dazu werden mithilfe der Campus-Navigations-App URwalking Nutzungsdaten erhoben, um das für die Positionsbestimmung relevante Navigationsverhalten der BenutzerInnen unter realistischen Bedingungen zu untersuchen. Die Merkmale der abgerufenen Routen erlauben Rückschlüsse auf die während der Navigation zu erwartenden Benutzeraktivitäten. Eine Studie an einer heuristisch gefilterten Untermenge des Datensatzes (N = 351) gibt unter anderem Aufschluss über vorherrschende Gerätepositionen sowie über Pausen und Unterbrechungen im Navigationsvorgang.
Basierend auf diesen Erkenntnissen wird ein Datensatz erhoben, welcher Sensordaten für eine Vielzahl von navigationsrelevanten Aktivitäten und Gerätepositionen enthält. Dieser wiederum dient als Grundlage für das Training von Deep-Learning-Modellen zur Aktivitätserkennung. Nach Integration der Aktivitätserkennungskomponente in das Basissystem wird die Positionierungsgenauigkeit während eines Navigationstasks auf einer für den realen Betrieb repräsentativen Route in einer abschließenden Studie (N = 69) untersucht. Durch geschickte Nutzung der Aktivitätsinformationen und gezielte Berücksichtigung menschlichen Verhaltens während der Navigation bleibt die Positionsverfolgung hier auch ohne externe Infrastruktur längerfristig stabil.

Reliable positioning is an important prerequisite for navigation systems to provide assistance in the right place and at the right time. In contrast to satellite-based positioning outdoors, no similarly ubiquitous technology is available for indoor environments. In this thesis, an indoor positioning system for smartphone-based pedestrian navigation is developed, focusing in particular on real user behaviour.
Based on the state of the art, a basic positioning system is first developed, which uses a particle filter to determine the user position within a graph-based environment model. The basic functionality as well as several extensions that allow the system to adapt to user characteristics are evaluated in two preliminary studies under controlled conditions.
In parallel, usage data is collected by the campus navigation app URwalking to investigate navigation behaviour relevant for the positioning system under realistic conditions. Information about user activities to be expected during navigation can be inferred from the properties of planned routes. A study on a heuristically filtered subset of the dataset (N = 351) provides insights into prevailing device placements as well as breaks and interruptions during navigation.
Based on these findings, a dataset containing sensor data for a variety of navigation-related activities and device placements is collected. It in turn serves as a basis for training deep-learning models for human activity recognition. After integrating the activity recognition component into the basic system, a study (N = 69) is conducted in order to evaluate the positioning accuracy during a navigation task on a route representative for real usage. Through use of activity information and targeted consideration of human behavior during navigation, position tracking here remains stable over the longer term even without external infrastructure.