Revisão sistemática de literatura sobre tecnologias de posicionamento indoor

Abstract

As tecnologias de posicionamento indoor (IPS) são amplamente utilizadas para fornecer localização precisa em ambientes fechados, sendo essenciais em aplicações que vão desde a logística até sistemas de navegação em locais complexos. No entanto, a evolução dessas tecnologias enfrenta desafios, como a necessidade de lidar com incertezas de medição e a integração em cenários dinâmicos, onde objetos e barreiras podem interferir no desempenho. Nesse contexto, este trabalho apresenta uma análise detalhada da evolução das tecnologias IPS por meio de uma revisão sistemática da literatura. Propõe-se caracterizar o estado da arte, identificar as tendências de pesquisa, mapear a distribuição geográfica dos estudos, identificar as abordagens de incerteza de medição e destacar lacunas na área. O estudo revelou avanços significativos em tecnologias de posicionamento indoor, com destaque para maior precisão em métodos híbridos e baseados em aprendizado de máquina, mas identificou lacunas, como validação em cenários dinâmicos e soluções de baixo custo, indicando desafios ainda a serem superados.

Indoor Positioning Systems (IPS) technologies are widely used to provide precise location in indoor environments, playing a crucial role in applications ranging from logistics to navigation systems in complex venues. However, the evolution of these technologies faces challenges, such as addressing measurement uncertainties and integration in dynamic scenarios where objects and barriers may interfere with performance. In this context, this study proposes a detailed analysis of the evolution of IPS technologies through a systematic literature review. The aim is to characterize the state of the art, identify research trends, map the geographical distribution of studies, examine approaches to measurement uncertainty, and point out gaps in the field. The study highlighted significant advancements in indoor positioning technologies, emphasizing higher accuracy in hybrid and machine learning-based methods, but identified gaps such as validation in dynamic scenarios and the development of low-cost solutions, indicating challenges yet to be addressed.