first draft introduction

tex/chapters/1_introduction.tex

@@ -10,12 +10,12 @@ However, as a simple RSSI-based multilaterian is very prone to errors in real wo
 The two most popular are fingerprinting and signal strength prediction \cite{davidson2017survey, Afyouni2012}. 
 
 Fingerprinting is the process of taking RSSI measurements at known positions distributed throughout the building in an so called offline or recording phase. 
-These fingerprints can then be used in the online or localization phase to obtain the current position by finding the closest match, e.g. by using a nearest neighbour search.
+These fingerprints can then be used in the online or positioning phase to obtain the current position by finding the closest match, e.g. by using a nearest neighbour search.
 Given the current RSSI value the most likely position is the one which is closest to other similar RSSI fingerprints.
 This method includes the characteristics of the environment into the prerecorded fingerprints.
 Thus, the structure of the building (e.g. walls and furniture) and the positions of the access points need not necessarily be known.
 In principle, very small positioning errors in the lower single-digit metre range can be achieved by using this method.
-However, the accuracy depends heavily on the density of the fingerprints and whether the smartphone used for the recordings will also be used later for the localization, as the RSSI characteristics can highly differ between single devices \cite{he2016wi}.
+However, the accuracy depends heavily on the density of the fingerprints and whether the smartphone used for the recordings will also be used later for the positioning, as the RSSI characteristics can highly differ between single devices \cite{he2016wi}.
 Recording the fingerprints is a time-consuming and tedious process for large buildings and needs to be redone whenever the environment changes significantly.
 
 In contrast, signal strength prediction methods determine signal strengths for arbitrary locations by using an estimation model instead of real measurements.
@@ -43,37 +43,42 @@ While time based techniques sound promising they are hardly adapted on larger sc
 Therefore, in a smartphone based system they are usually not a viable option as most common devices lack such hardware.
 However, this changed with the publication of IEEE 802.11-2016 in 2016, defining the fine timing measurement (FTM) protocol \cite{FTM_IEEE}.
 FTM implements the TWR method for standard conform Wi-Fi devices, measuring the round trip time (RTT) based on time differences at the sender and receiver.
-Hence, no synchronized clocks between nodes are needed, which dramatically reduces the complexity of the method and renders a particularly interesting method for smartphone based localization.
+Hence, no synchronized clocks between nodes are needed, which dramatically reduces the complexity of the method and renders a particularly interesting method for smartphone based positioning.
 By definition the responder (\eg AP) is passive while the FTM initiator (\eg smartphone) actively requests FTM measurements.
 
-The aim of this work is to evaluate how well FTM is suitable for indoor localization and whether the theoretical promises of a higher robustness compared to RSSI measurements are also true in realistic scenarios.
-For this, we use three different position estimation methods, namely a multilateration with least square approximation, 
+\textbf{The aim of this work is to evaluate how well FTM is suitable for positioning and whether the theoretical promises of a higher robustness compared to RSSI measurements are also true in realistic scenarios.
+Thus, it should give the reader a feeling of how FTM can be used inside an IPS and how it behaves in different estimation methods.}
+For this, we compare the distance measure obtained by a RSSI-based signal strength prediction model with the distances coming directly from Androids RTT API \cite{Android_RTT}.
+As mentioned above a fingerprinting would already include the characteristics of the environment and from our point of view it is initially not interesting for this basic comparison of the respective technologies.
+To make a statement about the performance within an IPS, three different position estimation methods will be introduced and compared, namely a multilateration with least square approximation, a Gaussian approach and a particle filter using a simple propagation model.
+We deliberately do without a full stack IPS in order to clearly demonstrate the advantages and disadvantages of FTM compared to RSSI.
 
-we compare the distance measure obtained by a RSSI-based signal strength prediction model with the distances coming directly from Androids RTT API \cite{}.
+The paper is structured as follows: In section II we examine papers that are directly related to our work. 
+Section III introduces the basic concepts behind RSSI and FTM. 
+The used position estimation methods are presented in section IV. 
+We show the experimental results, followed by a detailed comparison and discussion of the respective methods and radio technologies, in section V. 
+Finally, the work concludes in section VI.
 
 
+%Wir wollen in dem Paper zeigen wie sich FTM als Sensor für Indoor verhält und kein komplettes IPS vorstellen. Die Arbeit soll ein Gefühl vermitteln, wie sich FTM für IPS einsetzen lässt und wie es sich in unterschiedlichen estimation methoden verhält. wir nutzen ..., ... und particle filtering für die schätzung der aktuellen position des fußgängers. um die performance von ftm möglichst deutlich herrauszustellen wird in dieser arbeit ein sehr einfaches bewegungsmodell, ohne informationen der imu adaptiert. 
 
+%dem gegenüber stellen wir die signal strength prediction rssi, da die beiden verfahren sich im grundkonzept sehr ähnlich sind. beide benötigen lediglich die position der APs sowie ein kleines set an parametern, welche auch nach best practices methoden ausgewählt werden können. 
 
-Wir wollen in dem Paper zeigen wie sich FTM als Sensor für Indoor verhält und kein komplettes IPS vorstellen. Die Arbeit soll ein Gefühl vermitteln, wie sich FTM für IPS einsetzen lässt und wie es sich in unterschiedlichen estimation methoden verhält. wir nutzen ..., ... und particle filtering für die schätzung der aktuellen position des fußgängers. um die performance von ftm möglichst deutlich herrauszustellen wird in dieser arbeit ein sehr einfaches bewegungsmodell, ohne informationen der imu adaptiert. 
+%unter der (sehr realistischen) annahme, dass die von FTM gelieferten Distanzen nicht optimal sind, könnte man natürlich auch hier ein fingerprinting einsetzen. jedoch zielt diese arbeit drauf, die grundliegenden eigenschaften und fähigkeiten von FTM (as is) für die indoor lokalisierung zu erforschen und  in \cite{} verspricht das gremium von IEEE nämlich ... und ... . 
 
-dem gegenüber stellen wir die signal strength prediction rssi, da die beiden verfahren sich im grundkonzept sehr ähnlich sind. beide benötigen lediglich die position der APs sowie ein kleines set an parametern, welche auch nach best practices methoden ausgewählt werden können. 
-
-
-unter der (sehr realistischen) annahme, dass die von FTM gelieferten Distanzen nicht optimal sind, könnte man natürlich auch hier ein fingerprinting einsetzen. jedoch zielt diese arbeit drauf, die grundliegenden eigenschaften und fähigkeiten von FTM (as is) für die indoor lokalisierung zu erforschen und  in \cite{} verspricht das gremium von IEEE nämlich ... und ... . 
-
-\begin{itemize}
-	\item New technology ftm -> rtt usw.. wird auch schon von ersten smartphones unterstützt gibt protokoll und api's
-	\item klassiches rssi ungenau wegen dämpfungsfaktren, wände usw. 
-	\item ftm zum lokalisieren weil laufzeit stabiler
-	\item ziel dieser arbeit: vergleich von klassischem RSSI (Signal Prediction Log Distance) mit FTM im Anwendungsgebiet der Indoor Lokalisierung
-	\item Wir haben: Log-Distance based RSSI + Vorgeschalteten Kalman Filter und FTM + Kalman Filter
-	\item Zuerst untersuchen wir die Range-Performance 
-		\subitem Wer kann die Distanz zum Access-Point besser schätzen) 
-		\subitem Daraus resultiert auch, dass der Kalman Filter genutzt wird. 
-		\subitem für Indoor Lokalisierung hat das aber grdz. noch keine große Aussage. 
-	\item Danach untersuchen wir die Lokalisierungsperformance. (Jeweils Kalman an und aus)
-		\subitem Klassische Trilateration
-		\subitem Simple Probabilistischer Ansatz
-		\subitem Particle Filtering Ansatz (Mit ganz einfachem Bewegungsmodell)
-	\item Aufbau der Arbeit in 2 Sätzen
-\end{itemize}
+%\begin{itemize}
+%	\item New technology ftm -> rtt usw.. wird auch schon von ersten smartphones unterstützt gibt protokoll und api's
+%	\item klassiches rssi ungenau wegen dämpfungsfaktren, wände usw. 
+%	\item ftm zum lokalisieren weil laufzeit stabiler
+%	\item ziel dieser arbeit: vergleich von klassischem RSSI (Signal Prediction Log Distance) mit FTM im Anwendungsgebiet der Indoor Lokalisierung
+%	\item Wir haben: Log-Distance based RSSI + Vorgeschalteten Kalman Filter und FTM + Kalman Filter
+%	\item Zuerst untersuchen wir die Range-Performance 
+%		\subitem Wer kann die Distanz zum Access-Point besser schätzen) 
+%		\subitem Daraus resultiert auch, dass der Kalman Filter genutzt wird. 
+%		\subitem für Indoor Lokalisierung hat das aber grdz. noch keine große Aussage. 
+%	\item Danach untersuchen wir die Lokalisierungsperformance. (Jeweils Kalman an und aus)
+%		\subitem Klassische Trilateration
+%		\subitem Simple Probabilistischer Ansatz
+%		\subitem Particle Filtering Ansatz (Mit ganz einfachem Bewegungsmodell)
+%	\item Aufbau der Arbeit in 2 Sätzen
+%\end{itemize}

tex/egbib.bib

@@ -3744,4 +3744,10 @@ doi={10.1109/MVT.2016.2586398},
 ISSN={1556-6080},
 month={Sep.},}
 
-
+@misc{Android_RTT,
+  title={Wi-Fi location: ranging with RTT},
+  author={{Google and Open Handset Alliance}},
+  note={(Visited: 17.01.2020)},
+  howpublished={\url{https://developer.android.com/guide/topics/connectivity/wifi-rtt}},
+  year={2019}
+}