added chapters and content in bullit points for mdpi paper

tex/bare_conf.tex

@@ -95,12 +95,13 @@ $^{2}$ \quad University of Siegen - Pattern Recognition Group; marcin.grzegorzek
     
     \input{chapters/4_ftmloc}
 
-%	\input{chapters/experiments}
+	\input{chapters/8_experiments}
 
 	\input{chapters/9_conclusion}
-
-%	\externalbibliography{yes}
-%	\bibliography{egbib}
+	
+	\reftitle{References}
+	\externalbibliography{yes}
+	\bibliography{egbib}
 
 \end{document}
 

tex/chapters/1_introduction.tex

@@ -1,3 +1,21 @@
 \section{Introduction}
 \label{sec:intro}
+3/4 - 1 Seite
+\cite{Ebner-15}
 
+\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/chapters/2_relatedwork.tex

@@ -1,3 +1,17 @@
 \section{Related Work}
 \label{sec:relatedWork}
 
+\begin{itemize}
+
+	\item Thema: Wi-FI
+	\item klassiche auf Wi-Fi RSSI verweisen, wo kommt es her und was gibt es da für Lokalisierung
+	\item RTT Verfahren grob erläutern und viel zitieren
+	\item Wi-Fi RTT bisher schwer, gab einige Hacks für Lokalisierung... die zitieren
+	\item FTM im Standard von IEEE -> die 3 wichtigen Paper dazu
+	\item Mit welchem Methoden Schätzen wir für FTM und RSSI eine Position? (Position Estimation) 
+		\subitem Trilateration klassischer Ansatz
+		\subitem Kalman Filter 
+		\subitem Probabilistische methode
+		\subitem Particle Filtering macht bla und blub und ist bla und blieb - Hier: Ganz simples Bewegungsmodell für PF, damit Vergleichbarkeit gegeben bleibt.
+	\item Klassische Lokalisierungssysteme nutzen meist Particle Filter mit RSSI haben Genauigkeiten von xx und FTM verspricht hier besser Genauigkeiten weil... und hat die und die Vorteile.. deswegen soll diese Arbeit den grundlegenden Mehrwert von FTM gegenüber RSSI untersuchen. 
+\end{itemize}

tex/chapters/3_ftm.tex

@@ -1,14 +1,31 @@
-\section{Fine Timing Measurement}
+\section{Wi-Fi Range Measurements}
 \label{sec:ftm}
 
+Ganz grundsätzlich zwei drei Sätze dazu. Distanzen sind gut für Lokalisierung weil... Kurz die Unterschiede der Beiden.
 
--New IEEE 802.11mc standard to measure round trip time from client to access point.
--Theory, protocol.
--Expected error behavior 
+\subsection{Fine Timing Measurement}
+\begin{itemize}
+	\item New IEEE 802.11mc standard to measure round trip time from client to access point.
+	\item Theory, protocol.
+	\item Expected error behavior 
+\end{itemize}
 
 
 FTM defines a protocol to measure the round trip time between an initiator and a responder, e.g. a smartphone based client and access point.
 For data privacy reasons the responder is always passive and only the initiator can trigger time measurements.
 
+\subsection{Received Signal Strength Indication}
+
+Klassisch RSSI mit Log Distance Modell... 
+steckt die rssi in das log distance modell und bekommt eine distanz raus. baby easy
+
+\subsection{Measurement Pre-Filtering}
+
+<zeige fehlerplots mit range messungen>
+
+wenn man sich die messungen nun ansithet, dann... argumentiere kalmanfilter über diese range messungsplots und begründe warum er die messdaten stabiler macht.
+kalman auf rssi ist erstmal nicht so klug weil kalman linear und rssi nicht linear sind. in LOS konditionen ist rssi logritmisch und in NLOS ganz was anders... nicht-linear halt 
+in den späteren evaluatieren werden wir uns aber dennoch raw vs pre-filtering ansehen, um ein bessere gefühl dafür zu bekommen was es in welcher situation bringt
+
+Filter measurements per AP with simple Kalman filter before localization
 
- 

tex/chapters/4_ftmloc.tex

@@ -1,10 +1,30 @@
-\section{Localization using FTM}
-\label{sec:ftmloc}
+\section{Position Estimation}
+\label{sec:position}
+
+Bei Indoor Lokalisierung geht es darum eine Position zu ermitteln. Hierfür nutzen wir unterschiedliche Verfahren. namley... usw. 
+
+\subsection{Multilateration}
+Ganz kurz erläutern was Multilateration eigentlich ist. in 2D min 3 aps und in 3D min. 4D. Aber grundsätzlich gilt: viel hilft viel.
+Es ist uns klar, dass Trilat nichts taugt aber ist halt der einfachste Schritt
+Typische Nachteile: Wenn Schnittpunkt nicht analytisch exakt bestimmt werden können
+FTM Nachteil: Häufig fallen die Messungen aus? Was tun? Alte Werte statisch halten? Keine est berechnen?
+
+
+\subsection{Probabilistic}
+Dichte aus Messungen erzeugen.
+Distanzern werden mit Normalverteilung gewichtet
+Vorteil: Nicht ideale Schnittpunkte sind kein Problem, weil die Dichte sowas abbilden kann
+FTM Vorteil: Fehlen von Messungen kann probabilistisch erfasst werden indem Streuung der NV größer wird / Oder es enstehen einfach mehrere Hypthesen über die Position
+
+\subsection{Particle Filter}
+Warum auch noch PF? Weil... die meisten lokalisierungs systeme diesen als nicht-linearen schätzer benutzen. er ist vielseitig und kann einfach mit anderen sensoren kombiniert werden. ist das gängigste sensor fusionsverfahren. die dichte wird in samples repräsentiert und ist damit nur eine approximatino der wahrsch. dichte.. dadurch ganz ander repräsentation als probabilistic teil. außerdem ist es ein FILTER, hat also vergangenheit mit drin.
+Ganz schnell nochmal den PF einführen mit standard formel. ein größerer absatz. 
+Einfaches Bewegungsmodell mit NV random
+ftm bzw. rssi einfach über normalverteilung in die evaluation rein.
+
+
 
 
-Trilateration
-Probabilistic 
 
-Filter measurements per AP with simple Kalman filter before localization
 
 

tex/chapters/9_conclusion.tex

@@ -1,3 +1,13 @@
 \section{Conclusion}
 
 In conclusion
+
+
+
+Outlook:
+Komplexere Szenarien mit mehr Floors und mehr Sensoren.
+Bewegungsmodell mit dazu (Step und Turn)
+Wände mit einbeziehen (Mesh)
+Laufgeschwindigkeit vom Kalman noch weiter nutzen im Filter / in die Prediction mit rein
+Kombination von FTM und RSSI könnte sehr vielversprechend sein, weil sie sich gut ergänzen...
+