added chapters and content in bullit points for mdpi paper

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