40 lines
4.0 KiB
TeX
40 lines
4.0 KiB
TeX
\section{Introduction (3/4 - 1 Seite)}
|
|
\label{sec:intro}
|
|
|
|
Many indoor positing system (IPS) rely on radio technologies for estimating a pedestrian's position inside a building \cite{Ebner-15}. Probably the most widespread approaches are those based on Received Signal Strength Indication (RSSI) provided by Wi-Fi, as many buildings nowadays offer good infrastructure and as the be located receiver, standard smartphones can be used. These two features make Wi-Fi particularly interesting for the commercial consumer market, e.g. navigating inside an airport or shopping mall.
|
|
|
|
%Probleme von RSSI
|
|
By measuring the RSSI emitted from Wi-Fi access points (AP) at known locations, the receiver and thus the pedestrian is able to get its current position using the principles of multilateration.
|
|
Here, at least three APs are needed for two-dimensional positioning and at least four APs are needed for three-dimensional positioning \cite{}.
|
|
However, as a simple deterministic RSSI-based multilaterian is very prone to errors in real world scenarios, causing unacceptable inaccuracies, it is necessary to add more advanced methods to approach the positioning problem in a more accurate and stable way.
|
|
The two most popular are fingerprinting and signal strength prediction \cite{}.
|
|
|
|
Fingerprinting... very accurate, very advanced methods, ap positions müssen nicht bekannt sein... however, high setup time, ständiges neu anlegen der fingerprints, schwierig wenn viele menschen im gebäude sind, weil sich dann die fingerprints stark ändern.
|
|
In Contrast prediction only needs ap positions und physikalisches model wie log distance. modell relys on many parameters, hard to receive. however provides also good results with only a few parameters, not so accurate then fingerprinting but without large setup time..
|
|
|
|
-> großer auftritt FTM
|
|
|
|
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.
|
|
|
|
|
|
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}
|