74 lines
4.1 KiB
TeX
74 lines
4.1 KiB
TeX
\section{Experiments}
|
|
|
|
\subsection{Setup and Environment}
|
|
|
|
\begin{itemize}
|
|
\item Pixel 2XL Android P liefert RSSI und FTM
|
|
\item 4 Intel NUCS mit selbstgebauten Antennen (Auf Ibrahim verweisen aber auch genau erläutern, eventl mit Bild)
|
|
\item Gebäude erläutern. Bürogebäude in Industriegebiet. Holzhaus. Gebäude war Leer um eine optimale menschenleere Umgebung zu schaffen. Größe XxX. -> Bild mit AP Positionen (gerne von unten linken wo ergebnisse drauf sind, spart platz)
|
|
\item FH Gebäude erläutern. -> Bild mit AP Positionen (gerne von unten linken wo ergebnisse drauf sind, spart platz)
|
|
\item Zweites Gebäude weil: Verhält es sich in einem anderen Gebäude genauso? Also AP's ähnlich positionieren, aber andere umgebung (wände, räume usw.).
|
|
\item Position wurde auf einem Stockwerk geschätzt, also nur 2D.
|
|
\item Nuc steht auf einem Tisch
|
|
\item die messungen kommen immer gleichzeitig von ftm und rssi. dadurch ist die sampelrate die gleiche und wir können besser vergleichen
|
|
\end{itemize}
|
|
|
|
\subsection{FTM Evaluation}
|
|
\begin{itemize}
|
|
\item Distanzmessungen FTM mit Antenne / ohne Antenne
|
|
\item Distanzmessungen FTM neuer NUCS / alte NUCS
|
|
\item RSSI Werte noch erwähnen
|
|
\end{itemize}
|
|
|
|
\subsection{Results for Multilateration}
|
|
zunächst wird das einfachste und nahliegendste verfahren untersucht um die performance von ftm und rssi gegenüberzustellen.
|
|
|
|
\begin{itemize}
|
|
\item Parameter einführen und erklären
|
|
\item Unterschied FTM und RSSI bei diesem Verfahren
|
|
\item Positioning Error
|
|
\item Wie sieht der geschätzte Pfad aus
|
|
\item FTM ist nicht wie erwartet mega viel besser als RSSI. die simple literation glättet einfach gar nichts, weswegen... (hier begründung einfügen)
|
|
\end{itemize}
|
|
|
|
wir bekommen hier also das gefühl, das ftm irgendwie besser sein muss, aber können es noch nicht wirklich nutzen. weshalb nun der probabilistische approach angesehen wird.
|
|
|
|
\subsection{Results for Probabilistic Approach}
|
|
|
|
multilateration verfügt über keinerlei glättung, das einfach probablistische verfahren bietet das. verlgeicht man fig. x und fig. y kann man das schön sehen.
|
|
|
|
\begin{itemize}
|
|
\item Parameter einführen und erklären
|
|
\item Unterschied FTM und RSSI bei diesem Verfahren
|
|
\item Positioning Error
|
|
\item Wie sieht der geschätzte Pfad aus
|
|
\item FTM setzt sich langsam ab und wird ein gutes stück besser als Rssi
|
|
\end{itemize}
|
|
|
|
|
|
\subsection{Results for Particle Filtering}
|
|
der einsatz der probablistischen methode sieht weitaus besser azs als multilateration weil wir eine glättung der daten ermöglichen. es fehlt aber informationen über die vergangenheit. der particle filter bietet das.
|
|
|
|
\begin{itemize}
|
|
\item Parameter einführen und erklären
|
|
\subitem filter updated pro neuer messung. kann man natürlich auch anders machen. nachdem wir aber eine so simple transition haben, ist es egal.
|
|
\item Unterschied FTM und RSSI bei diesem Verfahren
|
|
\item Positioning Error
|
|
\item Wie sieht der geschätzte Pfad aus
|
|
\item Hier werden die Ergebnisse langsam richtig gut. Also FTM ist weitaus besser als RSSI. Warum ist das so? (Filter hat die Vergangenheit mit drin, FTM ist somit auf Dauer stabiler und streut deswegen nicht so stark wie RSSI).
|
|
\end{itemize}
|
|
|
|
\subsection{Comparison and Discussion}
|
|
Hier vergleichen wie sich die einzelen Verfahren untereinander unterscheiden und welche Vor / Nachteile sie haben. Jeweils für RSSI und FTM. (Vorher haben wir RSSI und FTM gegenübergestellt innerhalb der Verfahren und jetzt stellen wir die einzelnen Verfahren gegenüber und diskutieren deren Unterschied in Bezug auf die WI-Fi methoden)
|
|
|
|
|
|
\begin{itemize}
|
|
\item multilateration ist an sich schon ein schlechtes verfahren, man kann aber sehen das ftm schon etwas besser wird. verfolgt man den gedanken über die weiteren verfahren, sieht man schnell wie sich FTM von der Leistung her absetzt und durch die besseren verfahren auch eine besser lokalisiierungsleistung bringt.
|
|
\item Tabelle, wo alle Ergebnisse nochmal zusammen sind.
|
|
\item Wichtige Erkenntnisse:
|
|
\subitem wenn man sehr nah dran ist, ist die messung nicht wirklich gut bei FTM.
|
|
\subitem FTM ist vom setup weitaus einfacher als rssi, weil es die dämpfung etc. pp nicht so wichtig nimmt.
|
|
\end{itemize}
|
|
|
|
|