30 lines
1.6 KiB
TeX
30 lines
1.6 KiB
TeX
\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}
|
|
|
|
|
|
\etal{Ibrahim} lays the required groundwork to use the still experimental FTM standard and verifies the general accuracy \cite{ibrahim2018verification}.
|
|
\etal{Yu} present a system using FTM measurements and multisensor multi-pattern-based dead reckoning based on a Unscented Kalman filter sensor fusion \cite{yu2019robust}.
|
|
\etal{Xu} \cite{xu2019locating}.
|
|
|
|
Compared to the above state of the art our work...
|
|
\begin{itemize}
|
|
\item szenario realistischer und nicht nur quadrate die man läuft
|
|
\item direkter vergleich mit RSSI
|
|
\item in der praxis erprobte verfahren darauf laufen lassen.
|
|
\end{itemize}
|