current state

tex/chapters/experiments.tex

@@ -1,5 +1,12 @@
 experiments
 
+\todo{obwohl das angepasste modell doch recht gut laeuft und der fehler recht klein wird, sind immernoch stellen dabei,
+wo es einfach nicht gut passt, unguenstige mehrdeutigkeiten vorliegen, oder regionen einfach nicht passen wie sie sollten.
+das liegt teils auch daran, dass die fingerprints drehend aufgenommen wurden und beim laufen nach hinten durch den
+menschen abgeschottet wird. auch zeitlicher verzug kann ein problem darstellen.}
+
+\todo{GPS ist leider kaum eine hilfe. entweder kein empfang wegen ueberdachung oder abschattung, oder
+zu kurz draußen um einen guten gps-fix zu bekommen.}
 
 wir betrachten nur die fest-installierten APs die man meist anhand einer bestimmten mac-range  ausmachen kann
 portable geraete von studenten, beamer, aehnliches werden ignoriert
@@ -59,9 +66,65 @@ reines wifi eval mittels num-opt springt stark durch die gegend
 d.h. das bewegungsmodell rettet uns
 kann man auch testen wenn man beim particle-filter das resampling ganz aus macht
 
+\todo{
+	we analyzed various paths throughout the whole building
+}
 
-\input{gfx/compare-wifi-in-out.tex}
-starker einfluss der glasscheiben.. 3 meter nach dem AP ist nur noch sehr wenig uebrig
+\todo{
+	mit grafik: exp-dist vergroesert teils den abstand zu anderen locations , der GT selbst wird also besser,
+	aber an anderen stellen geht dafür der fehler hoch und kann zu verlaufen führen (z.B. treppenhaus)
+}
+	\begin{figure}
+		\input{gfx/wifiCompare_normalVsExp_cross.tex}
+		\input{gfx/wifiCompare_normalVsExp_meter.tex}
+		\label{normal vs exponential}
+	\end{figure}
+
+\todo{
+	erkenntnisse:
+	
+	schlechte messwerte (niedrige RSSI) aus der messung ignorieren hilft nur sehr sehr bedingt.. eher im gegenteil. meist geht der fehler (stark) hoch
+	
+	schlechteste messung weglassen ist auch schlecht
+	
+	sigma je nach signalstärke anpassen bringt leider auch nichts. wenn man das aber macht,
+	dann: fuer grosse signalstaerken ein grosses sigma! andersrum gehts nach hinten los!
+	
+	veto funktioniert auch nicht immer. es gibt stellen da ist ein AP wegen abschattung in der realität nicht sichtbar
+	das smpartphone sieht ihn deshalb nicht, im model ist er aber fälschlicherweise da deshalb falsches veto
+	oder das smartphone sieht einen AP wegen kollisionen nicht oder weil er durch den rücken stark verdeckt wird
+	
+	es gibt einfach stellen an denen das wifi nicht eindeutig ist, die an anderen stellen quasi exakt genauso vorliegen
+	da laesst sich dann nicht viel machen
+	
+}
+
+\todo{
+	das bbox modell hat probleme an den uebergängen zwischen bboxes da dort teils starke spruenge sind
+	die nicht immer in der realität so auch vorliegen. z.B. z-wechsel machen teils probleme.
+	hier wäre ein kontinuierliches modell hilfreich bzw interpolation in randbereichen
+}
+
+\todo{
+	wenn ich beim fingerprinten einen AP an einer stelle NICHT gesehen habe,
+	ist das auch eine aussage für die model optimierung.. da kann dann sicher keine signatlstaerke > -90 an der stelle raus kommen
+}
+
+\todo{
+	wir wollen nicht, dass die position des ground-truths durch das wifi so wahrscheinlich wie möglich ist,
+	wir wollen dass die position des ground-truth einfach eine höhere wahrscheinlichkeit hat, als alle anderen punkte im gebäude
+	das pruefen wir ab
+}
+
+\begin{figure}
+	\centering
+	\input{gfx/compare-wifi-in-out.tex}
+	\caption{
+		Measurable signal strengths of a testing \docAPshort{} (black dot).
+		While the signal diminishes slowly along the corridor (upper rectangle)
+		the metallised windows (dashed outline) attenuate the signal by over \SI{30}{\decibel} (lower rectangle).
+	}
+\end{figure}
 
 ware das grid-model nicht da, wuerde der outdoor teil richtig schlecht laufen,
 weil das wlan hier absolut ungenau ist.. da die partikel aber aufgrund des vorherigen

tex/chapters/system.tex

@@ -58,11 +58,15 @@
 	$p(\mStateVec_{t} \mid \mStateVec_{t-1}, \mObsVec_{t-1})$ are sampled 
 	based on those sensor values.
 
-	Thus, the overall system works as described in \cite{Ebner-16}.
+	As this work focuses on \docWIFI{} optimization, not all parts of
+	the localization system are discussed in detail.
+	For missing explanations please refer to \cite{Ebner-16}.
+	%
 	Since then, absolute heading and GPS have been added as additional sensors
-	to further enhance the localization.
+	to further enhance the localization by comparing the sensor values
+	using some distribution.
+	
 	\todo{neues resampling?}
-		
 	
 	\todo{ueberleitung}
 	\todo{
@@ -70,7 +74,7 @@
 		dafür braucht man entweder viele fingerprints oder ein modell
 	}
 	As GPS will only work outdoors, e.g. when moving from one building into another,
-	the system's absolute position is solely provided by the \docWIFI{} component.
+	the system's absolute position indoors is solely provided by the \docWIFI{} component.
 	Therefore its crucial for this component to provide location estimations 
 	that are as accurate as possible, while ensuring fast setup and
 	maintenance times.

tex/chapters/work.tex

@@ -99,6 +99,11 @@
 		algorithms like gradient descent \todo{cite} and (downhill) simpelx \todo{cite}
 		are well suited.
 		
+		\todo{formel fuer opt: was wird optimiert?}
+		\begin{equation}
+			argmin_{bla} blub()
+		\end{equation}
+		
 		\begin{figure}
 			\input{gfx/wifiop_show_optfunc_params}
 			\label{fig:wifiOptFuncTXPEXP}
@@ -141,6 +146,9 @@
 
 	\subsection{Modified Signal Strength Model}
 	
+		\todo{nicht: during initial eval, sondern gleich sagen, dass die vermutung nahe liegt, dass das modell
+		nicht gut klappen wird, weil waende und unser metall-glas nicht beruecksichtigt werden. deshalb
+		versuchen wir ein anderes modell das immernoch live arbeiten kann}
 		During the initial eval, some issues were discovered. While aforementioned optimization was able to 
 		reduce the error between reference measurements and model estimations to \SI{50}{\percent},
 		the position estimation \ref{eq:wifiProb} did not benefit from improved model parameters. 
@@ -164,6 +172,15 @@
 		function like average, median or maximum.
 
 
+\todo{abs-head ist in der observation besser, weil es beim resampling mehr bringt und dafuer srogt, dass die richtigen geloescht werden!}
+
+\todo{anfaenglich falsches heading ist gift, wegen rel. heading, weil sich dann alles verlaeuft. fix: anfaenglich große heading variation erlauben}
+
+\todo{wifi-veto erklaeren. wir fragen die 4 laut model an jeder pos staerksten APs ab und vergleichen die mit dem scan.
+weichen min 50 prozent um mehr als 20 dB ab, oder sind im scan nicht gesehen worden, wird fuer diese position ein veto eingelegt:
+0.001 vs 0.999. das geht auch nur so, da ja an jeder position andere APs die staerksten waeren.. direkt mit deren wahrscheinlichkeiten
+zu arbeiten wuerde also aepfel mit birnen vergleichen}
+
 wie wird optimiert
 a) bekannte pos + empirische params
 b) bekannte pos + opt params (fur alle APs gleich)		[simplex]