many eval things

moved obsolete code
TeX work

tex/chapters/abstract.tex

@@ -1 +1,8 @@
 abstract
+system setup kostet oft sehr viel zeit [fingerprinting kostet]
+deshalb werden alternativen untersucht:
+bekannte AP position mit empirischen parametern
+und optimierung durch einige referenzmessungen
+
+floorplan wird für die navigation bzw orientierung des anwenders eh gebraucht
+dann kann man ihn auch gleich für ein bewegungsmodell nutzen

tex/chapters/conclusion.tex

@@ -1 +1,17 @@
 conclusion
+
+beide ansaetze sind in unserem szenario/gebaeude OK:
+bekannte AP-pos + empirische parameter
+komplette optimierung über fingerprints
+
+100 prozent optimierung ist nicht moeglich, es gibt
+immer stellen, die, zugunsten von anderen, schlechter werden.
+es haengt auch stark davon ab, was man optimiert, das modell,
+die uebereinstimmung, welche fingerprints [schlechte vs. gute stellen]
+
+zudem ist das modell fuer unser gebaeude nicht gut ggeeignet.
+zu viele verschiedene materialien und trennwaende, APs immer in raeumen,
+nie auf dem flur. viele hindernisse, wenige freie raeume.
+andere modelle koennten hier helfen, erfordern dann aber zur
+laufzeit mehr berechnung, oder muessten vorab auf einem grid berechnet
+werden \todo{cite auf competition}

tex/chapters/experiments.tex

@@ -8,6 +8,24 @@ modell direkt fuer den gelaufenen pfad optimiert (also wirklich jede wifi messun
 der fehler wird zwar kleiner, ist aber immernoch deutlich spürbar. das spricht dafür, dass das modell einfach nicht
 gut geeignet ist.
 
+outdoor fehler kann gemnindert werden mit z.B.
+nicht nur die APs nehmen die ich sehe, sondern auch die, die ich sehen müsste
+dann wird klar, dass es nicht gut passt. allerdings ist das auch gefaehrlich
+[nicht immer tauchen alle APs im scan auf] und welchen fehler bzw. welche
+dBm zahl nimmt man fuer fehlende APs an? das ist eine hardware-frage.
+
+ein workaround fuer steigende fehler durch optimierung koennte sein,
+dass man nicht jeden AP einzeln optimiert, sondern das gesamtsystem.
+und auch nicht den dB fehler, sondern 'die wahrscheinlichkeit an dieser stelle zu sein'
+bzw: 'die wahrscheinlichkeit aller anderen positionen minimieren' dass keine
+fehl-positionierungen [wie outdoor] mehr stattfinden. allerdings ist das
+problematisch da man auch hier entscheiden müsste wann ein AP nicht mehr
+sichtbar ist etc.
+
+walk1 hat eine issue kurz bevor man zur tuer zum hoersaalgebaude reingeht
+je nach resampling killt dieser wlan error evtl alle partikel!
+
+
 optimierungs input: alle 4 walks samt ground-truth
 dann kommt fuer die 4 typen [fixed, all same par, each par, each par pos]
 log probability 50 75,	meter 50, 75
@@ -75,3 +93,5 @@ outdoor hat insgesamt nicht all zu viel einfluss, da die meisten APs
 an den outdoor punkten kaum gesehen werden. auf einzelne APs kann
 der einfluss jedoch recht groß sein, siehe den fingerprint plot von
 dem einen ausgewählten AP
+
+wenn noch zeit ist: wie aendert sich die model prediction wenn man z.B. nur die haelfte der referenzmessungen nimmt?

tex/chapters/introduction.tex

@@ -1 +1,30 @@
 introduction
+
+
+setupzeiten von indoor systemen sind hoch [fingerprinting]
+auch re-calibration kostet oft zeit
+
+meistens hat man einen gebäudeplan
+oft auch die info wo APs hängen
+warum das nicht nutzen und mit einer groben AP position
++ fixen, empirischen param starten?
+
+was bekomme ich für eine genauigkeit raus?
+
+was kann ich machen um das zu verbessern?
+model parameter anlernen?
+
+wo sind die schwächen?
+verschiedene modelle mit unterschiedlichem berechnungsaufwand.
+
+indoor komplett-system mit IMU, abs-heading, rel-heading, wifi sensor
+gebäudeplan, bewegungsmodell
+
+fokus:
+- wlan parameter + optimierung
+- evaluation der einzel und gesamtergebnisse
+
+contribution:
+- neues wifi modell,
+- neues resampling,
+- model param optimierung + eval was es bringt

tex/chapters/work.tex

@@ -1,5 +1,97 @@
-log normal shadowing model
-so wie log-dist modell nur mit waf. hier: fuer decken. waende werden aktuell nicht betrachtet
+\section{Indoor Positioning System}
+
+	nur grob beschreiben wie unser system funktioniert, 
+	dass die absolute positionierung aus dem wlan kommt,
+	dass man dafür entweder viele fingerprints oder ein modell braucht
+	dann kommts zu dem modell
+	
+	\subsection{Sensor Fusion}
+	
+		Gesamtsystem
+		dann einzel-komponenten
+
+	\subsection{Signal Strength Prediction}
+		
+		\begin{equation}
+			x = \mTXP{} + 10 \mPLE{} + \log_{10} \frac{d}{d_0} + \mGaussNoise{}
+			\label{eq:logDistModel}
+		\end{equation}
+
+		The log distance model \todo{cite} in \refeq{eq:logDistModel} is a commonly used signal strength prediction model that
+		is intended for line-of-sight predictions. However, depending on the surroundings, the model is versatile enough
+		to also serve for indoor purposes.
+		%
+		This model predicts an \docAP{}'s signal strength 
+		for an arbitrary location given the distance between both and two environmental parameters:
+		The \docAPshort{}'s signal strength \mTXP{} measurable at a known distance $d_0$ (usually \SI{1}{\meter}) and
+		the signal's depletion over distance \mPLE{}, which depends on the \docAPshort{}'s surroundings like walls
+		and other obstacles.
+		\mGaussNoise{} is a zero-mean Gaussian noise and models the uncertainty.
+			
+		The log normal shadowing model is a slight modification, to adapt the log distance model to indoor use cases.
+		It introduces an additional parameter, that models obstalces between (line-of-sight) the \docAPshort{} and the
+		location in question by attenuating the signal with a constant value.
+		%
+		Depending on the use case, this value describes the number and type of walls, ceilings, floors etc. between both locations.
+		For obstacles, this requires an intersection-test of each obstacle with the line-of-sight, which is costly
+		for larger buildings. For realtime use on a smartphone, a (discretized) model pre-computation might thus be necessary
+		\todo{cite competition}.
+		
+		\begin{equation}
+			x = \mTXP{} + 10 \mPLE{} + \log_{10} \frac{d}{d_0} + \numFloors{} \mWAF{} + \mGaussNoise{}
+			\label{eq:logNormShadowModel}
+		\end{equation}
+		
+		Throughout this work, walls are ignored and only floors/ceilings are considered for the model.
+		In \refeq{eq:logNormShadowModel}, floors/ceilings
+		are included using a constant attenuation factor \mWAF{} multiplied by the number of floors/ceilings \numFloors{}
+		between sender and the location in question. Assuming \todo{passendes wort?} buildings, this number can be determined
+		without  costly intersection checks and thus allows for realtime use cases.
+		The attenuation \mWAF{} depends on the building's architecture and for common, steel enforced concrete floors
+		$\approx 8.0$ might be a viable choice \todo{cite}.
+		
+		
+		
+	\subsection {Model Setup}
+
+		As previously mentioned, for the prediction model to work, one needs to know the locations of all 
+		permanently installed \docAP{}s within the building plus their environmental parameters.
+		%
+		While it is possible to use empiric values for \mTXP, \mPLE and \mWAF  \cite{Ebner-15}, the positions are mandtatory.
+		
+		For many installations, there should be floorplans that include the locations of all installed transmitters. 
+		If so, a model setup takes only several minutes to (vaguely) position the \docAPshort{}s within a virtual
+		map and assigning them some fixed, empirically choosen parameters for \mTXP, \mPLE and \mWAF.
+		Depending on the building's architecture this might already provide enough accuracy for some use-cases
+		where a vague location information is sufficient.
+		
+		
+	\subsection{Parameter Optimization}
+		
+		
+		
+		
+		
+		
+		
+
+		\begin{figure}
+			\input{gfx/wifiop_show_optfunc_params}
+			\label{fig:wifiOptFuncParams}
+			\caption{The average error (in \SI{}{\decibel}) between reference measurements and model predictions for one \docAPshort{} dependent on \docTXP{} and \docEXP{} [fixed position and \mWAF{}] denotes a convex function.}
+		\end{figure}
+		
+		\begin{figure}
+			\input{gfx/wifiop_show_optfunc_pos_yz}
+			\label{fig:wifiOptFuncPosYZ}
+			\caption{The average error (in \SI{}{\decibel}) between reference measurements and model predictions for one \docAPshort{} dependent on $y$- and $z$-position [fixed $x$, \mTXP{}, \mPLE{} and \mWAF{}] usually denotes a non-convex function with multiple [here: two] local minima.}
+		\end{figure}
+		
+		while optimizing txp and exp usually means optimizing a concave function,
+		optimzing the positiong usually isn't. Especially when the z-coordinate
+		[influencing the WAF] is involved. While this can be mitigated by introducing
+		a continuous function for the WAF like a sigmoid, this will still not work
+		for all situations
 
 
 
@@ -9,6 +101,24 @@ b) bekannte pos + opt params (fur alle APs gleich)		[simplex]
 c) bekannte pos + opt params (eigene je AP)				[simplex]
 d) alles opt: pos und params (je ap)					[range-random]
 
+wenn man nur die fingerprints des floors nimmt in dem gelaufen wird, ist alles gut
+sobald man andere floors drueber/drunter dazu nimmt, ist es nicht mehr gnaz so gut, oder wird schlechter
+das spricht dafuer dass das modell nicht gut passt
+koennte man zeigen indem man den durchschnittlichen fehler je fingerprint plottet???
+
+the optimization-result also depends on the optimzation target:
+a) the (average) error between measurment and model prediction
+b) the (average) probability for the model's prediction given the fingerprint, ...
+c) ...
+
+
+
+
+
+	\subsection {VAP grouping}
+		VAP grouping erklaeren
+
+
 probleme bei der optimierung beschreiben. convex usw..
 wo geht simplex gut, wo eher nicht
 

tex/misc/functions.tex

@@ -4,9 +4,6 @@
 \newcommand{\mLogDistGamma}{\ensuremath{\gamma}}
 \newcommand{\mLogDistTX}{TX}
 
-\newcommand{\mDongle}[1]{\ensuremath{D_{#1}}}
-%\newcommand{\mDongle}{d}								% dongle
-\newcommand{\mBeacon}[1]{\ensuremath{B_{#1}}}			% beacon
 
 \newcommand{\mRssi}{\ensuremath{s}}						% client's signal-strength measurement
 \newcommand{\mMdlRSSI}{\ensuremath{\varsigma}}			% model's signal-strength
@@ -39,8 +36,6 @@
 \newcommand{\mSteps}{n_\text{steps}}
 \newcommand{\mObsSteps}{\mSteps}
 
-\newcommand{\mNN}{\text{nn}}
-\newcommand{\mKNN}{\text{knn}}
 \newcommand{\fPos}[1]{\textbf{pos}(#1)}
 \newcommand{\fDistance}[2]{\delta(#1, #2)}
 \newcommand{\fWA}[1]{\text{wall}(#1)}
@@ -122,7 +117,9 @@
 
 \newcommand{\mPLE}{\ensuremath{\gamma}}					% path-loss exponent
 \newcommand{\mTXP}{\ensuremath{P_0}}					% tx-power
+\newcommand{\numFloors}{\ensuremath{n}}
 \newcommand{\mWAF}{\ensuremath{\beta}}					% wall attenuation factor
+\newcommand{\mGaussNoise}{\ensuremath{X}}
 
 \newcommand{\mMdlDist}{\ensuremath{d}}					% distance used within propagation models
 

tex/misc/keywords.tex

@@ -1,10 +1,6 @@
 % keyword macros
 \newcommand{\docIBeacon}{iBeacon}
 
-% wifi naming
-\newcommand{\wifiRSSI}{RSSI}
-\newcommand{\wifiTxPower}{TX-Power}
-\newcommand{\wifiPathLossExp}{PathLoss}
 
 \newcommand{\wifiPropLogScale}{Log-Scale}
 \newcommand{\wifiPropLogScaleWalls}{Log-Scale-Walls}
@@ -13,9 +9,8 @@
 
 
 % misc
-\newcommand{\docTxPower}{TX-Power}
-\newcommand{\docPathLossExp}{PathLoss}
-\newcommand{\docPathLoss}{Pathloss}
+\newcommand{\docTXP}{TX-power}
+\newcommand{\docEXP}{path loss exponent}
 
 \newcommand{\docsAP}{AP}
 \newcommand{\docAPshort}{AP}