FHWS/OTHER2017
Archived
3
0
Fork 0
Code Issues 4 Pull Requests Releases Wiki Activity

current state

Browse Source
This commit is contained in:
FrankE
2017-04-24 22:43:13 +02:00
parent 755f5662ae
commit aea38def0b
3 changed files with 137 additions and 110 deletions
Download Patch File Download Diff File Expand all files Collapse all files

198
tex/chapters/experiments.tex
View File

@@ -1,80 +1,83 @@
\section{Experiments} \section{Experiments}
wir betrachten nur die fest-installierten APs die man meist anhand einer bestimmten mac-range ausmachen kann \todo{
portable geraete von studenten, beamer, aehnliches werden ignoriert alles im FHWS gebäude [korrekte groesse fuer beide gebaeude!] mit nem nexus 6
}
modell direkt fuer den gelaufenen pfad optimiert (also wirklich jede wifi messung direkt auf den ground-truth)
der fehler wird zwar kleiner, ist aber immernoch deutlich spürbar. das spricht dafür, dass das modell einfach nicht Within all \docWIFI{} observations we only consider the \docAP{}s that are permanently installed
gut geeignet ist. within the building. Temporal and movable transmitters are ignored as they might cause estimation errors.
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
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
modell direkt fuer den gelaufenen pfad optimiert (also wirklich jede wifi messung direkt auf den ground-truth)
der fehler wird zwar kleiner, ist aber immernoch deutlich spürbar. das spricht dafür, dass das modell einfach nicht
gut geeignet ist.
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
% -------------------------------- optimization -------------------------------- % % -------------------------------- optimization -------------------------------- %
% used reference measurements As the signal strength prediction model is the heart of the absolute positioning component
\begin{figure} described in \ref{sec:system} we start with the model parameter estimation (see \ref{sec:optimization}) for
{ \mTXP, \mPLE and \mWAF based on some reference measurements and compare the results
\centering between various optimization strategies and a basic empiric choice of \mTXP = \SI{-40}{\decibel{}m} @ \SI{1}{\meter}
\input{gfx/all_fingerprints.tex} (defined by the usual \docAPshort{} transmit power for europe), a path loss exponent $\mPLE \approx $ \SI{2.5} and
} $\mWAF \approx$ \SI{-8}{\decibel} per floor/ceiling (made of reinforced concrete) \todo{cite für werte}.
\label{fig:referenceMeasurements}
\caption{ Figure \ref{fig:referenceMeasurements} depicts the location of the used 121 reference measurements.
Locations of the 121 reference measurements. Each location was scanned 30 times ($\approx$ \SI{25}{\second} scan time),
The size of each square denotes the number of permanently installed \docAPshort{}s non permanent \docAP{}s were removed, the values were grouped per physical transmitter (see \ref{sec:vap})
that are visible at this location, and aggregated to form the average signal strength per transmitter.
and ranges between 2 and 22 with an average of 9.
} % used reference measurements
\end{figure} \begin{figure}
{
\centering
\input{gfx/all_fingerprints.tex}
}
\label{fig:referenceMeasurements}
\caption{
Locations of the 121 reference measurements.
The size of each square denotes the number of permanently installed \docAPshort{}s
that are visible at this location,
and ranges between 2 and 22 with an average of 9.
}
\end{figure}
% visible APs: % visible APs:
% cnt(121) min(2.000000) max(22.000000) range(20.000000) med(8.000000) avg(9.322314) stdDev(4.386709) % cnt(121) min(2.000000) max(22.000000) range(20.000000) med(8.000000) avg(9.322314) stdDev(4.386709)
\begin{figure} As mentioned earlier we will look at various optimization strategies.
\input{gfx/wifi_model_error_0_95.tex}
\input{gfx/wifi_model_error_95_100.tex}
\label{fig:wifiModelError}% {\bf\noOptEmpiric{}} uses the same three parameters \mTXP,\mPLE,\mWAF for each \docAPshort{} in combination
\caption{% with its position, which is well known from the flooprlan.
Comparison between different optimization strategies by examining the error (in \decibel) at each reference measurement.%
The higher the number of variable parameters, the better the model resembles real world conditions. % {\bf\optParamsAllAP{}} is the same as above, except that the three parameters are optimized
}% based on the reference measurements.
\end{figure}
{\bf\optParamsEachAP{}} optimizes the three parameters per \docAP{} instead of using the same
parameters for all.
{\bf\optParamsPosEachAP{}} does not need any prior knowledge and will optimize all six parameters
(3D position, \mTXP, \mPLE, \mWAF) based on the reference measurements.
{\bf\optPerFloor{}} and {\bf\optPerRegion{}} are just like \optParamsPosEachAP{} except that
there are several instances that are optimized only for one floor / region instead of the whole building.
\begin{figure}
\input{gfx/wifi_model_error_0_95.tex}
\input{gfx/wifi_model_error_95_100.tex}
\label{fig:wifiModelError}%
\caption{%
Comparison between different optimization strategies by examining the error (in \decibel) at each reference measurement.%
The higher the number of variable parameters, the better the model resembles real world conditions. %
}%
\end{figure}
@@ -215,10 +218,14 @@ kann man auch testen wenn man beim particle-filter das resampling ganz aus macht
To reduce the amount such of misclassifications, where other locations within the building are To reduce the amount such of misclassifications, where other locations within the building are
as likely as the pedestrians actual location, we examined various approaches. as likely as the pedestrians actual location, we examined various approaches.
Unfortunately, none of which provided a viable enhancement under all conditions for the performed walks: Unfortunately, none of which provided a viable enhancement under all conditions for the performed walks.
One possibility to dissolve an equal \docWIFI{}-likelihood between two (or more) locations within in the building The misclassification-rate is determined by counting the amount of (random) locations within
is, to not only consider the \docAPshort{}s seen by the Smartphone, but also the \docAPshort{}s not seen the building that produce a similar probability \refeq{eq:wifiProb} as the actual ground-truth
position.
One possibility to dissolve such an equal \docWIFI{}-likelihood between two (or more) locations is,
to not only consider the \docAPshort{}s seen by the Smartphone, but also the \docAPshort{}s not seen
by the Smartphone. This additional information can be used to rule out all locations where this by the Smartphone. This additional information can be used to rule out all locations where this
\docAP{} should be received (high signal strength from the prediction model). \docAP{} should be received (high signal strength from the prediction model).
% There might be an \docAP{} that should be visible at the other locations. However, % There might be an \docAP{} that should be visible at the other locations. However,
@@ -234,20 +241,24 @@ kann man auch testen wenn man beim particle-filter das resampling ganz aus macht
Furthermore, this requires the signal strength prediction model to be fairly accurate. Within our testing Furthermore, this requires the signal strength prediction model to be fairly accurate. Within our testing
walks, several places are surrounded by concrete walls, which cause a harsh, local drop in signal strength. walks, several places are surrounded by concrete walls, which cause a harsh, local drop in signal strength.
The models used within this work will not accurately predict the signal strength for such locations. The models used within this work will not accurately predict the signal strength for such locations.
Including \docAPshort{}s unseen by the Smartphone thus often increases the estimation error instead %%Including \docAPshort{}s unseen by the Smartphone thus often increases the estimation error instead
of fixing the multimodality. %%of fixing the multimodality.
To sum up, while some situations, e.g. outdoors, could greatly be improved,
many other situations are deteriorated, especially when some transmitters are (temporarily)
attenuated by ambient conditions like concrete walls.
We therefore examined variations of the probability calculation from \refeq{eq:wifiProb}. We therefore examined variations of the probability calculation from \refeq{eq:wifiProb}.
Removing the strongest/weakest \docAPshort{} from $\mRssiVecWiFi{}$ yielded similar results. Removing the strongest/weakest \docAPshort{} from $\mRssiVec{}$ yielded similar results.
While some estimations were improved, the overall estimation error increased for our walks, While some estimations were improved, the overall estimation error increased for our walks,
as there are many situations where only a handful \docAP{}s can be seen. Removing (valid) as there are many situations where only a handful \docAP{}s can be seen. Removing (valid)
information will highly increase the error for such situations. information will highly increase the error for such situations.
Using a more strict exponential distribution for the model vs. scan comparison in \refeq{eq:wifiProb} Using a more strict exponential distribution for the model vs. scan comparison in \refeq{eq:wifiProb}
had a positive effect on the misclassification error for some of the walks, but slightly increased had a positive effect on the misclassification error for some of the walks, but slightly increased
the estimation error (see figure \reffig{fig:normalVsExponential}) and thus produced negative side effects. the estimation error (see figure \ref{fig:normalVsExponential}) and thus produced negative side effects.
\begin{figure} \begin{figure}
\input{gfx/wifiCompare_normalVsExp_cross.tex} \input{gfx/wifiCompare_normalVsExp_cross.tex}
@@ -261,38 +272,19 @@ kann man auch testen wenn man beim particle-filter das resampling ganz aus macht
} }
\end{figure} \end{figure}
\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
}
\todo{ \todo{
erkenntnisse: erwähnen??? 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!
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
}
% -------------------------------- final system -------------------------------- %
% REAL WALKS % REAL WALKS
\todo{obwohl das angepasste modell doch recht gut laeuft und der fehler recht klein wird, sind immernoch stellen dabei, \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. wo es einfach nicht gut passt, unguenstige mehrdeutigkeiten vorliegen, oder regionen einfach nicht passen wie sie sollten.
@@ -301,7 +293,11 @@ kann man auch testen wenn man beim particle-filter das resampling ganz aus macht
\todo{GPS ist leider kaum eine hilfe. entweder kein empfang wegen ueberdachung oder abschattung, oder \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.} zu kurz draußen um einen guten gps-fix zu bekommen.}
\todo{
walk1 hat eine issue kurz bevor man zur tuer zum hoersaalgebaude reingeht
je nach resampling killt dieser wlan error evtl alle partikel!
}
\todo{ \todo{
das bbox modell hat probleme an den uebergängen zwischen bboxes da dort teils starke spruenge sind das bbox modell hat probleme an den uebergängen zwischen bboxes da dort teils starke spruenge sind

1
tex/chapters/system.tex
View File

@@ -1,4 +1,5 @@
\section{Indoor Positioning System} \section{Indoor Positioning System}
\label{sec:system}
Our smartphone-based indoor localization system estimates the current location and heading Our smartphone-based indoor localization system estimates the current location and heading
using recursive density estimation. using recursive density estimation.

48
tex/chapters/work.tex
View File

@@ -1,4 +1,5 @@
\section{WiFi Optimization} \section{WiFi Location Estimation}
\label{sec:optimization}
The WiFi sensor infers the pedestrian's current location based on a comparison between live measurements The WiFi sensor infers the pedestrian's current location based on a comparison between live measurements
(the smartphone continuously scans for nearby \docAP{}s) and reference measurements / predictions (the smartphone continuously scans for nearby \docAP{}s) and reference measurements / predictions
@@ -146,17 +147,46 @@
\subsection{Modified Signal Strength Model} \subsection{Modified Signal Strength Model}
\todo{nicht: during initial eval, sondern gleich sagen, dass die vermutung nahe liegt, dass das modell %\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 %nicht gut klappen wird, weil waende und unser metall-glas nicht beruecksichtigt werden. deshalb
versuchen wir ein anderes modell das immernoch live arbeiten kann} %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}, %During the initial eval, some issues were discovered. While aforementioned optimization was able to
the position estimation \ref{eq:wifiProb} did not benefit from improved model parameters. %reduce the error between reference measurements and model estimations to \SI{50}{\percent},
To the contrary, there were several situations throughout the testing walks, where %the position estimation \ref{eq:wifiProb} did not benefit from improved model parameters.
the inferred location was more erroneous than before. %To the contrary, there were several situations throughout the testing walks, where
%the inferred location was more erroneous than before.
As the used model does not consider walls, it is expected to provide erroneous values
for regions that are heavily attenuated by e.g. concrete or metallised glass.
\subsection{\docWIFI{} quality factor}
\todo{wifi quality factor??}
\todo{formel für toni}
\begin{equation}
\newcommand{\leMin}{l_\text{min}}
\newcommand{\leMax}{l_\text{max}}
q(\mRssiVec) =
\max(0,
\min(
\frac{
\bar\mRssi - \leMin
}{
\leMax - \leMin
},
1
)
)
\label{eq:wifiQuality}
\end{equation}
\subsection {VAP grouping} \subsection {VAP grouping}
\label{sec:vap}
Assuming normal conditions, the received signal strength at one location will (strongly) vary Assuming normal conditions, the received signal strength at one location will (strongly) vary
due to environmental conditions like temperature, humidity, open/closed doors, RF interference. due to environmental conditions like temperature, humidity, open/closed doors, RF interference.