experiments 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 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. 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 path1 31.8|38.9 7.8|11.6 27.3|36.8 7.2|9.8 24.0|30.3 5.8|10.24 22.9|29.9 5.0|7.6 hoherer fehler weil mehr outdoor anteil path2 32.0|42.4 12.6|20.9 28.4|35.2 10.1|16.1 27.0|34.0 7.0|10.1 25.4|33.3 8.0|17.2 je mehr outdoor, desto schlechter wird es. outdoor schadet auch der optimierung outdoor schadet mehr als indoor, weil das wifi modell fuer indoor noch halbwegs passt aber fuer outdoor so garned fenster sind metallbedampft und schirmen stark ab siehe beispielgrafik gps wird so schnell nicht warm, versagt denn auf dem hof als hilfestellung 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 \input{gfx/compare-wifi-in-out.tex} starker einfluss der glasscheiben.. 3 meter nach dem AP ist nur noch sehr wenig uebrig 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 walks schon recht dicht beisamen sind, kittet das das ganze sehr gut. kann man testen, indem man z.B. weniger resampling macht und mehr alte partikel aufhebt. geht sofort kaputt sobald man aus dem gebäude raus kommt signalstaerke limitieren, wie : alles was im model oder scan < -90 ist, wird auf -90 abgeschnitten hilft zwar an manchen stellen, im groben und ganzen führt es aber eher zu fehlern als zu verbesserungen. zudem ist zu erwarten, dass diese zahl stark vom geraet/hardware abhaengt jeweils beim weighting die niedrigste wifi probability weglassen [je nach particle also ein anderer AP] bringt auch nicht immer was.. killt gelegentlich floor-changes. zudem stehen am ende nur sehr wenige APs zur verfügung. da einen zu ignorieren, macht noch mehr kaputt auch ein versuch wie werfe alle APs aus dem handy-scan weg, die kleiner -90 sind, birgt die selben risiken es scheint wirklich am sinnvollsten, die scan-daten einfach 1:1 zu nehmen wie sie sind kurz vor ende von path 2 will die estimation nicht in die cafeteria, weil ein paar particle die treppe richtung h.1.5 hochgehen und durch das wlan sehr sehr hoch gewichtet werden. die mittelwert-estimation versagt hier \input{gfx/wifi-opt-error-hist-methods.tex} \input{gfx/wifi-opt-error-hist-stair-outdoor.tex} 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?