203 lines
9.5 KiB
TeX
203 lines
9.5 KiB
TeX
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
|
|
|
|
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
|
|
|
|
\todo{
|
|
we analyzed various paths throughout the whole building
|
|
}
|
|
|
|
\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)
|
|
}
|
|
|
|
|
|
|
|
% -------------------------------- other distributions, unseen APs, etc -------------------------------- %
|
|
|
|
To reduce the amount of misclassifications, where other locations within the building are (almost)
|
|
as likely (see \refeq{eq:wifiProb}) as the pedestrians actual location, we examined various
|
|
approaches. Unfortunately, none of which provided a viable enhancement under all conditions within
|
|
the performed walks.
|
|
|
|
One possibility to dissolve an equal \docWIFI{}-likelihood between two (or more) locations within in the building
|
|
is, to not only consider the \docAPshort{}s seen by the Smartphone, but also the \docAPshort{}s not seen
|
|
by the Smartphone. Maybe there is an \docAP{} that should be visible at the other locations. However,
|
|
as the Smartphone did not see this \docAPshort{} the other location can be ruled out.
|
|
While this works in theory, evaluations revealed several issues:
|
|
|
|
There is a chance that an \docAPshort{} is unseen during a scan due to packet collisions or
|
|
temporal effects within the surrounding. It thus might make sense to opt-out other locations
|
|
only, if at least two \docAPshort{}s are missing. On the other hand, this obviously requires (at least)
|
|
two \docAPshort{}s to actually be different between the two locations, which might not always be
|
|
the case.
|
|
|
|
Also, this requires the signal strength prediction model to be fairly accurate. Within our testing
|
|
walks there are several places 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.
|
|
Including \docAPshort{}s unseen by the Smartphone thus often increases the estimation error instead
|
|
of fixing the multimodality.
|
|
|
|
We therefore examined variations of the probability calculation from \refeq{eq:wifiProb}.
|
|
Removing the strongest/weakest \docAPshort{} from $\mRssiVecWiFi{}$ yielded similar results.
|
|
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)
|
|
information will highly increase the error for such situations.
|
|
|
|
Using a more strict exponential distribution for
|
|
|
|
\begin{figure}
|
|
\input{gfx/wifiCompare_normalVsExp_cross.tex}
|
|
\input{gfx/wifiCompare_normalVsExp_meter.tex}
|
|
\label{fig:normalVsExponential}
|
|
\caption{
|
|
Comparison between normal- (black) and exponential-distribution (red) for \refeq{eq:wifiProb}.
|
|
While misclassifications are slightly reduced (upper chart),
|
|
the error between ground-truth and estimation (lower chart) increases by
|
|
about \SI{1}{\meter} for the median.
|
|
}
|
|
\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
|
|
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?
|