Ontwikkeling van een indoorlokalisatiesysteem op basis
van het Viterbi-algoritme
Jens Trogh
Promotoren: prof. dr. ir. Wout Joseph, prof. dr. ir. Luc Martens
Begeleider: dr. ir. David Plets
Masterproef ingediend tot het behalen van de academische graad van
Master of Science in de ingenieurswetenschappen: elektrotechniek
Vakgroep Informatietechnologie
Voorzitter: prof. dr. ir. Daniël De Zutter
Faculteit Ingenieurswetenschappen en Architectuur
Academiejaar 2013-2014
Ontwikkeling van een indoorlokalisatiesysteem op basis
van het Viterbi-algoritme
Jens Trogh
Promotoren: prof. dr. ir. Wout Joseph, prof. dr. ir. Luc Martens
Begeleider: dr. ir. David Plets
Masterproef ingediend tot het behalen van de academische graad van
Master of Science in de ingenieurswetenschappen: elektrotechniek
Vakgroep Informatietechnologie
Voorzitter: prof. dr. ir. Daniël De Zutter
Faculteit Ingenieurswetenschappen en Architectuur
Academiejaar 2013-2014
Voorwoord
Het kiezen van een masterproef is niet vanzelfsprekend, mijn interesse in draadloze telecommunicatie en nieuwe technologie¨en in het algemeen hebben me uiteindelijk naar dit onderwerp
geleid. Het was een interessant en uitdagend project, dat mij altijd heeft kunnen motiveren.
Ik had graag nog een kort dankwoord gehouden voor alle mensen die me hebben geholpen bij het
tot stand komen van deze thesis. Vooreerst mijn begeleider David Plets, die me altijd van snelle
feedback en nieuwe invalshoeken kon voorzien, Bart Jooris en Stefan Bouckaert voor de hulp
met het testbed en de mobiele node, Kris Vanhecke voor het opzetten van de visualisatietool en
mijn promotoren Wout Joseph en Luc Martens voor het mogelijk maken van deze masterproef.
Als laatste moet ik natuurlijk ook mijn ouders, familie en vrienden bedanken, voor hun steun
tijdens deze thesis en mijn studies in het algemeen.
Jens Trogh, juni 2014
Toelating tot bruikleen
De auteur geeft de toelating deze masterproef voor consultatie beschikbaar te stellen en delen
van de masterproef te kopi¨eren voor persoonlijk gebruik.
Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten uit
deze masterproef.
Jens Trogh, juni 2014
Ontwikkeling van een indoorlokalisatiesysteem
op basis van het Viterbi-algoritme
door
Jens TROGH
Masterproef ingediend tot het behalen van de academische graad van
Master of Science in de ingenieurswetenschappen: elektrotechniek
Academiejaar 2013-2014
Promotoren: Prof. Dr. Ir. Wout Joseph, Prof. Dr. Ir. Luc Martens
Begeleider: Dr. Ir. David Plets
Faculteit Ingenieurswetenschappen en Architectuur
Universiteit Gent
Vakgroep Informatietechnologie
Voorzitter: Prof. Dr. Ir. Dani¨el De Zutter
Samenvatting
In deze thesis wordt een indoorlokalisatiesysteem ontwikkeld dat gebaseerd is op het Viterbialgoritme, in plaats van enkel de meest waarschijnlijke huidige positie te voorspellen, wordt het
meest waarschijnlijke traject geconstrueerd. Op deze manier wordt bij iedere voorspelling het
verleden van een traject in rekening gebracht.
Trefwoorden
Indoorlokalisatiesysteem, Viterbi-algoritme, Padverliespredictiealgoritme, RSSI Fingerprinting,
Wireless Sensor Network, WiFi
Development of an indoor localization system based
on the Viterbi-algorithm
Jens Trogh
Supervisor(s): Wout Joseph, Luc Martens, David Plets
Abstract— In this work an indoor localization system based on the
Viterbi-algorithm is developed. Instead of determining just the most likely
current position, the most likely sequence of locations is determined. The
developed algorithm is tested by simulation and implemented on a wireless
testbed for real-life testing. Next the algorithm is adjusted to work in realtime and finally a sensitivity analysis is conducted to examine the influence
of all parameters.
Keywords—Indoor Localization, Viterbi-algorithm, Path loss prediction
algorithm, Wireless Sensor Network, RSSI fingerprinting
I. I NTRODUCTION
N door localization systems have applications in many domains, think of the healthcare sector, military sector, industrial sector,. . . Examples of these applications are: tracing of elderly, navigation through a building, equipment tracking, museum guidance,. . . To perform the localization of an object, a
tracking device that broadcasts beacons is often used. The location is estimated based on the comparison of the measured
signal strength with reference values. Due to the complexity of
many indoor environments there can be a large variability on
these measured signal strengths which often results in an insufficient accuracy of the localization algorithm. By using new and
advanced techniques this accuracy can be improved.
I
II. PATH LOSS MODELS
A. RSSI
To determine the path loss, the Received Signal Strength Indicator (RSSI) is used, this value gives an indication of the received power level in dB. We will use these RSSI values, averaged over a certain time-interval, to calculate the path losses
from this certain moment. These measurements will be used as
input for the localization algorithm, where they are compared
with the reference values from the fingerprint database, to find
the most likely next position. This fingerprint database is constructed with four different path loss models.
B. Path loss models
A free-space, one-slope, two-slope and the WiCa Heuristic
Indoor Propagation Prediction Tool (WHIPP) [2] will be used
for prediction of the path losses. Because of the difference between the measured RSSI values and the predicted path losses,
all four models are calibrated once. By broadcasting packets on
five different places in the testbed the ideal shift is determined
(this testbed is further explained in Section IV).
C. Offline phase
In the offline phase all reference path losses for all gridpoints
are calculated and stored in the fingerprint database. These grid-
points are the possible locations on the floor plan where the object, that is being traced, can be located.
III. L OCALIZATION ALGORITHM
A. Simple algorithm
A simple localization system is used to compare and estimate
the improvement of the developed localization algorithm. This
standard localization algorithm makes no use of the history of
the current trajectory or the tracings object’s environment. Only
the Mean Square Error (MSE) is used to determine the most
likely current position (gridpoint), this MSE is calculated between the measured path losses and the reference path losses of
a gridpoint from the fingerprint database.
MSE =
N
1X
2
(P Lavg,n − P Lref,n )
n n=1
(1)
Where PLavg,n is the average measured path loss from a node
n and PLref,n is the reference path loss from the fingerprint
database for the same node n.
B. Developed algorithm
As already mentioned, the developed localization algorithm
is based on the Viterbi-algorithm [3]. This comes down to determining the most likely sequence of positions instead of only
the most likely current position. This is done by keeping the
measurements of the past and include them in the calculation
of the new most likely location. With each location update (by
processing the measurements of the last moment), the possible
trajectories and their associated total costs are updated in the
memory of the location algorithm. The last position of the trajectory with the lowest total cost in that moment is taken as most
likely current position.
Besides including the past of a trajectory, it is ensured that
the reconstructed trajectories are physically possible: no wallcrossing, using the doors to leave a room and an adjustable maximum speed. In this way no impossible jumps are made along a
traveled path.
IV. T ESTBED IMPLEMENTATION
A. w-iLab.t
The w-iLab.t is an experimental, generic, heterogeneous wireless testbed from iMinds, located in Zuiderpoort (Ghent), it is
used for developing and testing wireless applications [1]. All
(fixed) wireless nodes are connected to a wired backbone network for management, logging and processing of the measured
data during an experiment.
B. Mobile node
Two kinds of mobile nodes are used to conduct the experiments, both broadcast beacons with a send rate of 10 packets
per second but use a different wireless technology: ZigBee and
WiFi. The mobile nodes have an antenna with a gain of 5 dBi.
These broadcasted packets are received by the fixed nodes from
the testbed and are, after preprocessing, used as input for the
localization algorithm.
C. Real-time visualization
For visualizing the trajectory in real-time, there are two
MySQL databases used, one for logging and reading the measured RSSI values from the testbed (this database is always
used) and another database for storing the current most likely
trajectory. The WHIPP web service gets regular updates from
the second database to plot the trajectory in the visualization
tool.
V. R ESULTS
A. Accuracy and standard deviation
The column Viterbi Huidig is the trajectory consisting of the
locations, that where most likely on a current moment along the
walked path, whereas Viterbi is the final most likely trajectory
(all measurements considered). Both score better than the simple algorithm, the accuracy has improved by 0.94 m and the
standard deviation even by 1.86 m (averaged over ZigBee and
WiFi). This can be explained by considering all previous locations in combination with the maximum speed parameter which
does not allow huge (irregular) jumps along a path.
B. Visualization
Besides the absolute performance measures, the reconstructed
trajectories can also be plotted on the floor plan to have a visual
interpretation of the performance differences between the simple and the developed localization algorithm. In Figures 1 - 2,
the visualization of the reconstructed trajectory with the simple
and developed algorithm is shown (made with the mobile ZigBee node). The red, green and black trajectory are the ground
truth, simple and developed algorithm respectively. The starting
point is indicated with a circle.
To validate the developed algorithm, two performance measures are used: the accuracy and the standard deviation of this
accuracy. The accuracy is the average error between the predicted trajectory and the ground truth. The ground truth is the
trajectory with the exact locations of the object that is being
traced. The accuracy and standard deviation are calculated for
each location update and averaged over all locations from the
considered trajectory.
T q
1X
2
2
(xgt,t − xpred,t ) + (ygt,t − ypred,t )
T t=1
(2)
erroravg =
v
u
T
u1 X
2
σ=t
(errort − erroravg )
T t=1
(3)
Where erroravg is the average accuracy along a trajectory, T
is total number of location updates (time steps) from an experiment, (xgt,t , ygt,t ) and (xpred,t , ypred,t ) are the coordinates from the
ground truth and the predicted location at time step t, σ is the
standard deviation and errort is the accuracy at time step t.
In total nine test trajectories are used, taken at normal speed and
with an average length of 87 m. The averaged results over all
locations from all test trajectories for ZigBee and WiFi are summarized in Table I (whilst using the WHIPP path loss model,
which gave best results).
TABLE I
ACCURACY (A) AND S TANDARD DEVIATION (S)
Algorithm →
Simple
Viterbi Huidig
Fig. 1. Visualization with the simple algorithm
Viterbi
Mobile node ↓
A [m]
S [m]
A [m]
S [m]
A [m]
S [m]
ZigBee
2.94
3.32
2.83
1.94
2.26
1.44
WiFi
3.89
3.45
3.29
2.23
2.7
1.62
Fig. 2. Visualization with the developed algorithm
It can immediately be seen that the trajectory of the simple
algorithm is not physically possible, many walls are crossed and
irregular jumps are present (which will lead to a high standard
deviation on the accuracy), whereas the trajectory of the developed algorithm is a regular one. Towards the end, the reconstructed path finds itself in the wrong room but the average error
remains under 3 m. The exact accuracy and standard deviation
can be found in Table II. It is confirmed that the simple al-
TABLE III
G LOBAL OPTIMUM
gorithm has indeed a much higher standard deviation: 4.82 m
compared to 1.54 m.
Algorithm →
TABLE II
ACCURACY (A) AND S TANDARD DEVIATION (S) FOR F IGURES 1 - 2
Path loss model ↓
WHIPP
Algorithm →
Simple
Testpath number ↓
1
Viterbi
A [m]
S [m]
A [m]
S [m]
3.61
4.82
2.77
1.54
free-space
C. Sensitivity analysis
In this analysis the influence of noise (variations on the measurements, for example caused by multipath fading), number of
fixed nodes, memory usage, execution time, sample rate, walking speed, radiation power, different cost functions and a more
accurate modeling of the floor plan are tested.
The accuracy and standard deviation of the localization algorithm were tested whilst increasing the variations on the measurements by simulation (parameter stdDev [dB]), there was averaged over the same nine test trajectories, each five times simulated (see Figure 3). The performance of the simple algorithm was degrading at a faster rate than the developed algorithm, which was more robust to noise.
Simple
Viterbi Huidig
Viterbi
12
Viterbi Huidig
Viterbi
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
ZigBee
2.96
3.63
2.58
1.7
2.18
1.31
WiFi
3.38
3.13
2.45
1.69
2.2
1.46
ZigBee
3.45
3.4
3.04
1.87
2.61
1.5
WiFi
3.59
2.12
3.46
2.03
3.35
1.96
the standard deviation of the accuracy improved a lot. By using
the advanced path loss model (WHIPP) there is always progress
compared to the results with the free-space path loss model, only
with the simple algorithm it has to give in a little on the standard
deviation.
VI. C ONCLUSION
We can conclude that the usage of the past and environment of
a trajectory can improve the accuracy and standard deviation of
a (random) indoor localization system. Visual inspection of the
reconstructed trajectories showed realistic paths. In the sensitivity analysis it was shown that the robustness against measurement variations improved and that decent results with only few
fixed nodes could be obtained, which was not the case for the
simple algorithm. Overall the developed localization algorithm
kept performing better than the simple algorithm, with accuracies around 2.2 m.
R EFERENCES
10
accuracy [m]
Simple
Mobile node ↓
[1] Stefan Bouckaert, Wim Vandenberghe, Bart Jooris, Ingrid Moerman, Piet
Demeester, The w-iLab. t testbed, Testbeds and Research Infrastructures. Development of Networks and Communities, pp. 145-154, Stockholm, Springer, 2011.
[2] David Plets, Wout Joseph, Kris Vanhecke, Emmeric Tanghe, Luc Martens,
Coverage prediction and optimization algorithms for indoor environments,
EURASIP Journal on Wireless Communications and Networking, pp. 1-23,
Springer, 2012.
[3] Andrew J. Viterbi, Error bounds for convolutional codes and an asymptotically optimum decoding algorithm, Information Theory, IEEE Transactions
on, vol. 13, pp. 260-269, IEEE, 1967.
8
6
4
2
0
0
2
4
6
8
10
12
14
16
18
20
stdDev [dB]
Fig. 3. Influence of noise (simulation)
It was also shown that with less fixed nodes, still a good result could be obtained with the developed localization algorithm.
For the memory usage: there is no need to retain all possible trajectories during the localization, because the performance saturated upwards retaining the 100 best trajectories at each location update. The average execution time for a location update
was 345.02 µs, which makes it suited to work in real-time. A
sample rate between 1 s-1 and 2.5 s-1 , which means a new input
every 0.4 s - 1 s, gave the best results. The influence of walking
speed and radiation power was negligible. A more detailed floor
plan, which included the state of a door (open or closed) resulted
in a small improvement. The ultimate performance with these
ideal parameters for both the free-space and the WHIPP path
loss model can be found in Table III.
As expected the developed localization algorithm resulted in
a better for performance for both path loss models, especially
INHOUDSOPGAVE
x
Inhoudsopgave
Extended abstract
x
Lijst met afkortingen
xiii
1 Inleiding
1
1.1
Probleemstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2
Doelstelling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.3
Overzicht . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
2 Literatuur
2.1
2.2
3
Algemeen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
2.1.1
Rangingtechnieken en draadloze technologie¨en
. . . . . . . . . . . . . . .
3
2.1.2
Driehoeksmeting en statistische methoden . . . . . . . . . . . . . . . . . .
4
State of the art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
3 Lokalisatiealgoritme
3.1
3.2
3.3
6
Simpel algoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
3.1.1
Grondplan en roosterpunten . . . . . . . . . . . . . . . . . . . . . . . . . .
6
3.1.2
Fingerprinting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
3.1.3
Metriek: Mean Square Error . . . . . . . . . . . . . . . . . . . . . . . . .
7
Viterbi-algoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.2.1
Algemeen principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.2.2
Toegepast op lokalisatie . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
3.2.3
Eenvoudig voorbeeld . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
3.2.4
Viterbi en Viterbi Huidig . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
Optimalisatie van het lokalisatiealgoritme . . . . . . . . . . . . . . . . . . . . . .
10
INHOUDSOPGAVE
3.4
xi
3.3.1
Muren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
3.3.2
Deuren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
3.3.3
Maximale snelheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11
3.3.4
Robuustheid tegen verkeerde beginpositie . . . . . . . . . . . . . . . . . .
11
3.3.5
Selectie van padverliesmetingen . . . . . . . . . . . . . . . . . . . . . . . .
12
Prestatiemaat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
3.4.1
Constructie ground truth . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
3.4.2
Nauwkeurigheid en spreiding . . . . . . . . . . . . . . . . . . . . . . . . .
15
3.4.3
Overige criteria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
15
4 Padverliesmodellen
16
4.1
RSSI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
4.2
Padverliesmodellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
4.2.1
Free-space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
4.2.2
One-slope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
4.2.3
TGn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
4.2.4
WHIPP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
Uitvoeringstijd offline-fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
4.3
5 Implementatie in testbed
20
5.1
Eigenschappen testbed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
5.2
Mobiele node . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
5.2.1
ZigBee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
5.2.2
WiFi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
5.3
Calibratie padverliesmodellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
5.4
Real-time implementatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
5.4.1
MySQL databank . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5.4.2
Delay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
6 Resultaten
25
6.1
Testpaden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
6.2
ZigBee: vergelijking padverliesmodellen . . . . . . . . . . . . . . . . . . . . . . .
27
6.3
ZigBee versus WiFi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
6.4
Combinatie ZigBee en WiFi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
INHOUDSOPGAVE
xii
6.5
Visualisatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
6.6
Reproduceerbaarheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
6.7
Sensitiviteitanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.7.1
Ruis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
6.7.2
Selectie aantal access points . . . . . . . . . . . . . . . . . . . . . . . . . .
33
6.7.3
Beperkt aantal vaste nodes . . . . . . . . . . . . . . . . . . . . . . . . . .
34
6.7.4
Geheugen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
6.7.5
Uitvoeringstijd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
6.7.6
Sample rate en uitmiddeling . . . . . . . . . . . . . . . . . . . . . . . . . .
37
6.7.7
Wandelsnelheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
6.7.8
Zendvermogen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
39
6.7.9
Minimum padverlies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
6.7.10 Kostfunctie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
6.7.11 Open en gesloten deuren . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
Globaal optimum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
6.8
7 Toekomstig werk
44
7.1
RSSI alternatieven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
7.2
ZigBee en WiFi alternatieven . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
7.3
A-priori kennis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
7.4
Ruis en outlierfiltering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
7.5
Meerdere verdiepingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
7.6
Inbedding in indoornavigatiesysteem . . . . . . . . . . . . . . . . . . . . . . . . .
45
8 Conclusie
46
Bibliografie
48
Lijst van figuren
49
Lijst van tabellen
50
LIJST MET AFKORTINGEN
xiii
Lijst met afkortingen
AoA
Angle of Arrival
AP
Access Point
DAoA
Difference Angle of Arrival
DSSS
Direct-Sequence Spread Spectrum
DToA
Difference Time of Arrival
IEEE
Institute of Electrical and Electronics Engineers
LoS
Line of Sight
MSE
Mean Square Error
PL
Path Loss
RFID
Radio-Frequency Identification
RSSI
Received Signal Strength Indication
ToA
Time of Arrival
USB
Universal Serial Bus
UWB
Ultra-Wide Band
WHIPP
WiCa Heuristic Indoor Propagation Prediction Tool
WiCa
Wireless & Cable
WiFi
Wireless Fidelity
WSN
Wireless Sensor Network
INLEIDING
1
Hoofdstuk 1
Inleiding
1.1
Probleemstelling
Indoorlokalisatiesystemen hebben toepassingen in vele domeinen, denk maar aan de zorgsector,
bedrijvensector, industri¨ele sector,. . . Voorbeelden van dergelijke toepassingen zijn: het traceren
van ouderen, navigatie door een gebouw, equipment tracking, begeleiding doorheen een museum,. . . Om aan lokalisatie te doen, wordt meestal een tracking device gebruikt dat beacons
uitzendt om, bijvoorbeeld via de gemeten signaalsterkte, zo de locatie te schatten. Maar door
de fysieke complexiteit van vele indooromgevingen kan er een grote variabiliteit op de gemeten
signaalsterkte zitten waardoor lokalisatiealgoritmen vaak nog niet voldoende nauwkeurig zijn.
Door gebruik te maken van nieuwe en geavanceerde technieken kan deze accuraatheid worden
verbeterd.
1.2
Doelstelling
De bedoeling van deze thesis is het ontwikkelen van een nauwkeurig algoritme voor indoorlokalisatiebepaling met behulp van het Viterbi-algoritme. Dit komt neer op het bepalen van de
meest waarschijnlijke sequentie van posities in plaats van enkel de meest waarschijnlijke huidige
positie. Hiervoor worden de meetwaarden uit het verleden bijgehouden en telkens opnieuw in
rekening gebracht om zo de nieuwe meest waarschijnlijke positie te bepalen. Daarna is het de
bedoeling om het ontwikkelde lokalisatiealgoritme te testen via simulaties en te valideren in
real-life omstandigheden.
1.3 Overzicht
1.3
2
Overzicht
Eerst wordt er in Sectie 2 een overzicht gegeven van (indoor)lokalisatiealgoritmen en de huidige
state of the art uit de literatuur. In Sectie 3 wordt er zowel een simpel als een op het Viterbialgoritme gebaseerd lokalisatiesysteem uiteengezet. De tweede zal telkens getoetst worden aan
de eerste om de verbetering van het ontwikkelde lokalisatiealgoritme te kunnen onderzoeken
in dezelfde omstandigheden. In Sectie 4 worden de gebruikte padverliesmodellen toegelicht,
daarna in Sectie 5 komt de implementatie in het sensor lab van de Zuiderpoort (Gent) aan bod,
gevolgd door een uitbreiding die in real-time het afgelegde traject visualiseert. De resultaten
komen aan bod in Sectie 6, hier worden de prestaties van het ontwikkelde lokalisatiealgoritme
en de sensitiviteitsanalyse van verscheidene parameters besproken. Er wordt afgesloten met
toekomstig werk in Sectie 7 en een conclusie in Sectie 8.
LITERATUUR
3
Hoofdstuk 2
Literatuur
2.1
Algemeen
Indoorlokalisatiesystemen maken meestal gebruik van een vaste infrastructuur en een mobiel
toestel (tracking device), waarbij er onderling signalen (beacons) kunnen worden uitgewisseld.
Deze systemen onderscheiden zich van elkaar op volgende manieren [10]:
• gebruikte rangingtechniek
• gebruikte draadloze technologie
• manier waarop de locatie wordt voorspeld
2.1.1
Rangingtechnieken en draadloze technologie¨
en
Met rangingtechniek wordt de karakterisatie van afstand, tijd of hoek die de beacons afleggen,
bedoeld. De draadloze technologie is deze die wordt gebruikt om de beacons uit te zenden. De
meest courante rangingtechnieken en draadloze technologie¨en worden samengevat in Tabel 2.1.
De rangingtechnieken die gebruik maken van Time of Arrival (ToA) of Angle of Arrival (AoA)
leveren nauwkeurige metingen op maar hebben extra hardware nodig, bijvoorbeeld in het geval van AoA worden er directionele antennes gebruikt die duurder zijn en relatief meer energie
verbruiken. Methoden gebaseerd op ontvangen signaalsterkte maken meestal gebruik van Received Signal Strength Indication (RSSI) [17] en aangezien de meeste draadloze toestellen deze
functionaliteit hebben ingebouwd, brengt dit geen extra kost met zich mee. Bij de draadloze
technologie¨en heeft Ultra-Wide Band (UWB), zoals de naam al aangeeft, een veel hogere bandbreedte dan bijvoorbeeld WiFi en dus ook een veel hogere temporele resolutie, wat het dus
2.2 State of the art
4
geschikt maakt voor zeer nauwkeurige lokalisatie toepassingen [8]. Het nadeel van UWB is dat
een groot deel van de huidige systemen nog niet zijn uitgerust met deze (nieuwe) technologie.
Voor de voorspelling van de locatie kan men gebruik maken van driehoeksmeting of statistische
methoden.
Tabel 2.1: Rangingtechnieken en draadloze technologie¨en
Rangingtechniek
ToA
DToA
AoA
Time of Arrival: verschil in tijd tussen het zenden en ontvangen van een beacon
Difference Time of Arrival
Angle of Arrival: gebruikt directionele antennes om de hoek te bepalen
DAoA
Difference Angle of Arrival
RSSI
Received Signal Strength Indication: indicatie van ontvangen vermogen bij de ontvanger
Draadloze technologie
2.1.2
Afkorting / Beschrijving
Afkorting / Beschrijving
RFID
Radio-frequency identification
DSSS
Direct-sequence spread spectrum, wordt o.a. gebruikt door ZigBee
WiFi
Wireless Fidelity
UWB
Ultra Wide Band
Driehoeksmeting en statistische methoden
Bij lokalisatie met behulp van driehoeksmeting zijn er minstens 3 punten (metingen via een
rangingtechniek) nodig, om de positie te bepalen. Een voorbeeld hiervan is geometrische multilateratie. Bij statistische methoden worden distributies van de afstanden gebruikt voor de
locatie te voorspellen. Er zijn hoofdzakelijk drie aanpakken: statistische multilateratie, maximale likelihood schatters en Bayesiaanse schatters. Een overzicht van lokalisatie technieken met
behulp van geometrische of statistische technieken wordt gegeven in [12].
2.2
State of the art
Enkele huidige state of the art algoritmen maken gebruik van a-priori kennis om bijvoorbeeld
via probabilistische distributies de beweging van de mobiele node te modelleren. Deze a-priori
kennis wordt in [9] met een gewichtsfactor in rekening gebracht om zo de meest waarschijnlijke
huidige locatie te voorspellen. In [14] wordt semantische informatie ge¨extraheerd uit de interactie van een gebruiker met zijn omgeving, deze informatie wordt in combinatie met RSSI als
rangingtechniek gebruikt om aan lokalisatie te doen.
Voor een indooromgeving is het interessant om het gebruikte propagatiemodel te tunen voor dit
2.2 State of the art
5
specifieke gebouw, maar dit is zeer tijdrovend omdat er veel metingen voor nodig zijn. In [15]
wordt een empirisch model voor het padverlies opgesteld dat wordt gematcht aan een deterministisch ray tracing model, zodat er geen uitgebreide metingen nodig zijn. Er werd aangetoond
dat dit veel sneller ging zonder veel aan nauwkeurigheid in te boeten.
In [18] wordt een multipath gebaseerd indoornavigatiesysteem uiteengezet, meer bepaald werd
hier de informatie van reflectiecomponenten expliciet gebruikt om virtuele anchors te plaatsen,
die worden gebruikt als extra datapunten in het lokalisatiealgoritme. Dit indoornavigatiesysteem
werd in [11] gevalideerd, een real-time implementatie werd ontwikkeld om de performantie en
invloeden in verscheidene omgevingen te testen. De draadloze technologie UWB in combinatie
met ToA als rangingtechniek levert in [2] zeer nauwkeurige resultaten op voor de lokalisatie van
sensoren op het lichaam binnen een kleine test setting (1.5 x 1.5 m2 ).
In [1] wordt een indoor radio channel simulation platform beschreven dat een volledig gevectoriseerde UWB ray tracing tool voor indoor scenario’s aanbiedt (gebaseerd op grafentheorie). Er
wordt rekening gehouden met de positie op het lichaam en het stralingspatroon van de antenne
evenals de beweging van het menselijke lichaam (gemodelleerd via een Multi Cylinders Model ).
Dit levert zeer nauwkeurige predicties op die onder andere kunnen worden gebruik om referentiepadverliezen in een lokalisatiealgoritme te voorspellen.
Netwerklokalisatie en navigatie in co¨operatieve draadloze netwerken wordt onderzocht in [5].
Hierin wordt informatie over de omgeving, verkregen door waveforms te onderzoeken met channel state identification technieken, gebruikt om ranging errors weg te werken (range error mitigation). Dit resulteerde in een significante verbetering van de prestaties van location-aware
networks.
Deze thesis verschilt van de vorige technieken in het opzicht dat er geen gebruik wordt gemaakt
van gebruikersinteractie om semantische informatie te verkrijgen of datasets om probabilistische
distributies te modelleren maar enkel een eenvoudige calibratie, een gedetailleerd grondplan en
het verleden van het afgelegde traject.
LOKALISATIEALGORITME
6
Hoofdstuk 3
Lokalisatiealgoritme
3.1
3.1.1
Simpel algoritme
Grondplan en roosterpunten
Het vertrekpunt van het lokalisatiealgoritme is een grondplan van een gebouw of verdieping,
in het geval van deze thesis is dat een grondplan van de derde verdieping van het Complex
Zuiderpoort in Gent, waar ook het w-iLab.t testbed zich bevindt [4]. Op dit testbed zullen
de real-life testen van het ontwikkelde algoritme en het valideren van de simulaties worden
uitgevoerd. Dit grondplan meet 16.8 m bij 90 m en zowel de muren (beton of drywall ) als de
deuren worden aangegeven, evenals de locaties van alle 57 access points (zie Figuur 3.1). Deze
deuren zijn nodig voor de werking van het ontwikkelde lokalisatiealgoritme (zie Sectie 3.3.2).
Figuur 3.1: Grondplan
Dit grondplan wordt verdeeld in roosterpunten (gridpoints), een roosterpunt stelt een mogelijke positie op het grondplan voor (waar het tracking device zich kan bevinden). Het aantal roosterpunten per oppervlakte eenheid wordt bepaald door de roosterpuntresolutie. Deze
roosterpuntresolutie zal dus de maximaal haalbare nauwkeurigheid voor een deel bepalen omdat
3.1 Simpel algoritme
7
op deze manier de locaties waar de te traceren mobiele node zich kan bevinden, alreeds worden
vastgelegd. Om te starten wordt er een roosterpuntresolutie van 1 m gebruikt (zie Figuur 3.2).
Figuur 3.2: Roosterpuntresolutie van 1 m
3.1.2
Fingerprinting
Voor alle roosterpunten op het grondplan moet het padverlies tot alle vaste access points van
het testbed worden berekend, zodat er referentiewaarden beschikbaar zijn waarmee de metingen
kunnen worden vergeleken tijdens de online-fase (het effectief lokaliseren van de mobiele node).
Deze fingerprintingmethode bestaat uit het aanmaken van een referentiedatabase met behulp
van een padverliesmodel en wordt ook wel de offline-fase genoemd. De uitvoeringstijd van deze
offline-fase wordt bepaald door het gebruikte padverliesmodel en door de ingestelde roosterpuntresolutie, aangezien er bij een fijnere resolutie voor meer roosterpunten het padverlies tot alle
access points zal moeten worden berekend (zie Sectie 4.3). De gebruikte padverliesmodellen
komen aan bod in Sectie 4.2.
3.1.3
Metriek: Mean Square Error
De online-fase bestaat uit het vergelijken van de gemeten padverliezen met deze uit de referentiedatabase om zo de meest waarschijnlijke positie te bepalen. Om te starten gebruiken we in
dit simpele algoritme de Mean Square Error (MSE) tussen de laatste metingen en de referentiepadverliezen (van een roosterpunt) uit de fingerprintdatabase om zo de meest waarschijnlijke
positie (roosterpunt) te bepalen:
N
1X
(P Lgem,n − P Lref,n )2
MSE =
n
(3.1)
n=1
Waarbij PLgem,n het gemeten padverlies van een vaste node n voorstelt, PLref,n het padverlies
van dezelfde vaste node n maar uit de referentiedatabase en N het totaal aantal vaste nodes in
het testbed voorstelt.
3.2 Viterbi-algoritme
3.2
8
Viterbi-algoritme
In tegenstelling tot het simpele algoritme van Sectie 3.1 houden we hier wel rekening met het
verleden van een traject en bepalen we de meest waarschijnlijke sequentie van locaties. Eerst
wordt het algemene principe uitgelegd, daarna wordt dit toegepast op het lokalisatiealgoritme.
3.2.1
Algemeen principe
Het Viterbi algoritme is een in 1967 door Andrew Viterbi ontwikkeld algoritme [16]. Oorspronkelijk werd dit gebruikt voor het decoderen van een convolutionele code over een (ruizig) digitaal
communicatiekanaal. Ondertussen heeft het echter een breed toepassingsgebied, onder andere in
deep-space communicatie, bio-informatica en spraakherkenning. Het algoritme zoekt de meest
waarschijnlijke sequentie van verborgen toestanden – het Viterbi pad – dat resulteert in de
geobserveerde toestanden.
3.2.2
Toegepast op lokalisatie
Om dit principe toe te passen op een (indoor)lokalisatiesysteem, moeten we het Viterbi pad vrij
letterlijk nemen. In plaats van op ieder moment met de huidige meetwaarden de beste nieuwe
positie van de mobiele node te voorspellen (zoals in het simpele algoritme van Sectie 3.1), gaan
we op ieder tijdstip het meest waarschijnlijke, tot nu toe afgelegde, traject bepalen. De vorige
gemeten padverliezen worden in rekening gebracht door ook het verleden van een traject bij te
houden en bovendien alle waarschijnlijke trajecten verder op te bouwen in het geheugen van het
lokalisatiesysteem. Aan ieder traject zit een bepaalde kost gekoppeld, namelijk de som van alle
MSE’s langs het traject in kwestie:
costi =
T
X
M SEi,t
(3.2)
t=1
Waarbij costi de kost van traject i is, i is de nummer van een traject dat in het geheugen
wordt opgebouwd, T is het aantal tijdstappen die tot nu toe zijn gepasseerd en MSEi,t stelt de
Mean Square Error, zoals gedefinieerd in Sectie 3.1.3, van traject i op tijdstip t voor. De laatste
locatie van het traject dat op dit moment, van alle bijgehouden trajecten, de laagste kost heeft,
wordt als meest waarschijnlijke huidige locatie genomen. Het reconstrueren van het verleden
van de huidige meest waarschijnlijke locatie (dus zijn traject) kan worden gezien als een vorm
van backtracking.
3.2 Viterbi-algoritme
3.2.3
9
Eenvoudig voorbeeld
Om dit principe te illustreren wordt een vereenvoudigde situatie geschetst in Figuur 3.3. Het te
traceren object kan zich enkel op een lijn voortbewegen (eendimensionaal), er zijn 5 mogelijke
locaties (0 tot en met 4), het startpunt is locatie 2 en er kan maximaal 1 eenheid naar links of naar
rechts worden bewogen per tijdstap. De input (metingen) zijn: 1, 0, 3, 4. Er zijn twee mogelijke
trajecten getekend waarbij de kost per stap en de totale kost is berekend, bijvoorbeeld in de
eerste stap is de input 1 en beide trajecten bewegen naar locatie 1 dus de kost is 0 (1 − 1 = 0),
in stap 2 is de input 0 en het bovenste traject gaat naar locatie 0 (dus de totale kost blijft
0), maar het onderste traject keert reeds terug naar locatie 2 dus de totale kost wordt hier 2
(2 − 0 = 2). Omdat de totale kost als metriek wordt genomen, zal in de laatste stap het onderste
traject toch als meest waarschijnlijke globale traject worden bekomen. Met huidige locatie wordt
de huidige meest waarschijnlijke locatie bedoeld dus de output van het lokalisatiealgoritme bij
iedere locatieupdate.
Figuur 3.3: Eenvoudig voorbeeld Viterbi principe
Ter vergelijking: in het ontwikkelde algoritme worden als input de padverliezen tot alle vaste
nodes gebruikt i.p.v. een locatie, de kostfunctie is de MSE i.p.v. het verschil en de mogelijke
locaties zijn de roosterpunten van het grondplan i.pv. de eendimensionale lijn.
3.2.4
Viterbi en Viterbi Huidig
Een ander verschil ten opzichte van het originele Viterbi-algoritme, namelijk het decoderen
van een convolutionele code, is dat daar meestal enkel het globale resultaat van belang is (dus
wanneer alle data is ontvangen). Bij lokalisatie in ware tijd, is het belangrijk dat er tijdens
het verwerken van input er op ieder moment ook de meest waarschijnlijke positie als output kan
3.3 Optimalisatie van het lokalisatiealgoritme
10
worden weergeven. Om dit verschil te duiden, wordt er bij de resultaten (zie Sectie 6) onderscheid
gemaakt tussen Viterbi en Viterbi Huidig, waarbij deze laatste de meest waarschijnlijke positie
op het huidige moment als output neemt, terwijl met Viterbi het globale meest waarschijnlijke
traject wordt bedoeld, dus wanneer alle verzamelde data van het experiment in rekening is
gebracht. Concreet komt dit er op neer dat Viterbi wordt gelijkgesteld aan het traject dat op
het einde van het experiment de laagste kost heeft, dus wanneer de eindlocatie is bereikt.
3.3
Optimalisatie van het lokalisatiealgoritme
Om de performantie van het lokalisatiealgoritme te verbeteren worden er enkele additionele
beperkingen aan het gevolgde traject toegevoegd.
3.3.1
Muren
Op het grondplan van Sectie 3.1.1 zijn ook de muren aangegeven; om de nauwkeurigheid van
het lokalisatiealgoritme te verbeteren, wordt ervoor gezorgd dat enkel daadwerkelijk afgelegde
trajecten als output kunnen worden gegenereerd. Door de roosterpunten per kamer (de gangen
worden hier ook als kamers gezien) in een aparte lijst te stockeren, is het mogelijk om realistische
trajecten op te bouwen waarbij het te traceren object niet door muren kan.
3.3.2
Deuren
Een traject passeert doorgaans door meerdere kamers dus het moet mogelijk zijn om van een
lijst van roosterpunten (refererend naar een kamer) te switchen naar de lijst van roosterpunten
die overeenstemmen met een aangrenzende kamer. Hiervoor gebruiken we de deuren die op
het grondplan zijn getekend. Met de instelbare parameter minDistDoor wordt aangegeven hoe
dicht men zich bij een deur moet bevinden om in aanmerking te komen om de kamer te kunnen
verlaten. Standaard wordt deze ingesteld op 2 m. Omdat deze 2 m ervoor kan zorgen dat het
afgelegde traject schijnbaar toch door een muur gaat is ervoor geopteerd om bij het verlaten
van een kamer het exacte midden van een deur als roosterpunt aan het afgelegde traject toe
te voegen (zie Figuur 3.4). Dit is vooral belangrijk voor het visuele resultaat en dit extra
roosterpunt wordt dan ook niet in rekening gebracht bij het bepalen van de gemiddelde error en
standaardafwijking (zie Sectie 3.4.1). Een nadeel van deze aanpak is dat wanneer de deuren niet
op het grondplan zouden zijn aangeduid, dit wel nog (manueel) moet gebeuren voor de werking
van het algoritme. Dit kan wel op een snelle manier gebeuren omdat de minDistDoor parameter
3.3 Optimalisatie van het lokalisatiealgoritme
11
een kleine fout op de aanduiding van een deur toelaat. Het belangrijkste is dat er een deur is
getekend zodat het te traceren object niet vast komt te zitten in een kamer.
Figuur 3.4: Realistischer traject door toevoegen midden deur
3.3.3
Maximale snelheid
Omdat de mobiele node zich niet oneindig snel kan verplaatsen, is het ook mogelijk om een
maximale snelheid (parameter maxSnelheid ) in te stellen. Samen met de parameter sampleRate
(in deze context: het tempo waaraan nieuwe gemeten padverliezen als input aan het algoritme
worden aangeboden), bepalen deze de maximaal toegestane verplaatsing (parameter maxDist)
tussen twee opeenvolgende samples. Het is deze maxDist die de mobiele node maximaal kan
afleggen per locatieupdate langs een traject:
maxDist =
maxSnelheid
sampleRate
[m]
(3.3)
Bijvoorbeeld wanneer de maximale snelheid is ingesteld op 1.67 m/s (= 6 km/u) en de sample
rate is ingesteld op 1 s-1 , is de maximale verplaatsing bij een locatieupdate gelijk aan 1.67 m.
Aangezien de roosterpuntresolutie 1 m is, komt dit neer op 8 mogelijke volgende posities (zie
Figuur 3.5).
3.3.4
Robuustheid tegen verkeerde beginpositie
Een nadeel van dit algoritme is dat de globale prestatie wel afhankelijk is van de beginpositie.
Wanneer bijvoorbeeld het traceren begint in de buurt van een muur en het lokalisatiealgoritme
voorspelt als initi¨ele positie de andere kant van de muur, dan moet eerst een realistisch traject
worden opgebouwd dat naar de juiste kamer leidt, vooraleer de predictie accuraat kan zijn.
Wanneer er geen kort traject is naar de echte kamer kan het wel even duren vooraleer het
algoritme zal stabiliseren. Een oplossing hiervoor is, om enkel bij de beginpositie, naburige
3.3 Optimalisatie van het lokalisatiealgoritme
12
Figuur 3.5: Mogelijke volgende posities bij een bepaalde maxSnelheid en sampleRate
roosterpunten als extra startpunten toe te voegen en van daar ook trajecten op te bouwen in
het geheugen. Deze methode (voegBeginPosToe) heeft 2 argumenten: aantalLevels en interDist.
Per level worden er 8 roosterpunten toegevoegd, die op een cirkel rond de beste, voorspelde,
beginpositie liggen en waarbij de levels een afstand interDist uit elkaar liggen. Omwille van de
roosterpuntresolutie van 1 m, zullen de alternatieve beginposities niet exact op de cirkel liggen.
Figuur 3.6 geeft een voorbeeld met de parameters aantalLevels = 2 en interDist = 1 m, dus vanaf
het eerste tijdstip worden er hier 17 trajecten opgebouwd (2 · 8 + 1 = 17), dit aantal stijgt bij
iedere locatieupdate omdat er steeds meer mogelijke trajecten bijkomen. Het aantal opgebouwde
paden in het geheugen zal satureren wanneer dit gelijk is aan de parameter aantalPaden, vanaf
dan wordt er steeds een selectie van beste trajecten gemaakt (om de uitvoeringstijd te beperken
zodat het algoritme in ware tijd kan werken en om geheugen problemen te vermijden). De kost
die aan elk roosterpunt van de extra beginposities wordt gehecht, is het verschil in MSE tussen
de referentiewaarden van dit roosterpunt en deze van de metingen. Wanneer vanaf de tweede
locatieupdate de metingen (en predicties) nauwkeuriger worden, kan het algoritme zich op deze
manier snel corrigeren en zal een ander traject (en beginpositie) als meest waarschijnlijke worden
bekomen.
3.3.5
Selectie van padverliesmetingen
Omdat de padverliesmodellen nauwkeurigere predicties geven voor de padverliezen tussen een
roosterpunt en zijn nabije access points (APs), wordt er in het lokalisatiealgoritme meer belang
gehecht aan de laagste padverliezen. De parameter aantalAPs geeft aan hoeveel van de sterkste
metingen (laagste padverliezen) tot de vaste nodes in het testbed worden meegerekend voor de
volgende meest waarschijnlijke locatie te bepalen. Hiervoor worden de padverliezen gesorteerd
3.4 Prestatiemaat
13
Figuur 3.6: Extra beginposities toevoegen voor robuustheid tegen foute initi¨ele predictie
van klein naar groot. In Sectie 6.7.2 wordt de invloed en beste waarde van deze parameter
onderzocht; standaard wordt deze op 15 ingesteld. Er wordt ook getest met scenario’s waarbij
enkel een selectie van de vaste nodes uit het testbed werken (zie Sectie 6.7.3), het verschil met
het vorige is dat daar normaal wel alle vaste nodes werken en er een selectie (aantalAPs) wordt
gemaakt van de gemeten padverliezen.
Voor het uiteindelijke algoritme in pseudocode zie Algoritme 1 op pagina 14.
3.4
3.4.1
Prestatiemaat
Constructie ground truth
Om de prestaties en nauwkeurigheid van verschillende experimenten en scenario’s te kunnen
vergelijken, is er nood aan een ground truth en een metriek. Met de ground truth worden de
exacte locaties bedoeld, dus het effectief bewandelde traject. Voor de simulaties is dit eenvoudig
omdat er eerst een traject wordt uitgestippeld en pas daarna de overeenkomstige padverliezen
(uit de fingerprintdatabase) worden bepaald om als input te dienen (nadat er eventueel ruis is
aan toegevoegd). Maar voor real-life testen ligt dit iets minder voor de hand omdat er tijdens
het broadcasten van pakketten met de mobiele node continu wordt gewandeld, er vervolgens
een uitmiddeling van de gemeten padverliezen over een bepaald tijdsinterval plaatsvindt, om
dan als inputargumenten aan het algoritme te worden doorgegeven. Aangezien ook de invloed
van de parameter sampleRate wordt onderzocht, zal niet elke test uit evenveel tijdstippen of
locatieupdates bestaan. De testtrajecten worden bij benadering aan constante snelheid afgelegd
en de grote lijnen van het afgelegde traject worden op het grondplan getekend. Een methode
(maakExactePad ) deelt deze grote lijnen op in exact evenveel tijdstappen als er locatieupdates
3.4 Prestatiemaat
Algoritme 1 Ontwikkeld lokalisatiealgoritme in pseudocode
maxDist ← maximale stapgrootte tussen 2 locatieupdates
minDistDoor ← minimum afstand tot een deur om er door te gaan
aantalAP s ← aantal beste access points in rekening te brengen bij MSE berekening
aantalP aden ← maximaal aantal paden die worden opgebouwd in geheugen
aantalLevels ← aantal levels rond de beginpositie die worden toegevoegd
interDist ← afstand tussen de levels bij het toevoegen van extra beginposities
while nieuwe PLgem als input do
sorteer PLgem (voor selectie van beste APs bij MSE berekening)
paden ← alle paden in het geheugen
padenCost ← bijhorende kost van alle paden
for all pad in paden do
huidigeP os ← laatste locatie van pad
huidigeRoom ← kamer waarin huidigePos zich bevindt
huidigeT otalCost ← kost van dit pad
mogelijkeP os ← lege lijst voor mogelijke volgende posities in te stockeren
for all roosterpunt in huidigeRoom do
if afstand huidigePos tot roosterpunt ≤ maxDist then
voeg roosterpunt toe aan lijst mogelijkePos
end if
end for
if afstand huidigePos tot een deur van huidigeRoom ≤ minDistDoor then
voeg roosterpunten aan andere kant van deur toe aan lijst mogelijkePos
end if
for all roosterpunt in mogelijkePos do
bepaal MSE tussen PLgem en PLref van beste aantalAPs waarden
tempCost ← huidigeT otalCost + M SE
stockeer link tussen roosterpunt en tempCost
end for
sorteer tempCost
if beginpositie then
voegBeginPosToe(aantalLevels, interDist)
end if
update paden (hou beste aantalPaden bij, via tempCost)
update padenCost
if huidigeRoom van een pad is veranderd then
voeg het midden van een deur toe als vorig roosterpunt
end if
end for
end while
14
3.4 Prestatiemaat
15
zijn in de test (waarbij de hoekpunten altijd worden behouden). Op deze manier kan ieder
experiment en scenario in absolute cijfers worden beoordeeld.
3.4.2
Nauwkeurigheid en spreiding
Eenmaal voor een testscenario de co¨ordinaten van de ground truth zijn aangemaakt (zoals besproken in Sectie 3.4.1), kan de nauwkeurigheid en spreiding ten opzichte van de co¨
ordinaten
van de predictie worden bepaald:
errorgem =
T
T q
1X
1X
(xgt,t − xpred,t )2 + (ygt,t − ypred,t )2
errort =
T
T
t=1
(3.4)
t=1
v
u
T
u1 X
σ=t
(errort − errorgemiddeld )2
T
(3.5)
t=1
Hierbij stelt errorgem de gemiddelde nauwkeurigheid voor, errort is de nauwkeurigheid (afwijking) op tijdstap t, T het aantal locatieupdates (tijdstappen) van een experiment, (xgt,t , ygt,t )
en (xpred,t , ypred,t ) zijn de co¨
ordinaten van respectievelijk de ground truth en de predictie op
tijdstap t. De spreiding (standaardafwijking) wordt in de formule voorgesteld door σ.
3.4.3
Overige criteria
In deze thesis ligt de meeste nadruk op nauwkeurigheid en spreiding als criteria om het ontwikkelde algoritme te evalueren, daarnaast wordt er nog gekeken naar de rekencomplexiteit.
Wanneer de klemtoon elders wordt gelegd, kunnen tal van andere factoren ook meespelen. Zo
is energie-effici¨entie belangrijk voor wanneer alle gegevens in een mobiele node (met klein vermogen) moeten worden verwerkt. Bij toepassingen in grote gebouwen met veel verdiepingen of
met zeer veel vaste nodes zal schaalbaarheid belangrijker worden.
PADVERLIESMODELLEN
16
Hoofdstuk 4
Padverliesmodellen
4.1
RSSI
RSSI staat voor Received Signal Strength Indicator en geeft een indicatie van het ontvangen
power level uitgedrukt in dB. Bij de real-life testen van het lokalisatiealgoritme gebruiken we
deze RSSI-waarden, uitgemiddeld over een bepaald tijdsinterval, om zo de padverliezen van een
bepaald moment te berekenen. Deze worden dan gebruikt als input, waar ze worden vergeleken
met de referentiewaarden (uit de fingerprintdatabase), om zo de meest waarschijnlijke volgende
positie te bepalen. Alle gains en losses van het medium tussen zender en ontvanger zitten vervat
in het link budget:
PRX = PTX + GTX − LTX − PL − LX + GRX − LRX
[dB]
(4.1)
Waarbij PRX het ontvangen vermogen is, PTX het zendvermogen, GTX en GRX de antenna
gain van zender en ontvanger, LTX en LRX de verliezen in zender en ontvanger, PL is het padverlies en LX de overige verliezen (bijvoorbeeld door multipath fading). In dit lokalisatiealgoritme
gebruiken we enkel het padverlies dus is er een calibratie van de metingen nodig om deze te
kunnen vergelijken met de padverliezen uit de referentiedatabase (zie Sectie 5.3). Hierna volgt
de beschrijving van vier verschillende padverliesmodellen en de principes waarop deze gebaseerd
zijn. In Sectie 6.2 worden deze padverliesmodellen met elkaar vergeleken.
4.2 Padverliesmodellen
4.2
4.2.1
17
Padverliesmodellen
Free-space
Het free-space padverliesmodel is het verlies in signaalsterkte van een elektromagnetische golf
als gevolg van een line-of-sight (LoS) pad door free-space (meestal lucht), waarbij de elektromagnetische golf geen obstakels kruist en er dus geen rekening wordt gehouden met reflectie of
diffractie. De formule voor dit free-space model:
PLfree-space = 20 log10
4π
df
c
[dB]
(4.2)
Waarbij PLfree-space [dB] het totale padverlies berekend met het free-space model is, c de
snelheid is van het licht in vacu¨
um: 3 × 108 m/s, d [m] de afstand is tot de ontvangende of
zendende node en f [Hz] de frequentie is van het uitgezonden signaal. Aangezien we hier een
mobiele ZigBee en WiFi node gebruiken is deze frequentie gelijk aan 2.4 GHz.
4.2.2
One-slope
Een one-slope padverliesmodel ziet er als volgt uit:
PLone-slope = P L0 + 10n log10 (d)
[dB]
(4.3)
Waarbij PLone-slope [dB] het totale padverlies berekend met het one-slope model is. Dit model wordt gefit aan empirische data, waarbij de twee parameters: PL0 [dB] (het padverlies op
een referentieafstand d0 [m]) en de padverliesexponent n [-] (slope) worden bepaald. In [3] werd
dit gedaan voor de beschouwde verdieping van het testbed in de Zuiderpoort, beide parameterwaarden staan in Tabel 4.1.
Tabel 4.1: Parameterwaarden one-slope padverliesmodel
4.2.3
PL0 [dB]
n [-]
27
2.85
TGn
Het TGn model is een two-slope padverliesmodel dat bestaat uit free-space padverlies (met slope
n1 ) tot een bepaalde breekpuntafstand en vanaf daarna een bijkomend padverlies met slope n2 .
4.2 Padverliesmodellen
18
Deze breekpuntafstand is gerelateerd aan de antennehoogte bij welke de slope van het padverlies
verandert [7]. Dit leidt tot de volgende formule:
PLTGn =
(
P L0 + 10n1 log10 (df )
d ≤ dBP
d
P L0 + 10n1 log10 (df ) + 10n2 log10 ( 0.01
)
d > dBP
[dB]
(4.4)
Waarbij PLTGn [dB] het totale padverlies berekend met het TGn model is, PL0 [dB] het
padverlies is op een afstand d0 , n1 [-] de eerste padverliesexponent, n2 [-] de bijkomende padverliesexponent, d [m] de afstand tot de ontvangende of zendende node, d0 [m] is een referentieafstand, dBP [m] de breekpuntafstand en f [Hz] de frequentie van het uitgezonden signaal. De
parameterwaarden staan in Tabel 4.2.
Tabel 4.2: Parameterwaarden TGn padverliesmodel
4.2.4
PL0 [dB]
n1 [-]
n2 [-]
d0 [m]
dBP [m]
32.4
2
3.5
10
10
WHIPP
De WiCa Heuristic Indoor Propagation Prediction Tool (WHIPP model) is het meest geavanceerde padverliesmodel van de vier en wordt beschreven in [13]. Dit heuristische algoritme
is speciaal ontwikkeld voor een indooromgeving en bestaat uit drie bijdragen: distance loss,
cumulated wall loss en interaction loss. Dit resulteert in de volgende formule:
PLWHIPP = P L0 + 10n log10
|
{z
distance loss
d
d0
}
+
X
LWi
i
| {z }
cumulated wall loss
+
X
LB,j
[dB]
(4.5)
j
| {z }
interaction loss
Waarbij PLWHIPP [dB] het totale padverlies berekend met het WHIPP model is, PL0 [dB]
het padverlies is op een afstand d0 , n [-] is een padverliesexponent, d [m] is een afstand tussen zender en ontvanger en d0 [m] is een referentieafstand. De eerste twee termen stellen het
padverlies door de afgelegde afstand van het signaal voor (distance loss), de derde term (cumulated wall loss) is de som van de verliezen wanneer het signaal door een muur propageert en de
vierde term (interaction loss) houdt rekening met het verlies als gevolg van het veranderen van
propagatierichting langs het propagatiepad tussen zender en ontvanger.
4.3 Uitvoeringstijd offline-fase
4.3
19
Uitvoeringstijd offline-fase
De uitvoeringstijden van de offline-fase, dus het aanmaken van de fingerprintdatabase met referentiepadverliezen gegenereerd door deze vier modellen, uitgevoerd op een laptop met Intel
Core i7 3610QM 2.4 GHz processor en 4 GB DDR3-SDRAM, staan in Tabel 4.3. Verdubbeling
van de roosterpuntresolutie (van 1 m naar 2 m) zal de uitvoeringstijd door 4 delen, aangezien
het grondplan tweedimensionaal is.
Tabel 4.3: Uitvoeringstijden offline-fase voor alle padverliesmodellen
Padverliesmodel →
free-space
one-slope
TGn
WHIPP
Uitvoeringstijd [s]
0.0307
0.0397
0.0880
971.76
Enkel met het WHIPP padverliesmodel neemt dit een niet verwaarloosbare tijd in beslag.
Aangezien deze waarden voor alle experimenten kunnen worden hergebruikt, worden ze eenmalig
berekend en vervolgens lokaal gestockeerd om dan bij het begin van een experiment opnieuw te
worden ingeladen. Op deze manier is de duur van de opstartfase van het lokalisatiealgoritme
altijd te verwaarlozen.
IMPLEMENTATIE IN TESTBED
20
Hoofdstuk 5
Implementatie in testbed
5.1
Eigenschappen testbed
Het w-iLab.t is een experimenteel, generic, heterogeen draadloos testbed van iMinds in de
Zuiderpoort (Gent), dat is uitgerust met ongeveer 200 sensor en WiFi nodes [4]. Het gebouw
bestaat uit verscheidene kantoorruimtes, vergaderzalen, PC-klassen,. . . Het wordt gebruikt voor
het ontwikkelen en testen van draadloze applicaties, zowel WiFi gebaseerde mesh als ad-hoc
netwerken. Alle draadloze nodes zijn aangesloten op een wired backbone netwerk voor het beheer,
verwerken en loggen van gegevens tijdens een experiment. Op deze manier kunnen de resultaten
ook achteraf worden geanalyseerd. In deze thesis worden de experimenten op de derde verdieping
uitgevoerd, zie Figuur 5.1.
Figuur 5.1: Derde verdieping van het w-iLab.t testbed
5.2 Mobiele node
5.2
21
Mobiele node
Om het ontwikkelde algoritme te valideren in een real-life omgeving, gebruiken we een mobiele
node die beacons uitzendt aan een tempo van 10 pakketten per seconde. Er worden twee draadloze technologie¨en gebruikt: ZigBee en WiFi. Beide gebruiken een externe antenne met een gain
van 5 dBi (niet isotroop dus de ori¨entatie van de antenne heeft invloed op de ontvangen signaalsterkte) en hebben een indoor range van ongeveer 100 m. De mobiele nodes worden gevoed
met een batterij van 19 Volt, deze kan tegelijkertijd beide nodes van stroom voorzien: de ZigBee
node via USB en de WiFi node via een gewone kabel (zie Figuur 5.2).
Figuur 5.2: Mobiele nodes (links WiFi, rechts ZigBee en batterij)
5.2.1
ZigBee
ZigBee is een draadloze technologie gebaseerd op de IEEE 802.15 standaard met het oog op een
open globale standaard voor het opzetten van low-power, low-cost, wireless mesh netwerken. Het
device om beacons te verzenden is een TMote Sky sensor node [6] uitgerust met een Chipcon
CC2420 radio chip die werkt bij een frequentie van 2.4 GHz, meer specifiek wordt channel 26
van ZigBee gebruikt (2480 MHz). Deze mobiele node draait RadioPerf voor het verzenden van
pakketten. De node heeft een zendvermogen van 5 dBm (exclusief antenne) en de gebruikte
bandbreedte is 2 MHz.
5.2.2
WiFi
WiFi is eveneens een draadloze technologie maar is gebaseerd op de IEEE 802.11 standaard
en vooral bekend van de WLAN-toepassingen om toegang tot het internet te verlenen. Het
5.3 Calibratie padverliesmodellen
22
mobiele toestel is hier een iNode, dit is een embedded PC met een WiFi interface. Het heeft een
patched kernel die phyclick draait met madwifi als wireless driver. Er wordt gebruik gemaakt
van channel 1 van WiFi (2412 MHz). Het zendvermogen van deze mobiele node is instelbaar
van 0 dBm tot en met 23 dBm en de gebruikte bandbreedte is 20 MHz.
5.3
Calibratie padverliesmodellen
Zowel voor de ZigBee als de WiFi mobiele node wordt een calibratie uitgevoerd omdat de RSSImetingen onder andere afhankelijk zijn van het uitgezonden vermogen en er in het algoritme enkel
naar het padverlies wordt gekeken (zie Sectie 4.1). Er wordt een vaste shift verondersteld dus de
calibratie wordt slechts eenmaal uitgevoerd. Hiervoor wordt op vijf locaties, verspreid over het
testbed, gedurende 30 seconden beacons gebroadcast aan een tempo van 10 pakketten per seconde
dus in totaal 300 RSSI-metingen per locatie. Het gemiddelde van deze 300 RSSI-metingen wordt,
voor alle vier de padverliesmodellen uit Sectie 4.2, gematcht aan hun referentiepadverliezen. De
gemiddelde shift van deze vijf locaties nemen we als ideale shift. Zo hebben we dus vier ideale
shiften, ´e´en voor elke padverliesmodel (zie Tabel 5.1).
Tabel 5.1: Ideale shift voor de vier padverliesmodellen
Padverliesmodel
free-space
one-slope
TGn
WHIPP
Ideale shift (ZigBee) [dB]
17.472
20.949
9.542
11.927
Ideale shift (WiFi) [dB]
106.204
103.984
117.962
113.653
De ideale shiften voor de mobiele WiFi node zijn veel groter, omdat de padverliezen hier
op een andere manier worden gelogd als bij de mobiele ZigBee node. Bijvoorbeeld: een groot
padverlies bij de ZigBee node is ongeveer −90, terwijl dit bij de WiFi node dan 10 is en een
klein padverlies bij de ZigBee node is ongeveer −40, terwijl dit bij WiFi node dan 60 is. Beide
zouden moeten worden gemapped naar −100 en −50 voor groot en klein referentiepadverlies
respectievelijk, voor het WHIPP padverliesmodel is deze shift ongeveer 10 en 110 voor ZigBee
en WiFi respectievelijk: −90 − 10 = −100 en 10 − 110 = −100.
5.4
Real-time implementatie
Voor de visualisatie in ware tijd wordt bij iedere locatieupdate de meest waarschijnlijke positie,
samen met zijn trajectverleden, naar een databank weggeschreven en vervolgens uitgelezen door
5.4 Real-time implementatie
23
de WHIPP webservice. Het trajectverleden van de huidige meest waarschijnlijke positie wordt
telkens mee weggeschreven omdat dit gaandeweg kan veranderen.
5.4.1
MySQL databank
Om de trajecten naar een MySQL databank weg te schrijven, wordt het java.sql package gebruikt.
De databank tabel heeft 1 kolom en een entry heeft de volgende structuur:
x1,y1,x2,y2,type
Dit stelt een lijnstuk voor waarbij (x1,y1) de vorige locatie is, (x2,y2) de positie die deze
entry voorstelt en type kan exact, simple of viterbi zijn (zie Tabel 5.2).
Tabel 5.2: Verklaring types
type
Uitleg
exact
Het traject dat de ground truth voorstelt
simple
Het traject gegenereerd met het simpele lokalisatiealgoritme
viterbi
Het traject gegenereerd met het ontwikkelde lokalisatiealgoritme
Deze drie types worden gebruikt om het traject in een andere kleur weer te geven zodat het
onderscheid kan gemaakt worden tussen de ground truth (zie Sectie 3.4.1), het simpele algoritme
(zie Sectie 3.1) en het ontwikkelde algoritme (zie Sectie 3.2). Deze drie types worden in de
visualisatietool weergegeven in het rood, groen en zwart respectievelijk. Op deze manier wordt
een heel traject opgebouwd uit meerdere lijnstukken (´e´en extra per locatieupdate en per type),
Figuur 5.3 geeft een voorbeeld van hoe deze drie soorten trajecten worden weergegeven in de
visualisatietool van de WHIPP webservice.
Figuur 5.3: Visualisatie van de drie soorten trajecten
5.4 Real-time implementatie
5.4.2
24
Delay
De vertraging tussen effectief op een bepaalde positie staan en de locatieupdate in de visualisatietool, is van meerdere factoren afhankelijk. De RSSI-metingen worden weggeschreven naar
een databank, vanaf er bijvoorbeeld 10 nieuwe metingen zijn (komt overeen met 1 seconde wanneer de mobiele node aan een tempo van 10 pakketten per seconde broadcast), worden deze
uitgelezen door het lokalisatiealgoritme en wordt het gemiddelde ervan berekend. Vervolgens
wordt de nieuwe meest waarschijnlijke positie berekend en wordt het volledige verleden van dit
traject geconstrueerd via backtracking. Dit traject wordt uiteindelijk weggeschreven naar een
andere databank, waar de visualisatietool om de 2 seconden een update uit haalt. De processing
delay van het lokalisatiealgoritme zelf wordt onderzocht in Sectie 6.7.5 en zal te verwaarlozen
blijken ten opzichte van de andere factoren zoals de communicatiedelay. Deze vari¨erende communicatiedelays zijn moeilijk te voorspellen maar gemiddeld gezien lag de totale vertraging van
de visualisatietool in de praktijk rond de 4 seconden.
RESULTATEN
25
Hoofdstuk 6
Resultaten
6.1
Testpaden
In totaal worden er negen testpaden gebruikt (zie Figuur 6.1), het startpunt van ieder testpad
wordt aangegeven met een rode cirkel. De afgelegde afstand van de testpaden varieert van
50 m tot 100 m, er werd aan normale snelheid gewandeld en er werd nergens stilgestaan (zie
Tabel 6.1). Ter referentie: 1.11 m/s komt overeen met 4 km/u. De trajecten werden afgelegd
met de mobiele node in de hand op een hoogte van ongeveer 1.5 m, deze werd hierbij zo ver
mogelijk van het lichaam gehouden om de eventuele invloed van het lichaam op het signaal te
beperken.
Tabel 6.1: Eigenschappen testpaden
Testpad nummer
Afstand [m]
Gemiddelde snelheid [m/s]
1
84.46
1.24
2
111.0
0.74
3
76.17
1.07
4
70.07
1.09
5
68.06
1.05
6
45.73
1.14
7
89.83
1.18
8
99.05
1.25
9
138.56
1.15
Gemiddeld
86.99
1.10
6.1 Testpaden
26
(a) Testpad 1
(b) Testpad 2
(c) Testpad 3
(d) Testpad 4
(e) Testpad 5
(f) Testpad 6
(g) Testpad 7
(h) Testpad 8
(i) Testpad 9
Figuur 6.1: Testpaden
6.2 ZigBee: vergelijking padverliesmodellen
6.2
27
ZigBee: vergelijking padverliesmodellen
In Tabel 6.2 staan de nauwkeurigheid en spreiding (in het vervolg afgekort met N en S) voor
de vier padverliesmodellen uit Sectie 4.2, waarbij voor ieder padverliesmodel zijn ideale shift is
toegepast (zoals berekend in Sectie 5.3). Er is uitgemiddeld over de data van de negen testpaden,
afgelegd met de mobiele ZigBee node, en de gebruikte instellingen van het ontwikkelde algoritme
staan in Tabel 6.3. De parameter aantalPaden geeft aan hoeveel trajecten er in het geheugen
worden opgebouwd (en bijgehouden) en staat standaard op 1000, in Sectie 6.7.4 wordt de invloed
van deze parameter onderzocht.
Tabel 6.2: Vergelijking vier padverliesmodellen
Algoritme →
Padverliesmodel ↓
Simpel
Viterbi Huidig
Viterbi
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
free-space
3.48
3.39
3.17
2.0
2.61
1.59
one-slope
4.05
3.44
3.89
2.26
2.97
1.77
TGn
5.68
4.31
5.34
2.45
4.04
2.31
WHIPP
2.94
3.32
2.83
1.94
2.26
1.44
Tabel 6.3: Instellingen lokalisatiealgoritme
Instelling
Waarde
maxSnelheid
1.67 m/s
sampleRate
1 sample/s
minDistDoor
2m
aantalAPs
15
aantalPaden
1000
aantalLevels
5
interDist
1m
Het WHIPP predictie model scoort zowel voor het simpele als het ontwikkelde algoritme
altijd het best en het TGn model overal het minst. Het free-space model is iets beter dan
het one-slope model (door de ideale shift wordt het verschil tussen deze twee vooral bepaald
door de slope, deze is 2 voor free-space en 2.85 voor one-slope). Verder is het ontwikkelde
algoritme, zowel Viterbi als Viterbi Huidig (zie Sectie 3.2.4 voor het verschil tussen beiden),
voor alle padverliesmodellen nauwkeuriger dan het eenvoudige algoritme (Simpel ). Naast een
nauwkeuriger resultaat is er ook een aanzienlijk verschil in spreiding (standaardafwijking op
de nauwkeurigheid), deze trend zal zich in alle resultaten verder zetten. Onderling is Viterbi
6.3 ZigBee versus WiFi
28
ook altijd beter dan Viterbi Huidig wat te verklaren is doordat alle data in rekening werd
gebracht voor het globaal beste traject te bepalen. In de volgende secties zal steeds het WHIPP
padverliesmodel worden gebruikt. De procentuele verbetering die dit padverliesmodel oplevert,
wordt in Sectie 6.8 berekend ten opzichte van het free-space model omdat dit de tweede beste
resultaten gaf.
6.3
ZigBee versus WiFi
Naast de mobiele ZigBee node, is er ook getest met een mobiele WiFi node. Om te vergelijken
zijn testpaden 1, 7 en 9 ook afgelegd met deze WiFi node. De vergelijking tussen de twee mobiele
nodes (uitgemiddeld over dezelfde drie testpaden) staat in Tabel 6.4, dezelfde instellingen uit
Tabel 6.3 werden gebruikt samen met WHIPP als padverliesmodel.
Tabel 6.4: Vergelijking ZigBee met WiFi als draadloze technologie
Algoritme →
Draadloze technologie ↓
Simpel
Viterbi Huidig
Viterbi
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
ZigBee
3.0
4.44
2.61
1.76
2.16
1.54
WiFi
3.89
3.45
3.29
2.23
2.7
1.62
De mobiele ZigBee node scoort op alle vlakken iets beter, buiten de spreiding bij Simpel.
De overige trends zetten zich ook bij de mobiele WiFi node voort: er is verbetering bij het
ontwikkelde algoritme ten opzichte van het simpele algoritme en Viterbi komt er als beste van
de drie uit.
6.4
Combinatie ZigBee en WiFi
Bij het combineren van beide mobiele nodes, kunnen de signalen interfereren omdat deze in
dezelfde frequentieband werken. Om de interferentie tot een minimum te beperken, zijn de
gebruikte kanalen zo ver mogelijk uit elkaar gekozen. Voor de sensor node gebruikten we dus
ZigBee channel 26 (2480 MHz) en voor de WiFi node gebruikten we WiFi channel 1 (2412 MHz).
Het zendvermogen van de mobiele WiFi node wordt, net zoals de ZigBee node, op 5 dBm
ingesteld. Indien een vaste node uit het testbed beide signalen ontvangt, is er een extra datapunt
als input voor het algoritme. De resultaten (nauwkeurigheid en spreiding, uitgemiddeld over
testpaden 1, 7 en 9) worden samengevat in Tabel 6.5, waarbij de rijen ZigBee en WiFi de
6.5 Visualisatie
29
resultaten zijn van hetzelfde experiment (dus met de twee mobiele nodes tegelijk wandelen)
maar apart bekeken. Dit verklaart het verschil met Sectie 6.3.
Tabel 6.5: Combinatie ZigBee en WiFi
Algoritme →
Simpel
Viterbi Huidig
Viterbi
mobiele node ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
ZigBee
4.64
3.51
5.12
2.77
2.81
1.6
WiFi
3.35
2.88
3.2
1.99
2.68
1.62
ZigBee + WiFi
3.41
2.81
3.78
2.06
2.55
1.48
De nauwkeurigheid en spreiding van ZigBee+WiFi is bij Viterbi net iets beter dan deze van
ZigBee of WiFi apart, maar de verbetering blijft beperkt. In vergelijking met Tabel 6.4 valt
vooral op dat de prestatie van de mobiele ZigBee node minder goed is wanneer het experiment
met twee mobiele nodes tegelijkertijd wordt uitgevoerd. Beide mobiele nodes worden tijdens het
afleggen van de trajecten ongeveer een halve meter uit elkaar gehouden (want worden tegelijk
door ´e´en persoon gedragen), dit zou de prestaties kunnen be¨ınvloeden.
6.5
Visualisatie
Naast de absolute maatstaven om het ontwikkelde algoritme te beoordelen, kunnen de trajecten
ook op het grondplan worden geplot om een visueel beeld te krijgen van de prestaties en verschillen met het eenvoudige lokalisatiealgoritme. Zie Figuren 6.2a – 6.2d voor de visualisatie van
testpad 1, eens met en zonder gesimuleerde ruis, voor zowel het eenvoudige als het ontwikkelde
algoritme (in Sectie 6.7.1 wordt uitgelegd hoe deze ruis wordt gesimuleerd). De visualisatie van
hetzelfde testpad maar afgelegd met de mobiele ZigBee node (dus geen simulatie) kan worden
teruggevonden in Figuren 6.2e – 6.2f. De gebruikte instellingen zijn opnieuw deze uit Tabel 6.3,
alleen staat bij de simulatie de parameter maxSnelheid op 2 m/s, omdat het anders soms voorviel dat het beste roosterpunt nog net niet kon worden bereikt.
Wanneer er geen ruis wordt toegevoegd (geen afwijkingen op de referentiepadverliezen), is het
meest waarschijnlijke traject niet exact gelijk aan de ground truth (van Sectie 3.4.1) omdat een
gereconstrueerde traject zich enkel via de roosterpunten kan voortbewegen (terwijl de ground
truth enkel uit rechte lijnen bestaat), vandaar dat de gevonden nauwkeurigheid en spreiding niet
exact nul zullen zijn.
De gereconstrueerde trajecten bij de simulaties geven in het geval zonder ruis voor beide
6.5 Visualisatie
30
(a) Simulatie zonder ruis
(b) Simulatie zonder ruis
(c) Simulatie met ruis (stdDev = 12 dB)
(d) Simulatie met ruis (stdDev = 12 dB)
(e) Mobiele ZigBee node
(f) Mobiele ZigBee node
Figuur 6.2: Visualisatie van testpad 1 onder verschillende omstandigheden (links Simpel, rechts
Viterbi )
lokalisatiealgoritmen zo goed als hetzelfde resultaat (alleen bij een van de laatste locatieupdates
is er een klein verschil). Wanneer er wel ruis (variatie op de padverliezen) wordt toegevoegd,
werkt Viterbi duidelijk beter, het gereconstrueerde traject vertoont geen onregelmatig sprongen
of outliers zoals bij het eenvoudige lokalisatiealgoritme (Simpel ). Voor het experiment met de
mobiele ZigBee node zien we een gelijkaardig resultaat alleen bevinden beide lokalisatiealgoritmen zich op het einde in de verkeerde kamer en zit er een nog grotere variatie op het traject van
Simpel. De bijhorende nauwkeurigheid en spreiding van de zes visualisaties staan in Tabel 6.6
en bevestigen deze resultaten. Bij dit traject van de mobiele ZigBee node is ook de werking
van de methode voegBeginPosToe (uit Sectie 3.3.4) zichtbaar: oorspronkelijk begint Viterbi op
6.6 Reproduceerbaarheid
31
dezelfde plaats als Simpel maar in het uiteindelijke traject, is deze beginpositie iets opgeschoven
naar de exacte beginpositie (de beginposities zijn met een cirkel aangeduid). De oorspronkelijke
bedoeling van deze methode was om worst case scenario’s met foute beginposities te vermijden
maar ook bij mindere afwijkingen, kan het een (lichte) verbetering geven.
Tabel 6.6: Nauwkeurigheid en spreiding van de visualisaties uit Figuur 6.2
Algoritme →
6.6
Simpel
Viterbi
Situatie ↓
N [m]
S [m]
N [m]
S [m]
Simulatie zonder ruis
0.39
0.14
0.4
0.15
Simulatie met ruis (stdDev = 12 dB)
3.31
3.0
1.97
1.69
Mobiele ZigBee node
3.61
4.82
2.77
1.54
Reproduceerbaarheid
De testtrajecten zijn eens met de mobiele ZigBee node, eens met de mobiele WiFi node en eens
met beide mobiele nodes tegelijk afgelegd. Om de invloed van de omgeving of aanwezige mensen
op het resultaat te onderzoeken, zijn testtrajecten 1 en 2 (zie Figuur 6.1) vijfmaal met de mobiele
ZigBee node afgelegd. De gemiddelde resultaten (G) en de afwijking op deze resultaten (A)
staan voor beide trajecten in Tabel 6.7.
Tabel 6.7: Reproduceerbaarheid van de resultaten
Algoritme →
Simpel
Viterbi Huidig
Viterbi
Testtraject ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
1 (G)
3.538
4.518
3.514
2.094
2.77
1.598
1 (A)
0.517
2.203
0.271
0.326
0.320
0.387
2 (G)
3.81
3.144
3.714
2.072
2.93
1.544
2 (A)
0.469
1.782
0.244
0.186
0.188
0.159
De gemiddelde afwijking op de nauwkeurigheid en spreiding is voor het ontwikkelde algoritme
slechts 0.256 m en 0.265 m respectievelijk, terwijl dit voor het simpele algoritme 0.493 m en
1.992 m is. Dus vooral op de spreiding (S) bij het simpele algoritme zit een relatief grote variatie
voor de vijf metingen.
6.7 Sensitiviteitanalyse
6.7
6.7.1
32
Sensitiviteitanalyse
Ruis
Om de invloed van afwijkingen van de ideale padverliezen op de nauwkeurigheid van de predictie
te onderzoeken, bijvoorbeeld door multipath fading, wordt er aan de ideale input, via simulatie,
ruis met een zekere standaardafwijking (parameter stdDev [dB]) toegevoegd. Met ideale input
worden de referentiepadverliezen van de exacte posities langs een testpad bedoeld. Hiervoor
wordt een nieuwe ruiswaarde voor ieder padverlies tot een vaste node gegenereerd met het
java.util.Random package:
j a v a . u t i l . Random r = new j a v a . u t i l . Random ( ) ;
L i s t <Double> PL input = new A r r a y L i s t <Double > ( ) ;
f o r ( double PL ref : t e s t p a d P L r e f ){
PL input . add ( P L r e f + r . n e x t G a u s s i a n ( ) ∗ stdDev ) ;
}
Waarbij PL input de input voor het lokalisatiealgoritme is, testpad PL ref de lijst met de
exacte padverliezen van een tijdstap langs het testpad en stdDev de te vari¨eren parameter is.
Opnieuw worden de negen testpaden uit Sectie 6.1 gebruikt. De gebruikte instellingen zijn voor
alle ruisniveaus en alle testpaden dezelfde (zie Tabel 6.3), alleen staat de parameter maxSnelheid
opnieuw op 2 m/s om dezelfde reden als in Sectie 6.5. De invloed van ruis (variatie op de
metingen) op de prestaties van zowel het simpele als het ontwikkelde algoritme wordt getest
met de parameter aantalAPs op 15 en 57, in dat laatste geval worden dus de metingen van alle
vaste nodes uit het testbed bij iedere locatieupdate gebruikt (zie Figuren 6.3a – 6.3b). De x-as
stelt het toegevoegde ruisniveau in dB voor (parameter stdDev, stapgrootte 2 dB) en op de y-as
staat de nauwkeurigheid met de spreiding als errorbars (uitgemiddeld over de simulaties van alle
negen testpaden, vijf keer herhaald).
De prestaties van Simpel verslechteren aan een sneller tempo dan deze van Viterbi of Viterbi
Huidig. Wanneer de metingen van alle beschikbare access points worden gebruikt bij de voorspelling, is het resultaat voor het eenvoudige algoritme gemiddeld 1.06 m en 1.07 m beter en
voor het ontwikkelde algoritme is dit 0.85 m en 0.75 m (voor de nauwkeurigheid en spreiding
respectievelijk). Het verschil wordt groter naarmate er meer variatie aan de metingen wordt
toegevoegd, bij stdDev = 20 dB, is dit verschil voor het eenvoudige algoritme reeds 2.04 m en
6.7 Sensitiviteitanalyse
33
Simpel
Viterbi Huidig
Viterbi
12
10
nauwkeurigheid [m]
10
nauwkeurigheid [m]
Simpel
Viterbi Huidig
Viterbi
12
8
6
4
8
6
4
2
2
0
0
0
2
4
6
8
10
12
14
16
18
20
0
2
4
6
stdDev [dB]
(a) aantalAPs = 15
8
10
12
14
16
18
20
stdDev [dB]
(b) aantalAPs = 57
Figuur 6.3: Invloed van ruis op nauwkeurigheid (simulatie)
1.91 m en voor het ontwikkelde algoritme 1.95 m en 1.78 m (voor de nauwkeurigheid en spreiding
respectievelijk). Maar in realiteit zal de stelling dat op iedere meting evenveel ruis zit (zoals bij
de simulatie), los van hoe ver de vaste node zich bevindt, niet opgaan. In de volgende Sectie
wordt de optimale waarde van deze parameter aantalAPs bepaald met real-life experimenten.
6.7.2
Selectie aantal access points
Wanneer het zendvermogen van de mobiele node voldoende sterk is, ontvangen meestal ongeveer 20 vaste nodes (access points) de beacons. In het geval van de mobiele WiFi node, met
een maximaal zendvermogen van 23 dBm, kunnen alle 57 vaste nodes uit het testbed de beacons opvangen, waar de mobiele node zich ook bevindt. Het padverliesmodel voorspelt meestal
een betrouwbaarder padverlies voor de dichtstbijzijnde access points (APs), daarom wordt eerst
een selectie gemaakt van de aantalAPs laagste padverliezen (waarbij aantalAPs een getal is).
Vervolgens wordt er enkel met deze meetwaarden rekening gehouden bij het voorspellen van de
nieuwe meest waarschijnlijke positie.
Zowel voor de mobiele ZigBee als WiFi node wordt dit optimale aantal bepaald, door de nauwkeurigheid en spreiding in functie van aantalAPs te onderzoeken (zie Figuur 6.4). Opnieuw
werd de data van alle negen de testpaden, afgelegd met de mobiele ZigBee node, en de data van
testpaden 1, 7 en 9, afgelegd met de mobiele WiFi node, gebruikt.
Bij de ZigBee node stagneert de nauwkeurigheid vanaf een aantalAPs waarde van 10, voor de
WiFi node ligt dit aantal bij 16. Dit komt omdat er bij de mobiele WiFi node een sterker zendvermogen werd gebruikt (23 dBm versus 5 dBm), dus het signaal propageert verder waardoor er
6.7 Sensitiviteitanalyse
34
Invloed van aantalAPs (ZigBee)
10
8
6
4
2
0
Simpel
Viterbi Huidig
Viterbi
10
nauwkeurigheid [m]
nauwkeurigheid [m]
Invloed van aantalAPs (WiFi)
Simpel
Viterbi Huidig
Viterbi
8
6
4
2
0
2
4
6
8
10
12
14
16
18
aantalAPs [−]
20
2
4
6
8
10
12
14
16
18
20
aantalAPs [−]
Figuur 6.4: Sensitiviteitsanalyse van aantalAPs
meer metingen zijn die een extra bijdrage tot de nauwkeurigheid en spreiding leveren. Aangezien
het resultaat stagneert vanaf een bepaalde waarde (en niet slechter wordt), kunnen eigenlijk alle
metingen worden gebruikt maar dit is in principe overbodig en zal de uitvoeringstijd van een
locatieupdate enkel doen toenemen.
6.7.3
Beperkt aantal vaste nodes
In ideale omstandigheden werken alle 57 vaste nodes uit het testbed, maar tijdens een experiment
kunnen sommige nodes down zijn door node failure, maintenance,. . . In deze sectie wordt de
robuustheid tegen steeds meer wegvallende vaste nodes onderzocht of voor gebouwen waar veel
minder vaste nodes zijn ge¨ınstalleerd. Er worden vijf scenario’s onderzocht, de configuraties van
scenario 1 tot en met 4 zijn afgebeeld in Figuur 6.5 (waarbij de nodes die down zijn in het grijs
staan). Scenario 5 gebruikt alle (beschikbare) vaste nodes. De resultaten voor de mobiele ZigBee
en WiFi node staan in Tabel 6.8. Bij ZigBee werd er uitgemiddeld over alle negen testpaden
en bij WiFi over testpaden 1, 7 en 9, opnieuw met de instellingen uit Tabel 6.3. Omdat er bij
scenario’s 1 en 2 minder dan 15 APs werken, wordt de aantalAPs parameter hier automatisch
aangepast naar 5 en 10 respectievelijk.
Beide mobiele nodes geven, zoals verwacht, het beste resultaat wanneer alle vaste nodes
worden gebruikt. De ZigBee node is, op scenario 1 na, altijd beter dan de WiFi node. Dit is
te verklaren omdat bij scenario 1, het aantal vaste nodes zeer schaars is maar de mobiele WiFi
node deze nog wel altijd allemaal kan bereiken. Verder valt op dat in deze omstandigheden met
weinig vaste nodes het eenvoudige algoritme met de mobiele ZigBee node veel slechter presteert
in vergelijking met het ontwikkelde algoritme. Bijvoorbeeld bij scenario 2 is Viterbi 5.43 m
6.7 Sensitiviteitanalyse
35
(a) Scenario 1
(b) Scenario 2
(c) Scenario 3
(d) Scenario 4
Figuur 6.5: Scenario’s met verschillend aantal werkende vaste nodes uit het testbed
nauwkeuriger en zit er 12.2 m minder spreiding op de resultaten ten opzichte van Simpel, terwijl
dit bij scenario 5 nog maar 0.68 m en 1.88 m is. Dus het ontwikkelde algoritme heeft vooral een
meerwaarde in omstandigheden met weinig beschikbare vaste nodes (bij de ZigBee node).
6.7.4
Geheugen
Beperkt aantal paden
Het geheugengebruik wordt vooral bepaald door het aantal paden die in het geheugen worden
bijgehouden en opgebouwd. Dit is enkel van belang voor het ontwikkelde algoritme aangezien
het simpele algoritme enkel de laatste meting gebruikt. In Figuur 6.6a wordt de nauwkeurigheid
uitgezet in functie van de parameter aantalPaden op een logaritmische schaal (uitgemiddeld
over de negen testpaden en overige instellingen zoals uit Tabel 6.3). Het simpele algoritme blijft
dus over de hele lijn constant omdat er geen rekening wordt gehouden met het verleden. De
nauwkeurigheid van het ontwikkelde algoritme blijft constant vanaf ongeveer 100 paden maar
zelfs bij 1000 paden is de processing delay nog te verwaarlozen ten opzichte van de andere
factoren dus dit is geen beperkende factor (zie verder Sectie 6.7.5).
Enkel recent verleden
Wanneer een node een zeer lange tijd moet worden getraceerd, kan het interessant zijn om
enkel het recente verleden in rekening te brengen, zodat niet alle data uit het verleden moet
worden bijgehouden. In deze sectie wordt gezocht naar het minimum aantal locaties uit het
verleden die men nodig heeft om een bepaalde nauwkeurigheid en spreiding te halen. Om dit te
6.7 Sensitiviteitanalyse
36
Tabel 6.8: Nauwkeurigheid en spreiding voor de verschillende scenario’s
ZigBee
Algoritme →
Simpel
Viterbi Huidig
Viterbi
scenario ↓
#vaste nodes ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
1
5
8.28
11.45
7.25
10.28
5.02
7.7
2
10
8.81
15.31
4.73
3.88
3.38
3.11
3
20
4.67
7.72
3.51
2.27
2.82
1.84
4
30
3.73
5.4
3.22
2.22
2.53
1.62
5
57
2.94
3.32
2.83
1.94
2.26
1.44
1
5
4.97
3.43
5.21
3.67
3.52
2.24
2
10
4.63
2.94
4.88
2.93
4.1
2.54
3
20
3.65
2.25
3.88
2.56
3.12
2.04
4
30
3.53
2.62
3.51
2.59
2.74
1.69
5
57
3.89
3.45
3.29
2.23
2.7
1.62
WiFi
bekijken wordt wel het volledige pad bijgehouden (om achteraf de nauwkeurigheid en spreiding
te kunnen bepalen) maar worden de beste paden geselecteerd op basis van de kost van de laatste
aantalRecentVerleden posities. De nauwkeurigheid wordt uitgezet in functie van deze parameter
aantalRecentVerleden, zie Figuur 6.6b (opnieuw uitgemiddeld over de negen testpaden en overige
instellingen zoals uit Tabel 6.3). In een inti¨ele fase van het algoritme, kunnen er natuurlijk maar
zoveel posities uit het verleden in rekening worden gebracht als er locatieupdates zijn geweest.
Simpel
Viterbi Huidig
Viterbi
20
18
18
16
16
nauwkeurigheid [m]
nauwkeurigheid [m]
Simpel
Viterbi Huidig
Viterbi
20
14
12
10
8
6
14
12
10
8
6
4
4
2
2
0
0
0
10
1
2
10
10
aantalPaden [−]
(a) Invloed van aantalPaden
3
10
2
4
6
8
10
12
14
16
18
20
aantalRecentVerleden [−]
(b) Invloed van aantalRecentVerleden
Figuur 6.6: Invloed van geheugen op prestatie
Vooral het Viterbi traject is afhankelijk van deze parameter omdat Viterbi Huidig steeds kan
verspringen van traject en Simpel geen rekening houdt met het verleden. Vanaf dat er rekening
6.7 Sensitiviteitanalyse
37
wordt gehouden met de laatste 14 metingen om de nieuwe positie te bepalen, treedt er nog maar
weinig verbetering meer op bij de nauwkeurigheid en spreiding van Viterbi.
6.7.5
Uitvoeringstijd
De uitvoeringstijd wordt vooral bepaald door het aantal paden dat in het geheugen worden opgebouwd. Het gemiddeld aantal microseconden nodig voor het berekenen van een locatieupdate
(terwijl alle andere paden in het geheugen eveneens verder worden opgebouwd) is uitgezet in
functie van de parameter aantalPaden in Figuur 6.7. Zowel de x-as als de y-as hebben een logaritmische schaal. Aangezien in Sectie 6.7.4 al werd aangetoond dat 1000 paden ruimschoots volstaat, nemen we dit als bovengrens. Een locatieupdate met het ontwikkeld lokalisatiealgoritme
neemt dan, op een laptop met Intel Core i7 3610QM 2.4 GHz processor en 4 GB DDR3-SDRAM
geheugen, gemiddeld 345.02 µs in beslag, dit volstaat ruimschoots om in ware tijd te kunnen
werken. De uitvoeringstijd bij het simpele algoritme wordt niet be¨ınvloed door aantalPaden en
was uitgemiddeld over dezelfde negen testpaden gelijk aan 4.86 µs met een standaardafwijking
van 0.83 µs.
2
uitvoeringstijd [µs]
10
1
10
0
10
0
10
1
10
2
10
3
10
aantalPaden [−]
Figuur 6.7: Uitvoeringstijd in functie van de parameter aantalPaden
6.7.6
Sample rate en uitmiddeling
De mobiele nodes zenden 10 beacons per seconde uit, met sample rate bedoelen we hier de
parameter (sampleRate) die aangeeft aan welk tempo het lokalisatiealgoritme nieuwe input (metingen) te verwerken krijgt. Meer uitmiddeling resulteert in nauwkeurigere metingen maar ook
minder snel een locatieupdate en dus ook grotere stappen tijdens het traject wat de prestaties
6.7 Sensitiviteitanalyse
38
opnieuw kan be¨ınvloeden. Aangezien er tijdens het afleggen van de testpaden continu wordt
gewandeld is er ergens een sweet spot (een optimale zone dat een afweging is tussen meer locatieupdates en meer uitmiddeling). Er wordt getest met 10 verschillende waarden voor sampleRate
en telkens wordt de nauwkeurigheid en spreiding berekend (zie Figuur 6.8). Vanaf een bepaalde
waarde van sampleRate (bij constante waarde van maxSnelheid ) wordt de maximaleVerplaatsing kleiner dan 1 m (zie Sectie 3.3.3); aangezien de roosterpuntresolutie op 1 m staat, zal het
algoritme vast komen te zitten op een bepaalde positie. Om deze reden wordt de maximaleVerplaatsing altijd op minstens 1 m ingesteld. De resultaten zijn uitgemiddeld over testpaden 1,
7 en 9 afgelegd met de mobiele WiFi node omdat hier de pakketten werden gelogd per 100 ms
zodat er voldoende vrijheid is om sampleRate te kiezen (bij de ZigBee node werd er al voor het
wegschrijven naar de databank, uitgemiddeld over 10 metingen oftewel 1 seconde).
12
Simpel
Viterbi Huidig
Viterbi
nauwkeurigheid [m]
10
8
6
4
2
0
0
1
10
10
sample rate [s−1]
Figuur 6.8: Invloed van sample rate en uitmiddeling op nauwkeurigheid
De beste resultaten worden verkregen met de parameter sampleRate tussen 1s-1 en 2.5s-1 ,
dit komt overeen met een nieuwe input om de 0.4 tot 1 seconde (dus uitmiddeling over 4 tot
10 pakketten). Voor de werking in ware tijd kan het eerste de beste keuze zijn want er is
dan iets minder vertraging, in omstandigheden met veel variatie op de metingen is het tweede
waarschijnlijk de betere keuze want meer uitmiddeling.
6.7.7
Wandelsnelheid
Een tragere wandelsnelheid laat een grotere uitmiddeling of meer locatieupdates toe. Om de
invloed hiervan te onderzoeken werd testpad 9, tegen drie snelheden afgelegd (traag, normaal,
snel) tegen respectievelijk: 0.67 m/s, 1.14 m/s en 1.74 m/s met uitmiddeling over: 1, 2, 5, 10
6.7 Sensitiviteitanalyse
39
en 20 pakketten. De resultaten zijn samengevat in Tabel 6.9. Om de grootte van de tabel te
beperken wordt enkel de gemiddelde nauwkeurigheid van het ontwikkelde algoritme (Viterbi )
over het volledige traject weergeven (Simpel en Viterbi Huidig zijn achterwege gelaten). De
parameter maxSnelheid wordt aangepast aan de wandelsnelheid: 1 m/s, 1.67 m/s en 2 m/s voor
de drie wandelsnelheden respectievelijk.
Tabel 6.9: Nauwkeurigheid en spreiding bij verschillende snelheden en uitmiddeling
Uitmiddeling →
1 pakket
2 pakketten
5 pakketten
10 pakketten
20 pakketten
Snelheid ([m/s]) ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
traag (0.67)
2.77
1.65
2.62
1.66
2.28
1.42
2.91
1.48
2.99
1.76
normaal (1.14)
2.89
1.78
2.59
1.72
2.34
1.57
2.34
1.63
3.12
1.96
snel (1.74)
2.75
1.64
2.41
1.32
2.46
1.36
3.4
2.3
4.31
2.88
Bij traag wandelen wordt het beste resultaat verkregen bij een uitmiddeling over 5 pakketten,
dus het lokalisatiealgoritme krijgt een nieuwe input om de halve seconde (want er worden 10
beacons gebroadcast per seconde). Bij normaal en snel wandelen scoren twee opties ongeveer
even goed: uitmiddelen over 5 of 10 pakketten bij normaal wandelen en uitmiddelen over 2 of 5
pakketten bij snel wandelen. Bij uitmiddeling over 2 pakketten kan er sneller een update worden
gegenereerd, waar snel wandelen dus een voordeel uit kan halen. De verschillen blijven wel zeer
klein dus we kunnen stellen dat de wandelsnelheid maar weinig impact heeft op de prestaties
van het lokalisatiealgoritme.
6.7.8
Zendvermogen
Het maximale zendvermogen van de mobiele WiFi node is 23 dBm, bij een groter zendvermogen
zullen meer vaste nodes het signaal oppikken. Het nadeel van een groter zendvermogen is dat de
batterij sneller leeg gaat en dat andere gebruikers (die in dezelfde frequentieband opereren) meer
interferentie zullen ervaren. Deze twee factoren hebben wel geen invloed op de prestatie van het
lokalisatiealgoritme. Testtraject 9 werd zes keer afgelegd met een verschillend zendvermogen
en de nauwkeurigheid en spreiding werden voor alle zendvermogens voor dezelfde scenario’s
als in Sectie 6.7.3 onderzocht (zie Figuur 6.5). De resultaten worden samengevat in Tabel 6.10.
Opnieuw wordt enkel de nauwkeurigheid en spreiding van Viterbi weergeven teneinde de grootte
van de tabel te beperken.
De verschillen zijn klein vanaf een zendvermogen van 5 dBm of meer, indien het energieverbruik dus in rekening wordt gebracht, is een zendvermogen van 5 dBm een goede keuze. Het
6.7 Sensitiviteitanalyse
40
Tabel 6.10: Nauwkeurigheid en spreiding bij verschillende zendvermogens en scenario’s
Scenario →
1
2
3
4
5
Zendvermogen [dBm] ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
0
3.71
1.6
3.27
1.97
3.41
1.86
2.87
1.9
3.8
2.82
5
2.67
1.5
3.26
2.09
2.94
1.72
2.78
1.69
2.67
1.6
10
3.45
1.96
4.75
2.74
3.65
2.13
2.83
1.84
2.75
1.83
15
2.84
1.67
4.29
2.65
3.2
1.84
2.52
1.59
2.64
1.77
20
3.14
1.63
4.31
2.5
3.23
1.73
2.78
1.54
2.7
1.54
23
2.97
1.71
4.48
2.54
2.8
1.73
2.45
1.69
2.64
1.65
meest nauwkeurige resultaat wordt nog wel altijd verkregen met een zendvermogen van 23 dBm
terwijl het grootste deel van de vaste nodes werken, maar verschillen blijven miniem.
6.7.9
Minimum padverlies
Wanneer men zich exact onder een vaste node bevindt, zullen de padverliesmodellen −∞ voorspellen en zal deze locatie nooit als meest waarschijnlijke positie worden gekozen. Met de mobiele
ZigBee node werd onder 5 vaste nodes gebroadcast om het minimale experimentele padverlies
te bepalen, uitgemiddeld kwam dit neer op 47.1 dB (waarbij de ideale shift al is doorgevoerd).
De nauwkeurigheid en spreiding werd voor alle testpaden, afgelegd met de mobiele ZigBee node,
opnieuw berekend (met dezelfde instellingen uit Tabel 6.3) en vergeleken met het geval zonder
ondergrens op de referentiepadverliezen (PLref ), zie Tabel 6.11.
Tabel 6.11: Nauwkeurigheid en spreiding zonder en met ondergrens voor PLref
Algoritme →
Simpel
Viterbi Huidig
Viterbi
Minimum PL ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
Zonder ondergrens
2.94
3.32
2.83
1.94
2.26
1.44
Met ondergrens
2.89
3.29
2.67
1.85
2.31
1.46
Er is verbetering bij Simpel en Viterbi Huidig maar deze blijft wel miniem, dit is deels te
verklaren door de roosterpuntresolutie van 1 m waardoor de kans al klein is dat het te traceren
object zich exact onder een vaste node bevindt.
6.7.10
Kostfunctie
In het lokalisatiealgoritme werd tot nu toe steeds de MSE tussen de gemeten en de referentiepadverliezen gebruikt als kostfunctie. Een andere mogelijkheid is het gemiddelde verschil in
6.7 Sensitiviteitanalyse
41
absolute waarde:
ABS =
N
1 X
|P Lgem,n − P Lref,n |
N
(6.1)
n=1
Hierbij is ABS de absolute waarde, N het totaal aantal metingen, PLgem,n het gemeten
padverlies van een vaste node n en PLref,n het referentiepadverlies van een vaste node n. Nog
een optie is om het verschil tussen het gemeten en het referentiepadverlies nog eens te delen
door het padverlies zelf zodat metingen met een lager padverlies zwaarder door wegen:
MSEgewogen
N
1 X (P Lgem,n − P Lref,n ) 2
=
N
P Lgem,n
(6.2)
n=1
Hierbij is MSEgewogen de gewogen Mean Square Error en zijn de overige parameters hetzelfde
als bij de absolute waarde als kostfunctie. De resultaten, uitgemiddeld over alle negen testpaden
en met de instellingen van Tabel 6.3, kunnen worden teruggevonden in Tabel 6.12.
Tabel 6.12: Nauwkeurigheid en spreiding voor verschillende kostfuncties
Algoritme →
Kostfunctie ↓
Simpel
Viterbi Huidig
Viterbi
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
MSE
2.94
3.32
2.83
1.94
2.26
1.44
Absolute Waarde
3.15
3.44
2.89
1.96
2.24
1.39
Gewogen MSE
2.94
3.31
2.86
1.91
2.24
1.42
Het valt meteen op dat er geen significante verschillen zijn tussen deze 3 kostfuncties.
6.7.11
Open en gesloten deuren
Tot nu toe werden alle deuren op het grondplan gemodelleerd als gesloten, uit hout gemaakte,
deuren. Het grondplan kan nog worden aangepast aan de situatie tijdens het afleggen van de
testpaden: deuren die open stonden, werden gemodelleerd met een 0 dB lijn voor accuratere
predicties van de padverliezen. In deze sectie wordt de impact hiervan onderzocht, opnieuw
door de gemiddelde nauwkeurigheid en spreiding van alle negen testpaden in de twee gevallen te
berekenen (met de instellingen van Tabel 6.3). De resultaten staan samengevat in Tabel 6.13.
Het aangepast grondplan heeft gemiddeld gezien een hogere nauwkeurigheid en spreiding
maar het verschil blijft klein.
6.8 Globaal optimum
42
Tabel 6.13: Aangepast grondplan
Algoritme →
6.8
Simpel
Viterbi Huidig
Viterbi
Grondplan ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
Gesloten deuren
2.94
3.32
2.83
1.94
2.26
1.44
Aangepast aan situatie
3.0
3.57
2.75
1.86
2.18
1.36
Globaal optimum
Wanneer voor elke parameter de waarde wordt gekozen, die in de sensitiviteitsanalyse meest
ideaal bleek, verkrijgen we de instellingen van in Tabel 6.14. Er wordt dus niet alleen naar de
nauwkeurigheid gekeken maar ook naar de minimale uitvoeringstijd die deze nauwkeurigheid
kan halen. De uiteindelijke nauwkeurigheid en spreiding (uitgemiddeld over alle testpaden) voor
zowel het free-space als het WHIPP padverliesmodel en voor zowel de mobiele ZigBee als WiFi
node staan samengevat in Tabel 6.15. De procentuele verbeteringen van Viterbi ten opzichte
van Simpel en WHIPP ten opzichte van free-space, uitgemiddeld over de mobiele ZigBee en WiFi
node, kunnen worden teruggevonden in Tabel 6.16.
Tabel 6.14: Globaal optimale instellingen
Instelling
ZigBee
WiFi
maxSnelheid
1.67 m/s
1.67 m/s
sampleRate
1 sample/s
2.5 sample/s
minDistDoor
2m
2m
aantalAPs
10
16
aantalPaden
100
100
aantalLevels
5
5
interDist
1m
1m
minPL
47.1 dB
47.1 dB
kostfunctie
MSE
MSE
aangepast grondplan
ja
ja
Zoals verwacht levert het ontwikkelde lokalisatiealgoritme zowel bij het WHIPP als free-space
padverliesmodel betere resultaten op voor zowel de nauwkeurigheid als de spreiding, er is zelfs
een verbetering van 59% bij deze laatste. Onderling is de verbetering ten opzichte van Simpel
voor Viterbi groter dan deze van Viterbi Huidig, wat ook te verwachten was.
Door gebruik te maken van het geavanceerde padverliesmodel (WHIPP) is er altijd verbetering
van de nauwkeurigheid ten opzichte van het free-space padverliesmodel. Bij Viterbi en Viterbi
6.8 Globaal optimum
43
Tabel 6.15: Globaal optimum
Algoritme →
Padverliesmodel ↓
WHIPP
free-space
Simpel
Viterbi Huidig
Viterbi
Mobiele node ↓
N [m]
S [m]
N [m]
S [m]
N [m]
S [m]
ZigBee
2.96
3.63
2.58
1.7
2.18
1.31
WiFi
3.38
3.13
2.45
1.69
2.2
1.46
ZigBee
3.45
3.4
3.04
1.87
2.61
1.5
WiFi
3.59
2.12
3.46
2.03
3.35
1.96
Tabel 6.16: Procentuele verbeteringen
Verbetering van ↓
ten opzichte van ↓
bij ↓
Nauwkeurigheid [%]
Spreiding [%]
Viterbi
Simpel
WHIPP
31
59
Viterbi
Simpel
free-space
16
32
Viterbi Huidig
Simpel
WHIPP
20
50
Viterbi Huidig
Simpel
free-space
8
25
WHIPP
free-space
Viterbi
25
19
WHIPP
free-space
Viterbi Huidig
22
13
WHIPP
free-space
Simpel
10
-27
WHIPP + Viterbi
free-space + Simpel
ZigBee
37
61
WHIPP + Viterbi
free-space + Simpel
WiFi
39
31
Huidig verbetert ook de spreiding op de resultaten maar bij Simpel gaat deze er wel op achteruit.
Maximale verbetering wordt verkregen bij het vergelijken van de combinatie van WHIPP als
padverliesmodel met Viterbi als lokalisatiealgoritme ten opzichte van free-space met Simpel :
37 % nauwkeuriger en 61 % minder spreiding op deze nauwkeurigheid.
TOEKOMSTIG WERK
44
Hoofdstuk 7
Toekomstig werk
7.1
RSSI alternatieven
De principes waarop het algoritme gebaseerd zijn, staan los van de gebruikte rangingtechniek.
Zoals reeds aangehaald in Sectie 2.1.1, kan in de plaats van RSSI ook (D)ToA, (D)AoA of een hybride techniek worden gebruikt. De fingerprintdatabase zal eveneens moeten worden aangepast
aan de gebruikte rangingtechniek, dus het behaalde voordeel met het WHIPP padverliesmodel
valt weg. Maar voor de meeste rangingtechnieken zijn er wel padverliesmodellen beschikbaar.
7.2
ZigBee en WiFi alternatieven
Vooral UWB lijkt veelbelovend om de nauwkeurigheid van indoorlokalisatiesystemen op te drijven. Net zoals hierboven reeds het geval was, is de werking van het algoritme ook onafhankelijk
van de gebruikte draadloze technologie. Het testen op een testbed met ondersteuning voor deze
nieuwe technologie¨en lijkt dan ook veelbelovend.
7.3
A-priori kennis
Tot nu toe werd het verleden van een traject gebruikt om de meest waarschijnlijke sequentie van
locaties en eveneens een realistisch traject te bepalen. Wanneer men beschikt over voldoende
data van waarschijnlijke trajecten, kan men hier distributies voor modelleren en kan het verleden
van het huidige traject hieraan worden gematcht. Deze (statistische) a-priori kennis kan dan
bijvoorbeeld gewogen in rekening worden gebracht, om zo de nauwkeurigheid van de voorspelling
te verbeteren.
7.4 Ruis en outlierfiltering
7.4
45
Ruis en outlierfiltering
Aangezien het verleden van een traject beschikbaar is, kan men nieuwe meetwaarden vergelijken
met deze uit de fingerprintdatabase die overeenkomen met de laatste locatie. Wanneer het
verschil tussen deze twee een bepaalde threshold overschrijdt, is de kans groot dat het om een
outlier of een met ruis behepte meting gaat. Vervolgens kan er minder belang worden gehecht aan
deze meting of kan deze zelfs compleet worden genegeerd indien er voldoende andere metingen
beschikbaar zijn. Indien de vorige locatie niet overeenkwam met de werkelijkheid, werkt deze
manier van filtering natuurlijk averechts, dus het algoritme kan best eerst stabiliseren en dan
na een bepaald aantal tijdstappen kan deze techniek worden ingeschakeld.
7.5
Meerdere verdiepingen
Het ontwikkelde lokalisatiealgoritme is enkel ge¨ımplementeerd voor de werking op ´e´en verdieping
maar kan makkelijk worden uitgebreid naar alle verdiepingen van een gebouw. Tot nu toe werden
de deuren gebruikt om de overgang tussen twee kamers te verwezenlijken, de locatie van een
lift kan deze werking overnemen voor naar een andere verdieping te gaan. Bijkomend kunnen
ook de vaste nodes van meerdere verdiepingen tegelijk worden gebruikt, zodat er meer metingen
beschikbaar zijn en de prestaties verder kunnen worden verbeterd.
7.6
Inbedding in indoornavigatiesysteem
Om het ontwikkelde lokalisatiealgoritme echt tot zijn nut te laten komen, kan het worden ingebed in een indoornavigatiesysteem dat bijvoorbeeld compatibel is met een smartphone. De
smartphone zal dan de rol van tracking en processing device op zich nemen, dus zowel het zenden
van beacons als het verwerken van de data. Met het ontwikkelde algoritme kan dan de beste
huidige locatie worden bepaald om zo instructies te kunnen geven aan de gebruiker om te navigeren naar een opgegeven plaats in het gebouw. Indien dit teveel zou eisen van de batterij van
de smartphone, kan er ook voor worden geopteerd om bijvoorbeeld een extern tracking device te
gebruiken en de smartphone enkel als thin client aan te wenden waarbij het ontwikkelde algoritme op een server draait en locatieupdates of navigatie instructies via een mobiele applicatie
naar de gebruiker kunnen worden gestuurd. Indien dit zou werken, kan het eveneens worden
gebruikt om data te loggen om zo distributies te modelleren van waarschijnlijke trajecten die
dan kunnen worden gebruikt om de voorspelling te verbeteren zoals vermeld in Sectie 7.3.
CONCLUSIE
46
Hoofdstuk 8
Conclusie
In deze masterproef werd een indoorlokalisatiesysteem ontwikkeld dat in ware tijd werkt. Door
het verleden van een traject in rekening te brengen, kunnen de prestaties van een (willekeurig)
lokalisatiealgoritme worden verbeterd, zowel de nauwkeurigheid als de spreiding. Verder werd
er aangetoond dat het ontwikkelde lokalisatiealgoritme ook robuuster is tegen variaties op de
metingen ten opzichte van een standaard lokalisatiesysteem en dat er met een beperkt aantal
vaste nodes in een gebouw al een goede nauwkeurigheid kan worden behaald, dit is interessant
om de installatiekosten te beperken.
Een ander voordeel is dat er voor het opzetten van het indoorlokalisatiesysteem in een (nieuw)
gebouw maar weinig extra tweaking nodig is, zodat het snel toepasbaar is. Het eenmalig kalibreren van de padverliezen volstaat, wel is er nood aan een (gedetailleerd) grondplan. In een
uitgebreide sensitiviteitsanalyse werd de invloed van alle parameters op de prestaties onderzocht,
zodat voor een zekere toepassingen bepaalde afwegingen eenvoudig kunnen worden gemaakt.
Naast het in rekening brengen van het verleden van een traject werd ook voor gezorgd dat de
geconstrueerde paden realistisch (fysisch mogelijk) zijn, door gebruik te maken van de omgeving
en een maximale snelheid waarmee een te traceren object zich kan voortbewegen. Bovendien
biedt de werking in ware tijd, de mogelijkheid om het ontwikkelde indoorlokalisatiesysteem te
inbedden in een navigatiesysteem.
BIBLIOGRAFIE
47
Bibliografie
[1] Nicolas Amiot, Meriem Mhedhbi, Stphane Avrillon, and Bernard Uguen. Pylayers: An
indoor propagation tool for studying localization in wban context. http://www.pylayers.
org, 2014.
[2] Richa Bharadwaj, Clive Parini, and Akram Alomainy. Indoor tracking of human movements
using uwb technology for motion capture, 2014.
[3] Stefan Bouckaert. Design and evaluation of a self-configuring wireless mesh network architecture. PhD thesis, Ghent University, 2010.
[4] Stefan Bouckaert, Wim Vandenberghe, Bart Jooris, Ingrid Moerman, and Piet Demeester.
The w-ilab. t testbed. In Testbeds and Research Infrastructures. Development of Networks
and Communities, pages 145–154. Springer, 2011.
[5] Andrea Conti, Matteo Guerra, Davide Dardari, Nicolo Decarli, and Moe Z Win. Network
experimentation for cooperative localization. Selected Areas in Communications, IEEE
Journal on, 30(2):467–475, 2012.
[6] Moteiv Corporation. Ultra low power ieee 802.15.4 compliant wireless sensor module. http:
//www.crew-project.eu/sites/default/files/tmote-sky-datasheet.pdf, 2006.
[7] Vinko Erceg, Larry J Greenstein, Sony Y Tjandra, Seth R Parkoff, Ajay Gupta, Boris
Kulic, Arthur A Julius, and Renee Bianchi. An empirically based path loss model for
wireless channels in suburban environments. Selected Areas in Communications, IEEE
Journal on, 17(7):1205–1211, 1999.
[8] Sinan Gezici, Zhi Tian, Georgios B Giannakis, Hisashi Kobayashi, Andreas F Molisch,
H Vincent Poor, and Zafer Sahinoglu. Localization via ultra-wideband radios: a look at
BIBLIOGRAFIE
48
positioning aspects for future sensor networks. Signal Processing Magazine, IEEE, 22(4):70–
84, 2005.
[9] Akis Kokkinis, Marios Raspopoulos, Loizos Kanaris, Antonio Liotta, and Stavros Stavrou.
Map-aided fingerprint-based indoor positioning. In Personal Indoor and Mobile Radio Communications (PIMRC), 2013 IEEE 24th International Symposium on, pages 270–274. IEEE,
2013.
[10] Hui Liu, Houshang Darabi, Pat Banerjee, and Jing Liu. Survey of wireless indoor positioning
techniques and systems. Systems, Man, and Cybernetics, Part C: Applications and Reviews,
IEEE Transactions on, 37(6):1067–1080, 2007.
[11] Paul Meissner, Erik Leitinger, Manuel Lafer, and Klaus Witrisal. Real-time demonstration
of multipath-assisted indoor navigation and tracking (mint), 2014.
[12] David Munoz, Frantz Bouchereau Lara, Cesar Vargas, and Rogerio Enriquez-Caldera. Position location techniques and applications. Academic Press, 2009.
[13] David Plets, Wout Joseph, Kris Vanhecke, Emmeric Tanghe, and Luc Martens. Coverage
prediction and optimization algorithms for indoor environments. EURASIP Journal on
Wireless Communications and Networking, 2012(1):1–23, 2012.
[14] Alessandro Polo, Federico Viani, Enrico Giarola, Giacomo Oliveri, Paolo Rocca, and
A. Massa. Semantic wireless localization enabling advanced services in museums, 2014.
[15] Zoltan Szalay and Lajos Nagy. Indoor localization using ism band radio modules, 2013.
[16] Andrew J Viterbi. Error bounds for convolutional codes and an asymptotically optimum
decoding algorithm. Information Theory, IEEE Transactions on, 13(2):260–269, 1967.
[17] Xinwei Wang, Ole Bischoff, Rainer Laur, and Steffen Paul. Localization in wireless ad-hoc
sensor networks using multilateration with rssi for logistic applications. Procedia Chemistry,
1(1):461–464, 2009.
[18] Klaus Witrisal and Paul Meissner. Performance bounds for multipath-assisted indoor navigation and tracking (mint). In Communications (ICC), 2012 IEEE International Conference on, pages 4321–4325. IEEE, 2012.
LIJST VAN FIGUREN
49
Lijst van figuren
3.1
Grondplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
3.2
Roosterpuntresolutie van 1 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
3.3
Eenvoudig voorbeeld Viterbi principe . . . . . . . . . . . . . . . . . . . . . . . . .
9
3.4
Realistischer traject door toevoegen midden deur . . . . . . . . . . . . . . . . . .
11
3.5
Mogelijke volgende posities bij een bepaalde maxSnelheid en sampleRate . . . . .
12
3.6
Extra beginposities toevoegen voor robuustheid tegen foute initi¨ele predictie . . .
13
5.1
Derde verdieping van het w-iLab.t testbed . . . . . . . . . . . . . . . . . . . . . .
20
5.2
Mobiele nodes (links WiFi, rechts ZigBee en batterij) . . . . . . . . . . . . . . . .
21
5.3
Visualisatie van de drie soorten trajecten . . . . . . . . . . . . . . . . . . . . . .
23
6.1
Testpaden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
6.2
Visualisatie van testpad 1 onder verschillende omstandigheden (links Simpel,
rechts Viterbi ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
6.3
Invloed van ruis op nauwkeurigheid (simulatie) . . . . . . . . . . . . . . . . . . .
33
6.4
Sensitiviteitsanalyse van aantalAPs . . . . . . . . . . . . . . . . . . . . . . . . . .
34
6.5
Scenario’s met verschillend aantal werkende vaste nodes uit het testbed . . . . .
35
6.6
Invloed van geheugen op prestatie . . . . . . . . . . . . . . . . . . . . . . . . . .
36
6.7
Uitvoeringstijd in functie van de parameter aantalPaden . . . . . . . . . . . . . .
37
6.8
Invloed van sample rate en uitmiddeling op nauwkeurigheid . . . . . . . . . . . .
38
LIJST VAN TABELLEN
50
Lijst van tabellen
2.1
Rangingtechnieken en draadloze technologie¨en . . . . . . . . . . . . . . . . . . . .
4
4.1
Parameterwaarden one-slope padverliesmodel . . . . . . . . . . . . . . . . . . . .
17
4.2
Parameterwaarden TGn padverliesmodel . . . . . . . . . . . . . . . . . . . . . . .
18
4.3
Uitvoeringstijden offline-fase voor alle padverliesmodellen . . . . . . . . . . . . .
19
5.1
Ideale shift voor de vier padverliesmodellen . . . . . . . . . . . . . . . . . . . . .
22
5.2
Verklaring types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
6.1
Eigenschappen testpaden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
6.2
Vergelijking vier padverliesmodellen . . . . . . . . . . . . . . . . . . . . . . . . .
27
6.3
Instellingen lokalisatiealgoritme . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
6.4
Vergelijking ZigBee met WiFi als draadloze technologie . . . . . . . . . . . . . .
28
6.5
Combinatie ZigBee en WiFi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
6.6
Nauwkeurigheid en spreiding van de visualisaties uit Figuur 6.2 . . . . . . . . . .
31
6.7
Reproduceerbaarheid van de resultaten . . . . . . . . . . . . . . . . . . . . . . . .
31
6.8
Nauwkeurigheid en spreiding voor de verschillende scenario’s . . . . . . . . . . .
36
6.9
Nauwkeurigheid en spreiding bij verschillende snelheden en uitmiddeling . . . . .
39
6.10 Nauwkeurigheid en spreiding bij verschillende zendvermogens en scenario’s . . . .
40
6.11 Nauwkeurigheid en spreiding zonder en met ondergrens voor PLref . . . . . . . .
40
6.12 Nauwkeurigheid en spreiding voor verschillende kostfuncties . . . . . . . . . . . .
41
6.13 Aangepast grondplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
6.14 Globaal optimale instellingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
6.15 Globaal optimum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
6.16 Procentuele verbeteringen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43

Download presentatie

Handleiding Omnik

Geniet van ons verrukkelijk PAASMENU voor een

Een potentiële markt van 60 miljard chips

dLAN® 1200+ WiFi ac

SOCIAL WIFI - QWi Engineering BV

DDMC Event Design Confidential Start een loopbaan met passie in

Hoge resolutie luchtopnamen en BGT-kartering

pak de draad weer op! Wifi op school?