Sensorgetriebene Indoorlokalisation & Navigation

23.7.09

System Goals
    

Passive infrastructure Sensor Fusion Auto adaptive Geo mapping Community driven (Radio Map Repository)

23.7.09

System Architecture
  

Mobile Based Architecture Radio Map Repository Ressource Discovery

23.7.09

LFPTing (1) - Konzept

Sammeln aller an einer Position verfügbaren Sensordaten Vorteile
 

Robust (relativ geringe Störanfälligkeit) Je komplexer Raum desto besser (Objekte)

Multipath als Vorteil

”Long Term Fading” Trainingsphase zum aufnehmen einer diskreten Menge an Punkten Rekalibrierung

Nachteile

23.7.09

LFPTing (2) - Sensors

WLAN

RSS Active Cell Neighbouring Cells BCCH

GSM
  

Inertial Sensors (Accelerometer, Gyroscope, Electrical compass)
 

Orientation Motion Detection Dead reckogning

23.7.09

LFPTing (3) - Sensors

Bluetooth Golden Receiver Range (RSSI) Camera

Scannen von Markern (i.e. QR) Touch Display
  

Haptic Feedback Interval Labeling

23.7.09

Geo Mapping

Übersetzen der Indoor Positionsdaten nach WGS84 (Longtitude, Latitute System) Referenzpunkt im Raum mit hoher Genauigkeit

GPS + Laser

Nutzen von z.B. Google Maps zum darstellen der Position innerhalb eines Gebäudes (2-D)

23.7.09

Sensor Fusion
 

Daten der Sensoren werden kombiniert Data Processing Techniken
   

Mean, variance, deviation Scoring / Adjusting Orientation Reduction Filtering

Signal Strength Difference (SSD)

23.7.09

Auto Adaptive
 

Continious re-calibration (System lernt immer) Keinen Unterschied zwischen Trainings- und RT-Phase Unterscheidung durch Motion Detection

Position im Raum muss mit hoher accuracy bekannt sein.

Scannen von marker-based Tags (i.e. QR, Produkt, Gewinnspiel)

Daten werden nur aufgenommen wenn Handset in Ruhelag

23.7.09

→ Adaption der Signalcharakteristik

Community Driven
 

Autarkes Messen & Deployment Nutzen der Community Radio Maps

Internet
 

3G, WLAN i.e. App Engine WLAN SQLite WRT54GL

Lokal
  

23.7.09

DD(1) – Arch & Enviroment

Location Sensing

Client Client Passive Floor (Multifloor) Gridspacing (1m) Number of Locations (GridSize) Number of APs (Passive)

Location Estimation

Infrastructure

Sensing Area Size

Location Granularity

23.7.09

DD(2) – Location, LFPT & Sensing

Location

Position Time Orientation

LFPTing

RSS Daten Orientierung

RT-Phase

Motion

Offline Phase

Number of Samples (50) Time (MMA, an verschiedenen Tagen) Context (Real World Scenario) Long Term Measurement

23.7.09

DD(3) – Algorithms & Format

Positioning Algorithm (unsicher)

Deterministic

Euklidian Distance Mahalanobis Distance Similarity Matching SMA Bayesian Interface Algorithm

Probalistic

Data Format (Radio Map vector)

Kartesische Koordinaten Floor Symbolic names for locations

23.7.09

DD(4) – Performance & Security

Performance Metrics

Precision Accuracy Power Constraints Speed

→ Hohe Precision → Gerade so schnell das es kein Battery Killer wird (testen).

Security

User Privacy Security of Location

23.7.09

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times