Sie sind auf Seite 1von 14

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”
 Nachteile
 Trainingsphase zum aufnehmen einer diskreten
23.7.09
Menge an Punkten
 Rekalibrierung
LFPTing (2) - Sensors

 WLAN
 RSS
 GSM
 Active Cell
 Neighbouring Cells
 BCCH
 Inertial Sensors (Accelerometer, Gyroscope, Electrical
compass)
 Orientation
23.7.09
 Motion Detection
 Dead reckogning
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
→ Adaption der Signalcharakteristik
23.7.09
Community Driven

 Autarkes Messen & Deployment


 Nutzen der Community Radio Maps
 Internet
 3G, WLAN
 i.e. App Engine
 Lokal
 WLAN
 SQLite
 WRT54GL

23.7.09
DD(1) – Arch & Enviroment

 Location Sensing
 Client
 Location Estimation
 Client
 Infrastructure
 Passive
 Sensing Area Size
 Floor (Multifloor)
 Location Granularity
 Gridspacing (1m)
 Number of Locations (GridSize)
23.7.09
 Number of APs (Passive)
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)
23.7.09
 Long Term Measurement
DD(3) – Algorithms & Format
 Positioning Algorithm (unsicher)
 Deterministic
 Euklidian Distance
 Mahalanobis Distance
 Similarity Matching SMA
 Probalistic
 Bayesian Interface Algorithm
 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