sistema estadístico de localización indoor (presentaciones)

Primer Desafío Tecnológico del DTSTC

Propuesta de Proyecto

Sistema de Localización Móvil en la ETSIIT

Grupo I4 | Iván Fernández | Iván López | Jonathan Prados | Mark Rowsell

Introducción

� La propuesta consta de dos soluciones:

� Ambas consideradas como válidas.

� Se intuyen las ventajas e inconvenientes de implementación.

� Resultados finales aún por determinar.

� ¿Por qué no abordar la implementación de ambas soluciones en paralelo?soluciones en paralelo?

� Consideramos que es viable.


Introducción

� Ambas soluciones son, prácticamente, software.

� Se basan en medidas del nivel de señal de los APs.

� Misma aplicación cliente servidor.

� En definitiva, la principal diferencia sería el módulo software que determinaría la posición del terminal móvil.


Introducción

� Dos propuestas de solución.

� Primera propuesta basada en HMMs.

� Segunda propuesta basada en triangulación.


Determinar la posición del móvil

� Es el más importante.

� Determina la precisión, escalabilidad y portabilidad del sistema (esfuerzo necesario para poner en funcionamiento el sistema fuera de la ETSIIT).

� Mayor esfuerzo:

� Interior.

� Entorno cambiante.

� Multitrayectorias (desvanecimientos).

� Obstáculos con distintas constantes eléctricas (ε, μ).


Puntos en común

� Módulo software encargado de extraer información de la red:

� Nivel físico: RSSI

� “Parsing” de la trama baliza (Beacon frame).

� Enlace: Direcciones MAC

Red: Direcciones IP� Red: Direcciones IP

� Hardware-Software para automatizar el proceso de medida.


Puntos en común

� Incluye funcionalidad para generar los mapas de la escuela de una forma rápida.

� Aplicación cliente-servidor con su correspondiente protocolo de comunicación (a nivel de aplicación) orientado a mensajes.


Puntos en común


Solución basada en HMMs

� HMMs � versatilidad, usabilidad, extensión y eficacia en el reconocimiento de patrones.




� Basado en la API que proporciona HTK.





� Solución software � sencillez de fabricación, testeo y optimización.






� Tres bloques software:� Entrenador.

� Servidor.

� Cliente.






� Tres bloques software:� Entrenador.

� Servidor.

� Cliente.

� Cuestión clave � extraer características diferenciales.



� Características � basadas en la medida de potencia a través de otra API (por ejemplo, netsh en Windows).




� Coeficientes de potencia y diferenciales de primer y segundo orden.





Normalización � solución a la heterogeneidad � Normalización � solución a la heterogeneidad en la medida (test en distintos equipos).





Normalización � solución a la heterogeneidad � Normalización � solución a la heterogeneidad en la medida (test en distintos equipos).

� Distintas caracterizaciones por localización �amortiguación de la variabilidad por factores:� Modificación de elementos en el entorno.

� Variación en el tránsito de personas.

� Caídas de APs, cambios en la topología…



� Almacenamiento de características en ficheros HTK para entrenamiento y testeo.




� Construcción de prototipo en JAVA � ventaja de independencia de plataforma (JVM).





� Test del sistema y realimentación para optimizar el rendimiento del sistema.optimizar el rendimiento del sistema.






� Disgregación de módulos e implementación de la comunicación con sockets en JAVA.







� Si hay tiempo � extender funcionamiento a otros dispositivos.







� Si hay tiempo � extender funcionamiento a otros dispositivos.

� En coordinación la segunda solución.


Solución basada en triangulación

� Localizar en el mapa los distintos APs.

� Aún no está definido el algoritmo.

� Buscar un buen modelo de propagación:

� El que mejor funcione (Empírico, semi-empírico, teórico).

� Podemos probar los que ya están ya definidos (COST 231 modelos de propagación en interiores).Podemos probar los que ya están ya definidos (COST 231 modelos de propagación en interiores).

� Un modelo diferente para cada zona.


Solución basada en triangulación

� A partir de 3 medidas del RSSI pertenecientes a 3 APsdistintos de los que se conoce previamente su localización se determina la posición del terminal móvil.

� No es bueno hacerse ilusiones: Difícilmente las 3 circunferencias se cortarán en un punto.

� Divaguemos:� Divaguemos:

� Algoritmo iterativo, que se modifique el coeficiente de pérdidas del modelo…

� Algoritmos de optimización no lineales…


Propuesta de proyecto

� GRACIAS.� GRACIAS.



Estado del Prototipo v1.

Sistema de Localización Móvil en la ETSIIT


Introducción

� Solución final � Reconocimiento de la posición basado en el modelado estadístico de los HMMs por inacción sobre la propuesta clásica de triangulación.


Introducción


� Prototipo puramente software (JAVA) asentado sobre APIs:Medición de potencia: netsh de Windows.� Medición de potencia: netsh de Windows.

� Manipulación de HMMs: HTK.


Introducción


� Prototipo puramente software (JAVA) asentado sobre APIs:Medición de potencia: netsh de Windows.� Medición de potencia: netsh de Windows.

� Manipulación de HMMs: HTK.

� Tres módulos diferenciados:� Cliente del equipo localizable (I4WLoc).

� Cliente del equipo localizador.

� Servidor.


Reconocimiento de la localización

� Front-end � Medición de potencia de APs y manipulación para presentar una estructura al reconocedor estadístico.

� Función de reconocimiento en sí basada en la aproximación estadística de los HMMs � Cada localización modelada por un HMM.localización modelada por un HMM.



� Ráfaga de medidas.

� Tantos estados por HMM como APs en el entorno de localización.

� Alineamiento forzado con Viterbi.

� Coeficientes delta y aceleración.� Coeficientes delta y aceleración.

� Almacenaje en ficheros HTK.

� Restricción de puntos de acceso.


Estado del Prototipo


Evaluación


Evaluación

� 9 puntos de test.

� 5 caracterizaciones por lugar.

� Dos horas de una mañana nublada.

� Problema � Estabilidad de la medición.


Evaluación

� 27 estimaciones.

� 75% de los errores � Último sitio visitado.


Evaluación

� Posible resolución de pocos metros o menos.

� Comunicación entre módulos clientes correcta �Pérdida de conexión con traspaso del equipo móvil de punto de acceso a la red.


Conclusiones y Trabajo Futuro

� Puntos fuertes:� Coste de la solución.

� Portabilidad.

� Robustez en el reconocimiento.

� Usabilidad.



� Puntos fuertes:� Coste de la solución.

� Portabilidad.

� Robustez en el reconocimiento.

� Usabilidad.

Puntos débiles:� Puntos débiles:� Posibilidad de poca resolución � Inclusión de otras características, testeo de otras topologías, etc.

� Posibilidad de alta carga computacional � Estimación de la posición del lado del servidor y algoritmo de interpolación probabilístico.

� Lenta capacidad de refresco y malas estimaciones.



� Diagnóstico y suplantación del sistema de medida de potencia.

� Experimentación con diferentes tipos de HMMs (mezcla de gaussianas, más caracterizaciones por localización, etc).

� Método de interpolación probabilístico para reducción de alta carga computacional y mejora de la resolución alta carga computacional y mejora de la resolución espacial.

� Funcionalidad del reconocimiento del lado del servidor.

� Disgregación del módulo del entrenador y almacenaje de su resultado del lado del servidor.

� Completar portabilidad � Integración de APIs.



� Automatizar la tarea del entrenamiento.

� Eliminación de restricciones temporales del prototipo y mejora de la interfaz.

� Conmutación entre distintos entornos de localización desde la aplicación cliente.

� Experimentación con distintos umbrales de inclusión de APs.

� Soluciona pérdida de conexión del equipo móvil con el traspaso de punto de acceso a la red.

� Inclusión del método de normalización para la amortiguación de la heterogeneidad de tarjetas de red.



� Interrupción del entrenamiento para continuación posterior.

� Agregación de nuevas características � RTT.

� Umbral probabilístico mínimo para emitir una decisión.


Estado del Prototipo v1.

� GRACIAS� GRACIAS


Sistema Estadísticode Localización Indoor

Estado del Proyecto v2.



Fundamento Teórico

� Proyecto de investigación

� Evolución del proyecto

� Uso de modelos ocultos de Márkov (HMMs) (96.3% de acierto)

� Gran coste computacional y baja resolución espacial


Fundamento Teórico



� Uso de modelos ocultos de Márkov (HMMs) (96.3% de acierto)

� Gran coste computacional y baja resolución espacial

� Aumento de resolución espacial sin incrementar el coste computacional

� Uso de redes neuronales

� Método de interpolación espacial basado en

minimización de error cuadrático


Fundamento Teórico



� Estrategia de división de reconocimiento

� Revisión del empleo de HMMs para entrenamiento denso


Fundamento Teórico Actual

� Estado actual del proyecto de investigación

� Fase de entrenamiento (NAPs y L localizaciones)


Fundamento Teórico Actual

� Estado actual del proyecto de investigación

� Fase de reconocimiento (NAps y L localizaciones)


Estado Actual del Prototipo


Estado Actual del Prototipo

� Puntos débiles mejorados

� Posibilidad de mejora del problema de baja resolución (posibilidad de entrenamiento denso por reducción de coste computacional)

� Necesitamos buenos tests (posible mejora en precisión)

� GRAN PROBLEMA ACTUAL� GRAN PROBLEMA ACTUAL

� Problema de implementación de prototipo con netsh. Mal aplicación para la medición de la potencia por baja precisión y mal refresco de los datos

� Dificultad de acceder al RSSI en bajas capas

� Acumulación de errores en entrenamiento y en evaluación que no permiten evaluar el potencial de esta metodología


Sistema Estadístico de Localización

� GRACIAS� GRACIAS


sistema estadístico de localización indoor (presentaciones)

Documents