urČovanie polohy mobilnÝch stanÍc vo vnÚtri budov …diplom.utc.sk/wan/1295.pdf · 2007. 9....

ŽILINSKÁ UNIVERZITA V ŽILINE ELEKTROTECHNICKÁ FAKULTA

Katedra telekomunikácií

URČOVANIE POLOHY MOBILNÝCH STANÍC VO VNÚTRI BUDOV

PETER HRIŇÁK

2007

Určovanie polohy mobilných staníc vo vnútri budov

DIPLOMOVÁ PRÁCA

PETER HRIŇÁK

ŽILINSKÁ UNIVERZITA V ŽILINE

Elektrotechnická fakulta


Študijný odbor: RÁDIOKOMUNIKAČNÁ TECHNIKA

Vedúci diplomovej práce: Ing. Peter Brída, PhD.

Stupeň kvalifikácie: inžinier (Ing.)

Dátum odovzdania diplomovej práce: 18.6.2007

ŽILINA 2007

ABSTRAKT

Práca je zameraná na realizáciu algoritmov lokalizácie mobilnej stanice

založených na viacerých fyzikálnych princípoch. Obsahuje taktiež delenie

lokalizačných metód a princíp šírenie vĺn vnútri budov s ohľadom na lokalizáciu.

ANOTAČNÝ ZÁZNAM – DIPLOMOVÁ PRÁCA

Priezvisko a meno: Hriňák Peter Školský rok: 2006/2007

Názov práce: Určovanie polohy mobilných staníc vo vnútri budov

Počet strán: 42 Počet obrázkov: 22 Počet tabuliek: 2

Počet grafov: 2 Počet príloh: 12 Použitá literatúra: 16

Anotácia v slovenskom jazyku:

Práca je zameraná na realizáciu algoritmov lokalizácie mobilnej stanice

založených na viacerých fyzikálnych princípoch. Obsahuje taktiež delenie

lokalizačných metód a princíp šírenie vĺn vnútri budov s ohľadom na lokalizáciu.

Anotácia v anglickom jazyku:

This diploma is intent on realization of mobile station localization methods

based on various physical principles. It contains separation of localizations methods

and wave propagation principle for indoor environment with reference to

localization.

Kľúčové slová:

Lokalizácia, RSS, AoA, ToA, TDoA, fingerprint, cell-ID, ray-tracing,

simulácia šírenia vĺn, váhovanie

Vedúci práce: Ing. Peter Brída, PhD.

Recenzent práce: doc., Ing. Ľubomír Doboš, CSc.

Dátum odovzdania práce: 18.5.2007

Obsah iii

OBSAH

Obsah..................................................................................................................iii

Zoznam obrázkov .............................................................................................. iv

Zoznam tabuliek .................................................................................................v

Zoznam použitých skratiek a symbolov ..........................................................vi

1 Úvod..................................................................................................................1

2 Šírenie rádiových vĺn.......................................................................................3

2.1 Dojlúčový model šírenia rádiových vĺn, základný empirický model.........6

2.2 Multi – wall model .....................................................................................8

2.3 Ray tracing..................................................................................................8

2.4 Ďalšie modely šírenia vĺn vnútri budov....................................................10

3 Metódy lokalizácie ........................................................................................11

3.1 Lokalizácia na základe určenia príslušnosti k bunke ...............................11

3.2 Lokalizácia na základe úrovne prijatého signálu - RSS ...........................12

3.3 Lokalizácia na základe času šírenia signálu – ToA..................................17

3.4 Lokalizácia na základe uhlu smeru prijatého signálu – AoA...................20

3.5 Metóda postupného výpočtu polohy ........................................................22

3.6 Lokalizácia na základe porovnávania zhody obrazca ..............................23

4 Simulácie lokalizačných metód ....................................................................25

4.1 Simulácia šírenia EM vĺn - Radiwave Propagation Simulator RPS-v5.3 25

4.2 Simulácia šírenia elektromagnetických vĺn pre RSS – fingerprint ..........26

4.3 Simulácia šírenia elektromagnetických vĺn pre ToA a TDoA .................28

4.4 Lokalizačný algoritmus RSS - fingerprint................................................29

4.5 Lokalizačný algoritmus ToA....................................................................35

4.6 Lokalizačný algoritmus TDoA.................................................................39

5 Záver...............................................................................................................42

Použitá literatúra..............................................................................................43

Zoznam obrázkov iv

ZOZNAM OBRÁZKOV

Obr. 2.1 Značenie rádiových pásiem................................................................................3

Obr. 2.2 Odraz a prienik vĺn.............................................................................................4

Obr. 2.3 Rozptyl vĺn .........................................................................................................4

Obr. 2.4 Dvojcestné šírenie ..............................................................................................6

Obr. 2.5 Ray tracing .........................................................................................................9

Obr. 3.1 Metóda Cell ID.................................................................................................12

Obr. 3.2 Metóda RSS......................................................................................................13

Obr. 3.3 Úniky signálu ...................................................................................................15

Obr. 3.4 Metóda fingerprint............................................................................................16

Obr. 3.5 LoS a NLoS šírenie ..........................................................................................18

Obr. 3.6 Metóda TDoA .................................................................................................19

Obr. 3.7 Meranie časového oneskorenia ........................................................................20

Obr. 3.8 Metóda AoA.....................................................................................................22

Obr. 3.9 Sledovanie pohybu bodu ..................................................................................23

Obr. 4.1 Príklad časti matice obsahujúcej polohy prijímačov........................................28

Obr. 4.2 Príklad časti matice obsahujúcej reálne, resp. imaginárne zložky komplexnej

magnitúdy prijatého signálu....................................................................................28

Obr. 4.3 Prehľad matíc generovaných RPS po úprave a ich vzťahy..............................29

Obr. 4.4 Príklad časti upravenej matice prijatých signálov............................................30

Obr. 4.5 Princíp výberu bodov do databázy vzoriek signálu .........................................31

Obr. 4.6 Závislosť priemernej odchýlky od konštanty a ................................................33

Obr. 4.7 Závislosť presnosti lokalizácie od počtu bodov, ktoré berieme do úvahy .......34

Obr. 4.8 Popis kružnice bodmi rastra .............................................................................38

Zoznam tabuliek v

ZOZNAM TABULIEK

Tab. 4.1 Vysvetlivky k exportu statických dát ako ASCII do viacerých súborov .........27

Tab. 4.2 Načítavanie súborov do premenných ...............................................................31

Tab. 4.3 Porovnanie porovnávacích funkcií...................................................................33

Tab. 4.4 RMSE pre rôzne váhy ......................................................................................35

Tab. 4.5 Ukladanie dát do súborov.................................................................................36

Tab. 4.6 Závislosť priemernej odchýlky pri určovaní polohy MS na základe ToA od

prahovej úrovne signálu..........................................................................................39

Tab. 4.7 Závislosť priemernej odchýlky pri určovaní polohy MS na základe TDoA od

prahovej úrovne signálu..........................................................................................41

Zoznam použitých skratiek a symbolov vi

ZOZNAM POUŽITÝCH SKRATIEK A SYMBOLOV

AoA Angle of Arrival Ohol dopadu signálu

ASCII Acronym for American Standard Code Skratky pre US štandardný kód

BTS Base Transceiver Station Základňová vysielacia stanica

cell Údajový typ bunka

Cell ID Cell Identification Identifikácia bunky

corr2 Korelačná funkcia

EHF Extremely High Frequencies Extrémne krátke vlny

GPS Global Positioning System Globálny lokalizačný systém

HF High Frequencies Krátke vlny

char Údajový typ znak

integer Údajovy typ cele číslo

LBS Local Based Services Služby na základe pozície

LF Low Frequencies Dlhé vlny

LoS Line of Sight Priamy dovid

MF Medium Frequencies Stredné vlny

MNŠ Metóda najmeších štvorcov

MS Mobilná stanica

NLoS Non Line Of Sight Bez priameho dovidu

RFID Radio-Frequency Identification Rádiofrekvenčná identifikácia

RSS Recieved Signal Strength Úroveň prijatého signálu

Rx Receiver Prijímač

SHF Super High Frequencies Super krátke vlny

Zoznam použitých skratiek a symbolov vii

TDoA Time Different of Arrival Rozdiel času príchodu signálov

ToA Time of Arrival Čas príchodu signálu

Tx Transceiver Vysielač

UHF Ultra High Frequencies Ultra krátke vlny

VF Vysoké frekvecie

VHF Very High Frequencies Veľmi krátke vlny

VLF Very Low Frequencies Veľmi dlhé vlny

ZS Základňová stanica

ε permitivita materiálu

µ permeability materiálu

[X, Y] vektor súradníc skutočnej polohy MS

[x, y] vektor súradníc MS určený výpočtom

[xi, yi] vektory polôh stredov kružnic, i = 1, 2, 3

a mocnina v MNŠ

A, B matice rozmerov m, n

b konštanta nelinearity prechodu viacerými podlažiami

d vzdialenosť MS a ZS

d0 Fressnelova vzdialenosť

d1 referenčná vzdialenosť

Gp zisk prijímacej antény

Gv zisk vysielaciej antény

h1 výška vysielacej antény

h2 výška prijímacej antény

kf počet podlaží, kt. pretína spojnica MS a ZS

kwi počet priečok, kt. pretína spojnica MS a ZS

Zoznam použitých skratiek a symbolov viii

L straty šírením, v kapitole 3.2 systémové straty

L1 referenčný útlm

Lf činiteľ útlmu podlažia

Lwi činiteľ útlmu priečky

n koeficient útlmu

Pp prijatý výkon

Pv vysielaný výkon

r koeficient korelácie vektorov MNŠ

r1, r2, r3 polomery kružníc

rx polomer kružnice so stredom v ZSx

ti, tj, tk čas šírenia signálu od ZSi, j, k k MS

TS tlmenie šírením

tx čas šírenia signálu od ZSx k MS

W1, W2, W3 váhy

Xσ náhodná premenná

α uhol dopadu, odrazu vlny

β uhol prieniku vlny

λ vlnová dĺžka


1

1 ÚVOD

Donedávna bol medzi klientmi bezdrôtových sietí dopyt spravidla po len

jednom type telekomunikačnej služby – prenose hlasu. Nasadzovaním digitálnych

sietí však poskytovatelia týchto služieb dokázali ľahko rozšíriť ponuku ponúkaných

produktov o prenos dát. Vznikla taktiež požiadavka, na malé, ľahko spravovateľné

siete s dostatočnou prenosovou kapacitou. Ako odpoveď sa ukázalo byť jedno

z vývojových štádií bunkových sietí: ad-hoc. Ad-hoc siete dokážu splniť

požiadavky dostatočnej prenosovej kapacity, so svojou dynamickou topológiou sú

nenáročné na správu a v konečnom dôsledku sú aj technické prostriedky dostupné

za prijateľné ceny. Rozširovaním spektra služieb poskytovateľmi vznikla

požiadavka na lokalizáciu mobilnej stanice (MS). Vznikol totiž priestor na

poskytovanie služieb závislých od známej polohy MS – LBS (Local Based

Services). V mojej diplomovej práci som sa zaoberal určovaním polohy MS

v špecifickom prostredí - vo vnútri budov, konkrétne pre priestory Katedry

telekomunikácií Elektrotechnickej fakulty Žilinskej univerzity v Žiline.

Na začiatku mojej práce na tomto probléme som sa venoval analýze riešení

iných tímov, ktoré sa venovali danej problematike. Samozrejmosťou by sa zdalo

postaviť základy môjho riešenia na už fungujúcom lokalizačnom systéme. Žiaden

z nich však nie je navrhovaný pre vnútro budov. Napr. GPS (Global Positioning

System) je v tomto prípade nepoužiteľné. Nedokáže dosiahnuť dostatočnú presnosť.

Systém RADAR spoločnosti Microsoft [1] je založený na metóde RSS (Received

Signal Strength) – fingerprint (kap.3.2) a mohol by spĺňať požiadavky na presnú

lokalizáciu vnútri budov. Microsoft si však svoje know-how stráži, venoval som sa

preto štúdiám pracovníkov iných univerzít a laboratórií. Principiálne

najjednoduchšou metódou je lokalizácia na základe RSS (kap. 3.2). Autori v [2] sa

venovali aplikovaniu tejto metódy na štandard bluetooth. Pre jednu miestnosť

s tromi bluetooth prístupovými bodmi dosahovali presnosť 2,06 m. Azda

najrozšírenejšou metódou bola lokalizácia založená na RSS – fingerprint (kap. 3.2)

v sieti založenej na štandarde 802.11. Riešená je napr. v [3], pričom dosahovali pri

praktických meraniach priemernú odchýlku približne 3,5 m. Podobnú metódu

aplikovali na viacpodlažnú budovu v [4]. Pri odhade poschodia, na ktorej sa


2

nachádza MS dosahovali presnosť až 100%, chyba lokalizácie bola 4,7 m. Ako

veľmi perspektívna metóda sa vďaka svojej jednoduchosti javí byť lokalizácia

použitím RFID (Radio-Frequency Identification). Vyžaduje však dobudovanie

dodatočnej infraštruktúry (čítačiek RFID), čo predstavuje samozrejme ďalšie

náklady. Autori sa jej venujú napr. v [5], pričom svojou neštandardnou metódou

dosiahli vynikajúcu presnosť 0,7 metra. Od klasickej koncepcie založenej na RSS

sa odkláňajú práce založené na meraniach rýchlosti šírenia zvuku. V [6]

vypracovali metódu , ktorá dokáže MS lokalizovať pri 97% meraniach s odchýlkou

menšou ako 0,6 m. Ďalšími netypickými formami lokalizácie sú tie, ktoré sú

založené na metóde fingerprint v optickej [7], respektíve IR (Infra Red) oblasti [8].

Vývoju takéhoto systému sa venujú napr. na Rudgers University, resp. Osaka

University.

Na základe vedomostí, ktoré som získal štúdiom týchto a mnohých ďalších

prác a inej literatúry som sa na úvod mojej práce rozhodol rozdeliť metódy

lokalizácie podľa ich princípu. Popisujem taktiež problematiku šírenia

elektromagnetických vĺn vo vnútri budov a niektoré modely šírenia. Mojim

hlavným cieľom bolo realizovať simulačný model lokalizačného algoritmu

založeného na metóde RSS – fingerprint so zlepšením presnosti použitím váhovania

(kap. 4.4). Keď som narazil na prah presnosti tejto metódy pokúsil som sa

dosiahnuť lepšie výsledky použitím metód založených na meraní času šírenia vĺn.

Navrhol som teda algoritmy lokalizácie na báze ToA (kap. 4.5) a TDoA (kap. 4.6).


3

2 ŠÍRENIE RÁDIOVÝCH VĹN

Spôsob šírenia rádiových vĺn závisí hlavne od frekvencie [9]. Od nej závisí,

ako sa bude vlna odrážať, rozptyľovať, ohýbať a tlmiť. Pri realizácií ad-hoc sietí sa

spravidla používajú frekvencie pásma UHF. Označenie rádiových pásiem pozri

obr. 2.1.

Obr. 2.1 Značenie rádiových pásiem

Vlny v pásme UHF sa šíria priestorovou vlnou, ktorá sa šíri v priestore nad

zemským povrchom. Dôvod výberu tohto frekvenčné pásma je vhodnosť týchto

frekvencií pre danú telekomunikačnú prevádzku, relatívne malé straty šírením,

dobrá schopnosť odrážať sa, ohýbať a prenikať zástavbou. Vo vnútri budov bude

šírenie ohybmi, rozptylmi a prienikmi (NLoS), okrem šírenia na priamu viditeľnosť

(LoS) dôležitou súčasťou mechanizmu šírenia elektromagnetických vĺn.

Odraz vĺn nastáva vtedy, ak vlnová dĺžka žiarenia je omnoho väčšia ako

rozmery prekážky [10]. Podľa vlastností materiálu prekážky (ε, µ) potom môže

dôjsť nielen k odrazu, ale aj k prechodu vlny prekážkou, pozri obr. 2.2 a vzťah

(2.1).

VLF LF MF HF VHF UHF SHF EHF

3kHz 30kHz 300kHz 3MHz 30MHz 300MHz 3GHz 30GHz 300GHz

100 km 10 km 1 km 100 m 10 m 1 m 10 cm 1 cm 1 mm


4

Obr. 2.2 Odraz a prienik vĺn

sin α

sin β= ε1 µ1ε2 µ2 (2.1)

Ohyb vĺn [10] nastáva, ak žiarenie dopadá na prekážku, ktorej rozmery sú

porovnateľné s vlnovou dĺžkou žiarenia.

Rozptyl vĺn [10] nastáva na prekážkach omnoho menších, ako je vlnová

dĺžka žiarenia, viď pozri obr.2.3.

Obr. 2.3 Rozptyl vĺn

Spomenuté javy nepriaznivo vplývajú na telekomunikačnú prevádzku.

V niektorých prípadoch sú však žiaduce. Napríklad vo vnútri budov je väčšina

spojení realizovaných bez priamej viditeľnosti, čiže výhradne na základe

spomenutých javov.


5

Pre potreby vytvorenia modelov šírenia je vhodné definovať kategórie

prostredí, pre ktoré budeme predpokladať aplikovanie systému. Spravidla sa jedná

o bunkové siete, kde polomer bunky je závislý na prostredí, telekomunikačných

parametroch navrhovanej siete a ďalších podmienkach. Podľa [9] klasifikujeme

bunky nasledovne:

makrobunka (makrocell) – pevná anténa je umiestnená nad úrovňou striech

zástavby; polomer bunky sa pohybuje medzi 1 až 30 km.

mikrobunka (microcell) – pevná anténa je umiestnená pod úrovňou striech

okolitej zástavby; polomer bunky je typicky 100 až 1000m.

pikobunka (pikocell) – pevná anténa je umiestnená v uzavretom interiéri, t.j.

vo vnútri kancelárskej budovy, v nákupnej hale, alebo v polootvorených

prístreškoch autobusových nástupiští, pričom rozmery buniek dosahujú rádovo

desiatky metrov.

Šírenie vo vnútri budov (v pikobunkách) je z hľadiska zložitosti popisu

šírenia najkomplikovanejší prípad [9]. Spôsobené je to množstvom faktorom

vplývajúcim na prenos, ktoré sme nútený brať do úvahy. Vlny sa totižto šíria

priamo, ale aj odrazmi, ohybmi a prechodmi cez prekážky. Do riešenia musíme

zahrnúť nielen konkrétnu budovu, ale aj jej vybavenie, prípadne okolitú zástavbu,

od ktorej sa môže vlna odrážať a vplývať tak spätne na signál v budove. Existuje aj

ďalší výpočet faktorov, ktoré vplývajú na šírenie vĺn vo vnútri budov, ako sú napr.

dvere (zatvorené – otvorené), podobne okná, pohybujúci sa ľudia, nábytok, zmena

vlhkosti, teploty prostredia atď.. Väčšina z týchto faktorov je takmer neopísateľná.

Ťažko opísateľným sa stáva aj signál, šíriaci sa v chodbách, šachtách, schodištiach

a pod., kde sa môže silne uplatňovať vlnovodový efekt. Tento efekt spôsobuje, že

úroveň signálu takmer vôbec neklesá s rastúcou vzdialenosťou od zdroja. Medzi

dôležité javy, ktoré vplývajú na vlastnosti rádiového kanála patrí aj Dopllerov efekt

[11], ktorý popisuje ovplyvňovanie vlny pri pohybe MS. Vo vnútri budov je však

pohyb MS pomalý, čiže aj vlny sú ovplyvnené minimálne a môžeme teda tento jav

zanedbať.


6

2.1 Dvojlúčový model šírenia rádiových vĺn, základný empirický

model

Dvojlúčový model šírenia vĺn [11] môžeme považovať za jednoduchý

východiskový model, ktorým dokážeme opísať šírenie vĺn vo voľnom priestore nad

rovinou. Výsledný prijatý signál je tvorený súčtom dvoch vĺn – vlny, ktorá sa šírila

priamo a odrazenej vlny, ako je zobrazené na obr. 2.4.

Obr. 2.4 Dvojcestné šírenie

Keď sledujeme aproximáciu závislosti útlmu signálu od vzdialenosti od

vysielača, zistíme, že klesá približne 20 dB na dekádu, pričom toto platí do istej

vzdialenosti. Potom sa tento pokles mení na 40 dB na dekádu. Tento bod nazývame

Fresnelov zlom. Nachádza sa v takej vzdialenosti od vysielača, v ktorom je dráhový

rozdiel priameho a odrazeného lúča rovný polovici vlnovej dĺžky [9]. Pri malých

výškach antén, čo je aj náš prípad túto vzdialenosť zistíme podľa vzťahu (2.2) :

d 0=4 h1h2

λ (2.2)

,kde d0 Fresnelova vzdialenosť (m)

h1, h2 výšky antén (m)

λ vlnová dĺžka (m)


7

Podobne môžeme modelovať aj šírenie v komplikovanejšom prostredí. Ak

predpokladáme útlm signálu, úmerný n-tej mocnine vzdialenosti, môžeme straty

opísať:

L d =L1d 10n log dd 1 (2.3)

,kde L straty šírením [dB]

d vzdialenosť ZS a MS [m]

d1 referenčná vzdialenosť [m]

L1 referenčný útlm v referenčnej vzdialenosti [dB]

n koeficient útlmu

Referenčná vzdialenosť sa volí spravidla jednotková. Orientačnú hodnotu

referenčného útlmu môžeme získať zo vzťahu pre tlmenie voľným šírením:

L1d 1=10log[4πd1λ 2

] (2.4)

,kde λ vlnová dĺžka [m]

d1 referenčná vzdialenosť [m]

L1 referenčný útlm v referenčnej vzdialenosti [dB]

Hodnota n pre priamu viditeľnosť medzi MS a ZS vo vnútri budov je 1,6 až

1,8. Ak medzi MS a ZS neexistuje priama viditeľnosť, hodnota n sa pohybuje

medzi 3 až 6.


8

2.2 Multi – wall model

Omnoho sofistikovanejší a presnejší model šírenia signálu v pikobunkách

predstavuje Multi – wall model [9]. Jedná sa o semi-empirický model. Na rozdiel

od predchádzajúceho modelu berie pri predikcií signálu do úvahy aj steny a ďalšie

prvky interiéru. Za jeho nevýhodu môžeme považovať fakt, že nedokáže simulovať

prostredie podobné vlnovodu, čiže nedokáže správne opísať signál v dlhých

chodbách, schodištiach a podobne. Celkové straty šírením podľa Multi – wall sú:

L d =20 log4πdλ ∑i kwi Lwik f

k f2

k f1−b

L f

(2.5)

,kde L(d) celkový útlm v [dB]

d vzdialenosť MS a ZS [m]

λ vlnová dĺžka v [m]

kwi počet priečok, ktoré pretína spojnica ZS a MS

Lwi činiteľ útlmu priečky [dB]

kf počet podlaží, ktoré pretína spojnica MS a ZS

Lf činiteľ útlmu prechodu podlažim [dB]

b konštanta nelinearity prechodu viacerými podlažiami

Konštanta b je východiskovo 0,46. S narastajúcim počtom podlaží rastie, pri

prechode menej ako 3 podlažiami môžeme exponent zanedbať a uvažovať lineárnu

závislosť kfLf.

2.3 Ray tracing

Ako spomínam v predchádzajúcich kapitolách, opis šírenia

elektromagnetických vĺn vo vnútri budov je veľmi zložitý proces. Rozhodol som sa


9

preto nepoužiť v mojej diplomovej práci častejšie používané modely šírenia

rádiových vĺn. Použil som Ray tracing (sledovanie vĺn) [12].

Ray tracing pracuje na princípe sledovanie vlny zo smeru od prijímača

k vysielaču. V skutočnosti sa vlna samozrejme šíri naopak, preto túto metódu

nemôžeme považovať za fyzikálny model. Takéto sledovanie vlny je principiálne

veľmi jednoduché, jeho algoritmus je však náročný na výpočtovú kapacitu systému.

Napriek svojej jednoduchosti, vykazuje Ray tracing výborné výsledky pri predikcií

signálu v zložitom prostredí.

Princíp metódy je, ako som už spomenul, sledovať lúč signálu od MS k ZS.

Metóda pritom berie do úvahy odraz, rozptyl, ohyb, prechod cez prekážku, ako aj

tlmenie šírením. Algoritmus je rekurzívny. Keďže signál sa v takom zložitom

prostredí, ako je vnútro budov, šíri viacerými cestami, prijatý signál pre danú MS

bude tvorený súčtom signálov z týchto ciest. Na obr. 2.5 sú zobrazené lúče, ktoré

algoritmus vysledoval v modelovej miestnosti pre 54 prijímačov v rastri

s rozostupom bodov 1 m.

Obr. 2.5 Ray tracing


10

2.4 Ďalšie modely šírenia vĺn vnútri budov

V súčasnosti máme pri simuláciách šírenia rádiových vĺn k dispozícií

viacero modelov [9]. Líšia sa v presnosti, náročnosti na výpočet, vo vhodnosti pre

dané prostredie, atď.. Záleží na potrebách návrhára, ktorý z modelov si vyberie, ako

najvhodnejší pre konkrétnu aplikáciu. V mojej diplomovej práci som sa pre

obmedzený priestor venoval len tomu, čo bolo potrebné pre riešenie môjho zadania

diplomovej práce.


11

3 METÓDY LOKALIZÁCIE

Definovať polohu objektu - lokalizovať objekt, znamená určiť jeho polohu

v známych súradniciach. V ideálnom prípade v globálnych súradniciach, aby bolo

možné polohu objektu konfrontovať s polohou iných objektov, niekedy je pre danú

aplikáciu vhodnejšie, resp. je jediné možné, určiť polohu v lokálnych súradniciach.

Lokálne súradnice popisujú len obmedzenú plochu. Väčšinou je nám však známy

vzťah globálnych a lokálnych súradníc, je teda možné prerátať polohu medzi

jednotlivými štandardami.

Vo všeobecnosti môžeme lokalizačné metódy, podľa podielu na samotnom

lokalizačnom procese, rozdeliť na metódy realizované sieťou, realizované MS a

metódy s asistenciou MS [13]. Lokalizačný proces môžeme chápať ako 2

samostatné procesy: meranie a výpočet predpokladanej polohy. V prvom prípade

prebieha meranie aj výpočet v sieti. Preto sa samozrejme predpokladá, že sieť bude

schopná realizovať oba kroky. V druhom prípade prechádza problém meranie a

výpočtu polohy na MS. Zväčšia sa tým nároky na jej vlastnosti, s čim sú spojené

zväčšené rozmery, zložitosť, spotreba, atď.. V poslednom prípade MS síce prevádza

merania nevyhnutné pre lokalizáciu, avšak ich výsledky odošle sieti ZS. Až sieť ZS

vykoná výpočty polohy.

Samotné určovanie polohy môže byť založené na viacerých princípoch.

Budem sa nimi zaoberať v nasledujúcich podkapitolách.

3.1 Lokalizácia na základe určenia príslušnosti k bunke

V niektorej literatúre známa tiež ako Cell-ID. Už z názvu by sme mohli

dedukovať príslušnosť tejto metódy k bunkovým sieťam, nie je to však

podmienkou. Princíp je veľmi jednoduchý. Zjednodušene naznačený na obr. 3.1 a).

Každý vysielač má dosah limitovaný svojim vysielacím výkonom, prostredím

a ďalšími faktormi. Plocha, ktorú ohraničuje dosah jedného vysielača nazvime

bunka. Ak niekoľko vysielačov pokrýva väčšiu plochu, dokážeme identifikovaním


12

vysielača, ktorého signál MS prijíma, určiť bunku, čiže plochu, kde sa MS

nachádza. V celulárnych sieťach sa často využívajú sektorové antény. Princíp

ostáva rovnaký, pozri obr. 3.1 b).

a) b)

Obr. 3.1 Metóda Cell ID

Metóda si našla uplatnenie hlavne v bunkových sieťach, kde bola aj

štandardizovaná ako Cell-ID. Pre lokalizáciu v budovách do tejto skupiny metód

radíme napr. lokalizáciu použitím RFID (Radio-frequency identification).

3.2 Lokalizácia na základe úrovne prijatého signálu - RSS

Metóda RSS je založená na predpoklade, že signál je pri prenášaní rádiovým

kanálom ovplyvnený hlavne tlmením šírením [11]. Tento jav môžeme

v jednoduchom prípade opísať Friisovym vzťahom:

Ppd =Pv GvGpλ

2

4π 2d 2L (3.1)

,kde Pp prijatý výkon [W]

Pv vysielaný výkon [W]


13

d vzdialenosť vysielacej a prijímacej antény [ m]

Gv, Gp zisk vysielacej a prijímacej antény [-]

L systémové straty (nesúvisia so šírením signálu) [-]

λ vlnová dĺžka signálu [m]

Z Friisovho vzťahu je možné ľahko odvodiť vzťah pre výpočet vzdialenosti

vysielača a prijímača. Podmienkou je, že sú známe vlastnosti systému, čiže hodnoty

Gv, Gp, λ, L. Predpokladajme, že máme k dispozícií viacero ZS s prijímačmi so

známou polohou a že MS tvorí vysielač (obr.3.2). MS vysiela časovo nemenný

signál na známej frekvencií. Na základe meraní úrovne prijatého signálu môžeme

odhadnúť vzdialenosť vysielača (MS) od každého prijímača (ZS). Okolo každej ZS

vznikne kruh, ktorého polomerom bude odhadnutá vzdialenosť MS a ZS z

Friisovho vzťahu (3.1). Podmienkou správneho určenia polohy je, aby v dosahu

vysielača MS boli minimálne 3 ZS. V priesečníku týchto kružníc sa nachádza ZS.

ZS a MS si môžu zameniť funkcie vysielača, resp. prijímača. Princíp lokalizácie

ostáva rovnaký. Teoreticky je možné RSS zmerať aj rozdiel síl prijatých signálov,

čím by sme boli schopný použiť diferenciálnu metódu s prekrytím hyperbol, v praxi

sa však spája len s meraním času, preto tejto metóde venujem v kapitole 3.3.

Obr. 3.2 Metóda RSS

Tento model však musíme považovať za teoretický. V reálnych

podmienkach je totiž rádiový kanál ovplyvnený viacerými typmi úniku [9]. Medzi

dlhodobé úniky, okrem spomenutého tlmenia šírením patrí aj tlmenie tienením.


14

Tlmenie tienením má logaritmicko – normálne rozdelenie okolo strednej hodnoty

útlmu závislej od vzdialenosti.

TS d =TS d X σ (3.2)

,kde Xσ náhodná premenná s Gaussovym rozdelením a nulovou

strednou hodnotou, predstavujúci tlmenie tienením

TS(d) celkové dlhodobý únik

TS(d) tlmenie šírením

Okrem dlhodobých únikov pôsobí na signál aj krátkodobý únik. Spôsobujú

ho 2 mechanizmy: viaccestné šírenie a Dopplerovo rozšírenie signálu. Viaccestné

šírenie signálu má za následok, že sa k prijímaču dostane signál po viacerých

trasách s rôznou dĺžkou šírenia a teda aj s rôznou fázou signálu. V prijímači potom

dochádza k interferencií týchto signálov. Dopplerov efekt sa prejavuje pri

pohybujúcich sa MS. Jeho dôsledkom je frekvenčný posun prijímaného signálu. V

kombinácií s viaccestným šírením vznikajú interferenčné signály, ktoré sa prejavujú

ako krátkodobé kolísanie amplitúdy signálu, čo v konečnom dôsledku zavádza

chybu do merania RSS.


15

Obr. 3.3 Úniky signálu

Z výpočtu matematicky exaktne neopísateľných vplyvov vyplýva, že

metóda merania vzdialenosti založená na RSS je značne nepresná. Pre porovnanie

veľkosti vplyvov jednotlivých útlmov uvádzam priebehy útlmov v závislosti na

vzdialenosti od vysielača na obr. 3.3. Za dostatočne presnú by sme ju mohli

považovať pre otvorené priestranstvá, kde je tlmenie šírením dominantnou zložkou

celkového tlmenia. Presnosť lokalizačnej metódy RSS je možné zväčšiť zvýšením

počtu ZS. Pri vyššom počte údajov vzdialenosti MS – ZS je možné vyselektovať

zjavne chybné merania.

Ďalšou cestou, ako zvýšiť presnosť tejto metódy je použitie metódy

fingerprint (odtlačok), ktorá je vlastne kombináciou RSS a metódy lokalizácie


16

založenej na zhode obrazca popisovanej v kapitole 3.5. Táto metóda umožňuje

aplikovať RSS aj pre prostredie vo vnútri budov, pre ktoré by bola inak

nepoužiteľná.

Princíp tejto metódy lokalizácie je nasledovný: Zariadením, ktoré je schopné

scanovať úroveň signálu VF vysielačov, rozlíšiť ich od seba a zároveň čo

najpresnejšie určiť svoju polohu vypracujeme databázu polôh a súhrn vysielačov v

dosahu s úrovňami signálov. Takúto databázu je možné vypracovať bez použitia

takéhoto zariadenia len matematicky, princípom zhodným s RSS, opísaným

v úvode kapitoly, prípadne použitím modelov šírenia vĺn (pozri kapitolu 2), za cenu

zníženia praktickej presnosti. MS v samotnom lokalizačnom procese prevedie scan

VF vysielačov a porovnaním s údajmi z databázy určíme polohu MS. Presnosť je

limitovaná vzdialenosťami bodov z databázy. Dá sa zväčšiť tak, že za polohu MS

nebude braný bod z databázy s najväčšou zhodou VF scanu, ale budeme brať do

úvahy viaceré body databázy, ktoré sa svojim VF scanom podobajú vyhotovenému

MS. Systémom váh, ktoré závisia od porovnávacích funkcií jednotlivých položiek v

databáze, sa potom konečná poloha upraví medzi tieto body (obr. 3.9). Nebude teda

limitovaná bodmi v rastri, čím sa zvýši teoretická presnosť metódy.

Obr. 3.4 Metóda fingerprint


17

Možnosť aplikovateľnosti tejto metódy do už existujúcich systémov je

veľká. Limitujúcim faktorom je však jej nepresnosť.

3.3 Lokalizácia na základe času šírenia signálu – ToA

ToA (Time of Arrival) je veľmi presnou metódou na meranie vzdialenosť a

nepriamo teda aj polohy, je meranie času šírenia signálu [13]. Je známe, že rýchlosť

šírenia elektromagnetických vĺn c ovplyvňuje materiál, v ktorom sa tieto vlny šíria.

Pre šírenie elektromagnetických vĺn pozemných dátových sietí, na ktoré

predpokladáme aplikovanie tejto metódy, tvorí vzduch vždy najväčšiu časť

prostredia, ktorým sa vlna šíri. Nepresnosti spôsobené rozdielnym oneskorením

signálu šíriacim sa v inom prostredí môžeme preto považovať za minimálne. Chybu

do merania samozrejme vnáša viacnásobné šírenie signálu.

Predstavme si jednoduchú situáciu, že MS a ZS sú rozostavené podľa obr.

3.4. Na obr. 3.4 a) sa signál šíri LoS aj NLoS cestou. Ak v praxi použijeme prijímač

rake, dokážeme určiť, ktorý signál je najrýchlejší, čiže sa šíri LoS cestou.

Oneskorenie signálu bude potom zodpovedať vzdialenosti MS a ZS a ak bude

použité pri procese lokalizácie, výsledok nebude ovplyvnený chybou. Na obr. 3.4 b)

modelujem situáciu, pri ktorej vstúpila medzi MS a ZS prekážka, cez ktorú sa

nemôžu šíriť elektromagnetické vlny. Môžu sa však šíriť odrazom, rovnako ako

v prvom prípade. Aj keď použijeme prijímač rake, dokážeme určiť len oneskorenie

signálu šírením, ktoré zodpovedá vzdialenosti šírenia signálu, nie však vzdialenosti

MS a ZS. Výsledok výpočtu teda bude nepresný a ak bude použitý na lokalizáciu

MS, zavedie do výsledku chybu. [9]


18

Obr. 3.5 LoS a NLoS šírenie

Ak dokážeme zmerať LoS signál medzi tromi ZS a MS, dokážeme

jednoducho určiť presnú polohu MS v priesečníku troch kružníc.

Modifikovanou verziou ToA je TDoA (Time Difference of Arrival) [13]. Už

z názvu je zrejmé, že princípom bude meranie rozdielu časov príchodov signálov do

jednotlivých ZS. Medzi dvomi ZS vznikne fiktívna krivka (hyperbola). Ak sa bude

MS nachádzať na akomkoľvek bode hyperboly, bude vždy rozdiel časov príchodov

signálov do ZS konštantný. Základná definícia hyperbolickej funkcie hovorí o

dvoch krivkách funkcie. Jedna platí pre r1 – r2 = d, druhá pre r2 – r1 = d. My však

vieme rozlíšiť, ku ktorej ZS dorazí signál skôr a môžeme preto uvažovať len jednu

krivku. Poloha MS potom bude určená priesečníkom 2 hyperbol, ktoré získame

meraním rozdielov časov príchodov napr. medzi ZS1-ZS2 a ZS2 – ZS3, pozri

obr. 3.5.


19

Obr. 3.6 Metóda TDoA

Aj samotné meranie času šírenia signálu je možné realizovať viacerými

spôsobmi. Ak by bol signál reprezentovaný len impulzom, bolo by možné merať

rozdiel časov medzi nábežnou hranou impulzu vo vysielači a v prijímači, pozri

obr. 3.6 a) Tento systém je používaný napr. V GSM, kde za nábežnú hranu impulzu

môžeme považovať začiatok časového okna v TDMA [13].

Najjednoduchším signálom vhodným pre VF prenos je signál so sínusovým

priebehom. Tu je veľmi ľahké zistiť fázový rozdiel medzi prijatým a referenčným

signálom, obr. 3.6 b). Referenčný signál pritom musí byť synchronizovaný s

ostatnými ZS. Maximálna vzdialenosť MS a ZS, ktorú je systém schopný korektne

určiť je limitovaný vlnovou dĺžkou signálu. Tá musí byť veľmi nízka a vyvstáva

potom problém s veľkosťou antén. Jeden zo systémov založených na tomto princípe

je GPS [14].


20

Obr. 3.7 Meranie časového oneskorenia

Meranou veličinou nemusí byť fáza nosnej, ale napríklad fáza

namodulovanej informácie (obr. 3.6), povedzme postupnosti kódu. Princíp taktiež

spočíva v meraní fázového posunu oproti referenčnému signálu, frekvencia nosnej

však nemusí byť limitujúcim faktorom maximálnej meranej dĺžky. Môžeme totižto

vytvoriť veľmi dlhý kód, postačujúci pre meranie veľkých vzdialeností. Patrí medzi

štandardné metódy GPS.

3.4 Lokalizácia na základe uhlu smeru prijatého signálu – AoA


21

Princíp AoA (Angle of Arrival) metódy je na obr. 3.7 a). Opäť

predpokladajme MS obsahujúcu vysielač a ZS s prijímačom a presne známou

polohou. Ak vieme určiť smerový uhol, pod akým dopadá signál z MS na anténny

systém ZS, dokážeme určiť fiktívnu polpriamku, na ktorej sa nachádza MS. Pri

zameraní dvoma ZS určíme priesečník týchto polpriamok, ktorý je súčasne

odhadom polohy MS [13]. Pripomínam, že princíp metódy ostáva nemenný, ak

bude MS obsahovať prijímač a ZS vysielač.

Zo samotného princípu tejto metódy je zrejmé, že sú tu kladené veľké

nároky na anténny systém. Ani nie z hľadiska citlivosti, prípadne selektivity, ale z

hľadiska smerovosti.

Na princípe určovania smerového uhla pracuje aj anténny systém radaru. Ide

o smerovú anténu, rotujúcu okolo vertikálnej osi, ktorej rotačný pohyb, čiže aj uhol

príjmu, je v každom čase známy. Z prijatého signálu je potom možné určiť smer,

odkiaľ je vysielaný. Zameraním viacerými takýmito anténami je možné určiť

spomínané polpriamky a ich priesečník, čiže odhad polohy. Podobný výsledok je

dosiahnuteľný aj bez použitia zložitej, automaticky rotujúcej smerovej antény.

Postačujúca je smerová anténa s dostatočne úzkou smerovou charakteristikou,

ktorou sme schopní otáčať okolo vertikálnej osi a určiť smerový uhol príjmu.

Prakticky však nie je možné dosiahnuť ideálne úzku smerovú

charakteristiku, čo vedie k uvažovaniu použitia sektorových antén. Tu však

nedokážeme určiť konkrétnu polpriamku, na ktorej sa MS nachádza, ale kruhový

výsek so známym ulom otvorenia. Z tohto ale vyplýva, že odhad výslednej polohy

nie je bod, ale plocha, ktorú ohraničujú prieniky týchto výsekov (obr. 3.7 b)). Je

preto, pre zvýšenie presnosti žiaduce, aby bola MS zameraná viacerými ZS.

Dosiahneme tak zmenšenie výslednej oblasti. Praktickým príkladom môže byť

lokalizácia v GSM, kde BTS stanice používajú sektorové antény so 120°

vyžarovacím ulom. V tomto prípade nejde o úplne jednoznačnú lokalizáciu na

základe AoA, pretože každá sektorová anténa pokrýva oblasť so samostatnou

identifikáciou. Mohlo by sa preto jednať o kombináciu s Cell-ID.

Tretiu možnosť merania smerového uhla predstavujú adaptívne antény.

Adaptívne antény tvorí sústava sektorových antén nasmerovaných tak, aby súčet ich


22

smerových charakteristík vytvoril všesmerovú charakteristiku. Systémom váh pre

jednotlivé antény potom dokážu adaptívne antény určiť konkrétny sektor, čiže

kruhový výsek, v ktorej sa nachádza MS. Princíp odhadu oblasti, v ktorej sa

nachádza MS je potom rovnaký s predchádzajúcimi spôsobmi.

a) b)

Obr. 3.8 Metóda AoA

Problémom pri lokalizácií na základe tohto princípu tkvie v tom, že

vyžaduje priamu viditeľnosť z MS na ZS, čiže LoS šírenie. Môže nastať prípad, že

anténa ZS zachytí odrazený signál, ktorý sa nebude šíriť zo smeru, kde je MS a tak

zmarí celý lokalizačný proces.

Jednoduchosť implementácie tejto metódy na už existujúce systémy hovorí

jednoznačne v jej prospech. Presnosť výslednej lokalizácie je však nedostatočná a

vo veľkej miere závisí od systému, na ktorý je aplikovaná.

3.5 Metóda postupného výpočtu polohy

V zahraničnej literatúre sa môžeme stretnúť s názvom metódy „Dead

Reckoning“. Tento spôsob lokalizácie je jedným z prvých, ktoré ľudstvo vôbec

využívalo. Na navigáciu svojich lodí ju používali už moreplavci v 17. storočí.

Principiálne sa jedná o veľmi jednoduchú metódu [13]. Podmienkou je známa


23

počiatočná poloha a k nej sa postupne pripočítavajú vektory vzdialenosti, ktoré

vypočítame zo známeho smeru, rýchlosti a času pohybu podľa vzťahov

(3.3) a (3.4).

x1 = x0 + L cos α (3.3)

y1 = y0 + L sin α (3.4)

Princíp je znázornený na obr. 3.8.

Obr. 3.9 Sledovanie pohybu bodu

V modernej technike sa používajú na snímanie pohybu a jeho zmien smeru

citlivé gravitačné senzory. Pre lokalizáciu MS v našom ponímaní, čiže malého

prenosného zariadenia je však táto metóda nevyhovujúca. MS obsahujúca snímače

zrýchlenia by bola náchylná na otrasy pri bežnom používaní, čo by do meraní

vnášalo nepresnosti.

3.6 Lokalizácia na základe porovnávania zhody obrazca

Ako napovedá názov kapitoly, objekt lokalizujeme na základe zhody

obrazca, ktorý MS vyhotoví s databázou obrazcov známej polohy, ktorú mame

k dispozícií [13]. Porovnaním najväčšej zhody, resp. podobnosti k obrazcu


24

z databázy určíme polohu MS. V základe môžeme porovnávať optický a neoptický

obrazec.

Neoptický obrazec, napr. scan VF vysielačov v dosahu MS je známy ako

fingerprint, príp. odtlačok, ktorému sa podrobnejšie venujem v kap. 3.2.

Pri porovnávaní obrazcov v optickej oblasti ostáva princíp nemenný. Na

vytvorenie databázy sa požíva kamera, prípadne fotoaparát, ktorý obsahuje taktiež

MS, pozri [7][13]. Na určenie polohy sa potom taktiež používa porovnávanie

obrazcov.

Statická optická metóda je založená na rozpoznávaní statických obrazov.

Podobne ako pri metóde fingerprint je nutné vytvoriť databázu obrazov z rôznych

perspektív na presne lokalizovaných pozíciách. Porovnaním týchto obrazov

môžeme odhadnúť polohu MS.

Pri dynamickej optickej metóde určujeme polohu MS analýzou rozdielov

medzi obrazmi vyhotovenými s istým časovým oneskorením. Spracovanie obrazov

a ich porovnávanie je náročné na výpočtovú kapacitu systému, čo je značnou

nevýhodou oproti iným metódam.


25

4 SIMULÁCIE LOKALIZAČNÝCH METÓD

V rámci mojej DP som simuloval 3 lokalizačné metódy: RSS – fingerprint

s váhovaním, ToA a TDoA. Simuláciu každej z metód je možné rozdeliť na dve

základné časti: simuláciu šírenia elektromagnetických vĺn s následným exportom

a spracovaním výsledkov simulácie zo simulačného programu a algoritmus

lokalizácie, podľa danej metódy. Simulácie šírenia vĺn som realizoval v študentskej

verzii simulačného programu RPS-v5.3 [15] od spoločnosti Radioplan GmbH a

algoritmus lokalizácie v prostredí Matlab v 7.0.1.24704(R14) Service pack 1 od

spoločnosti The MathWorks, Inc..

4.1 Simulácia šírenia EM vĺn - Radiwave Propagation Simulator

RPS-v5.3

Ako základ pre simuláciu šírenia vĺn je nutné zadefinovať prostredie,

v ktorom sa vlny šíria. Program RPS obsahuje vlastný editor prostredia, v ktorom

som nakreslil vertikálne plochy katedry tak, ako sú k dispozícií v evakuačnom

pláne, pozri prílohu 1. Editor obsahuje viac druhov preddefinovaných materiálov,

ktorých vlastnosti je možné do určitej miery meniť. Z týchto som nakreslil

obvodové múry, priečky, okna a dvere, každé do samostatnej vrstvy. Vrstvy je

možné neskôr, v rámci pokusov, vypínať, prípadne meniť vlastnosti materiálu

vrstvy. Podlaha sa definuje samostatne, rozpoznávanie strechy je automatické.

Za ďalší vstup do programu môžeme považovať podmienky šírenia

elektromagnetických vĺn, ako sú napr.: počet odrazov, ohybov, prechodov cez

materiál, braných do úvahy pri výpočtoch, prahová úroveň signálu atď., pozri

prílohu 2. Ja som pri simulácii východiskovo používal prahovú úroveň signálu -200

dB. Pri parametroch počet odrazov, prienikov a ohybov som bol limitovaný

študentskou verziou na 2 odrazy, 2 prieniky a 1 ohyb. Študentská verzia RPS


26

používateľa taktiež limituje v počte polygónov, ktorými simulátor popisuje

prostredie. V mojom prípade bol na opis katedry tento počet dostačujúci.

Po dokončení mapy a definovaní podmienok šírenia som do mapy vložil

viacero vysielačov. Z predchádzajúcich kapitol je zrejmé, že väčšina lokalizačných

metód vyžaduje pre svoju správnu funkciu minimálne 3 vysielače so známou

polohou v dosahu prijímača. Vložil som preto do mapy 10 vysielačov (príloha 3),

aby som dostatočne pokryl oblasť. Ich vlastnosti sa som definoval podľa štandardu

802.11 [16], ako uvádzam v prílohe 4. Mapu pokrytia signálom som dostal tak, že

celú mapu katedry som označil ako pole prijímačov uložených v rastri

s požadovaným rozostupom bodov v rovine vodorovnej k podlahe vo výške 1,5 m.

Po nadefinovaní potrebných parametrov simulácie som mohol spustiť

simuláciu. Z preddefinovaných modelov šírenie som vybral 2.5D ray – tracing

(kap. 2.3). Tento proces je veľmi náročný na výpočtovú kapacitu [12]. Pri vysokej

presnosti simulácie a počte javov, ktoré ma brať simulátor do úvahy (malom

rozostupe bodov v rastri prijímačov má za následok vysoký počet prijímačov) môže

trvať aj niekoľko hodín.

RPS umožňuje spracovať a exportovať výsledky simulácií viacerými

spôsobmi. Pre RSS – fingerprint a ToA, resp. TDoA sa osvedčili 2 rôzne spôsoby

exportu. Podrobnejšie sa im budem venovať v nasledujúcich kapitolách.

4.2 Simulácia šírenia elektromagnetických vĺn pre RSS –

fingerprint

Pre túto metódu som zvolil rozostup bodov v rastri 20 cm. Vypracoval som

tak detailnú mapu pokrytia celej katedry s dostatočným počtom bodov. Ako píšem

v predchádzajúcej podkapitole, RPS-v5.3 dokáže exportovať namerané výsledky vo

viacerých formách. Okrem grafického vykreslenia aj vo viacerých formách matíc

[15]. Pre túto metódu som zvolil export statických dát ako ASCII do viacerých

súborov (Export Static Data as ASCII in Multiple Files) s názvom xxx, pre vysielač

yyy (Tx0, Tx1...), pozri tab. 4.1.


27

Tab. 4.1 Vysvetlivky k exportu statických dát ako ASCII do viacerých súborov

Názov súboru Obsah

xxx.ascii parametre simulácie ako stredná frekvencia, šírka pásma,

atď.

xxx_real_yyy.ascii reálne zložky komplexnej magnitúdy prijatého signálu

od vysielača yyy

xxx_imag_yyy.ascii imaginárne zložky komplexnej magnitúdy prijatého

signálu od vysielača yyy

xxx_tx_name.ascii názvy všetkých vysielačov v dosahu

xxx_numpaths_yyy.ascii počet dostupných ciest signálu

xxx_rx_position.ascii polohy všetkých prijímačov

xxx_tx_position.ascii polohy všetkých vysielačov

xxx_tx_phi_yyy.ascii azimutálne uhly lúčov vysielača yyy pre každý prijímač

xxx_rx_phi_yyy.ascii azimutálne uhly lúčov prijímača pre vysialač yyy

xxx_tx_theta_yyy.ascii Elevačné uhly lúčov vysielača yyy pre každý prijímač

xxx_rx_theta_yyy.ascii Elevačné uhly lúčov prijímača pre vysialač yyy

Pre lokalizačné algoritmy som používal matice reálnych a imaginárnych

zložiek komplexnej magnitúdy prijatého signálu od vysielačov yyy a maticu polôh

všetkých prijímačov.

Súbor xxx_rx_position.ascii obsahuje polohu každého prijímača v rastri,

pričom je každému priradený jeden riadok matice, kde sú v troch stĺpcoch súradnice

polohy x, y, z, v metroch, pozri obr. 4.1. Matice reálnych a imaginárnych zložiek

komplexnej magnitúdy prijatého signálu obsahujú úroveň prijatého signálu od

vysielača yyy v mW pre maximálne 10 rôznych ciest šírenia a to pre každý bod

rastra (prijímač) v samostatnom riadku, ako uvádzam na obr. 4.2. Matica polôh

prijímačov a matice úrovní prijatých signálov sú spriahnuté indexami riadkov, tzn.

prijímač o polohe danej v i-tom riadku matice polôh prijímačov prijíma signál od

vysielača yyy, ktorého úroveň je definovaná v i-tych riadkoch matíc reálnych

a imaginárnych zložiek komplexnej magnitúdy prijatého signálu.


28

Popis tučnými kurzívami exportované matice neobsahujú.

Obr. 4.1 Príklad časti matice obsahujúcej polohy prijímačov

Obr. 4.2 Príklad časti matice obsahujúcej reálne, resp. imaginárne zložky komplexnej magnitúdy prijatého signálu

4.3 Simulácia šírenia elektromagnetických vĺn pre ToA a TDoA

Samotný proces simulácie ostáva oproti predchádzajúcej metóde nemenný.

Zmenil som len spôsob exportovania výsledkov. Matice predchádzajúceho spôsobu

exportu totiž neobsahovali informácie o oneskorení signálu v bode príjmu. RPS

však umožňuje uložiť výsledky aj ako jeden súbor v ASCII (Export Data as ASCII-

X Y Z

Rx i

Rx i+1

Rx i+2

0,8 0,6 1,5

0,8 0,8 1,5

0,8 1,0 1,5

Cesta 1 Cesta 3 ... Cesta 9 Cesta 10

0 0 … 0 0

4,709037e-005 0 … 0 0

0,002372948 5,94827e-006 … 0 0

Rx i

Rx i+1

Rx i+2


29

file), ktorá tieto informácie, okrem iných, obsahuje. Táto forma však nie je

primárne určená pre ďalšie spracovanie v Matlab-e. Metodiku načítania v prostredí

Matlab popisujem neskôr v kapitole 4.5. Ako pole prijímačov som použil raster so

vzdialenosťami bodov 1m. Dostal som tak dostatočný počet bodov na overenie

presnosti lokalizačného algoritmu. Časť z tohto súboru uvádzam ako príklad

v prílohe 5.

4.4 Lokalizačný algoritmus RSS - fingerprint

Prvým krokom je úprava matíc generovaných simulátorom. Po exportovaní

výsledkov z RPS som dostal 21 matíc (matice imaginárnej a matice reálnej zložky

prijatého signálu v každom bode rastra pre 10 vysielačov a matica polôh bodov

rastra – prijímačov), každú v samostatnom súbore. Mojim cieľom bolo po úprave

v Matlabe dostať štyri matice v štyroch súboroch. Maticu polôh bodov rastra,

maticu databázy signálov podľa definície RSS – fingerprint s rozostupom bodov

1m, maticu s úrovňami signálov vo všetkých bodoch rastra s rozostupom bodov 20

cm, ktorú využijem ako množinu testovacích bodov a maticu polôh bodov databázy,

pozri obr. 4.3.

Obr. 4.3 Prehľad matíc generovaných RPS po úprave a ich vzťahy

Testovacie body - Rxm.met (20 cm raster)

Body databázy - Rx.met (1m raster)

Polohy test. bodov – xxx_rx_position.ascii

Polohy bodov databázy – RxPos.met

Spriahnuté indexami riadku

Spriahnuté indexami riadku


30

Súbor s maticou obsahujúcou informácie o polohách bodov rastra som

nechal bez zmeny (xxx_rx_position.ascii). Maticu s úrovňami signálov od všetkých

vysielačov som urobil tak, že pre každý vysielač som vektorovo sčítal reálnu

a imaginárnu zložku signálu všetkých ciest šírení a uložil do výslednej matice do

riadka korešpondujúceho s riadkom v matici polôh bodov rastra a stĺpca

zodpovedajúceho číslu vysielača. Posledným krokom pri úprave je prepočet hodnôt

v matici z mW na dB. Prepočet vplýva na presnosť lokalizácie. Chyba lokalizácie

sa po ňom zmenší asi o 15%. V prípade, že nastal prípad 10log 0[mW] = inf [dB],

považoval som za inf -200dB. Príklad časti takto vytvorenej matice je na obr. 4.4.

Popis tučnými kurzívami exportované matice neobsahujú.

Obr. 4.4 Príklad časti upravenej matice prijatých signálov

Maticu v takto upravenej forme som uložil ako Rxm.met - samostatný súbor

v ASCII pre ďalšie výpočty, pričom obsahuje signály od všetkých vysielačov pre

všetky body rastra prijímačov. Neskôr som ju využíval ako množinu testovacích

bodov. Podľa princípu RSS – fingerprint je nutné získať databázu vzoriek signálu.

Dostal som ju tak, že som vybral z predchádzajúcej matice len tie body, ktoré tvoria

raster s metrovým rozostupom bodov. Uložil som ho ako samostatný súbor Rx.met

v ASCII. Analogicky som urobil aj s maticou polôh bodov databázy a uložil som ju

ako RxPos.met. Princíp výberu bodov do matice RxPos.met z matice

Rx i

Rx i+1

Rx i+2

Tx1 Tx2 ... Tx10

-200 -7,2837987e+001 ... -9,0735984e+001

-200 -6,29486289+001 ... -200

-9,8739562e+001 -200 ... -6,9835403e+001


31

xxx_rx_position.ascii je znázornený na obr. 4.5, vývojový diagram tohto algoritmu

je uvedený v prílohe 6.

Obr. 4.5 Princíp výberu bodov do databázy vzoriek signálu

Samotný lokalizačný algoritmus som taktiež naprogramoval v Matlabe.

Vývojový diagram uvádzam v prílohe 7. Prvým krokom je načítanie databáz do

premenných, opísaným v tab. 4.2:

Tab. 4.2 Načítavanie súborov do premenných

Meno súboru Meno premennej

Rx.met Rx

Rxm.met Rxm

RxPos.met RxPos

xxx_rx_position.ascii RxPosm

Náhodnú polohu MS som simuloval príkazom randint. Určí číslo typu

integer v rozsahu 1 až po maximálny počet vzoriek v matici RxPosm, ktoré


32

využívam ako číslo riadka v matici Rxm. Dostanem tak náhodný vektor prijatých

signálov.

Ďalším krokom je hľadanie najpodobnejšieho vektora signálov z databázy

signálov Rx. Za logicky najvýhodnejšiu porovnávaciu funkciu som považoval

koreláciu. Matlab obsahuje funkciu corr2(A,B), ktorá vypočíta koeficient korelácie

vo všeobecnosti podľa vzťahu:

r=∑m

∑n

Amn−ABmn−B

∑m∑n

Amn−A2∑m∑n

Bmn−B2. (4.1)

V mojom prípade, keďže počíta koreláciu dvoch vektorov, n = 0. Na

porovnávanie vektorov som použil aj modifikovanú metódu najmenších štvorcov

(MNŠ):

r=∑m

Am−Bma

(4.2)

, kde koeficient a je kladné párne číslo, východiskovo 2.

Na exaktné opísanie presnosti algoritmu som musel ešte vypracovať metódu

na výpočet vzdialenosti medzi skutočnou polohou MS a polohou, ktorú určí

algoritmus. Skutočná poloha MS, aj poloha MS určená algoritmom je v podstate

vektorom súradníc v metroch. Vypočítal som teda jednoducho rozdiel vektorov:

vzdialenosť= X−x 2Y− y 2 . (4.3)

,kde vektor [X,Y] opisuje skutočnú polohu MS

vektor [x,y] opisuje predpokladanú polohu bodu, ktorú určil

algoritmus


33

Priemernú odchýlku z viacerých pokusov som určil ako trednú hodnotu

kvadratickej odchýlky (RMSE).

Súradnicu určujúcu výšku MS môžeme zanedbať, keďže algoritmus MS

lokalizuje len v rovine vodorovnej k podlahe. Za výšku potom automaticky

predpokladám 1,5 metra. RMSE pri 10 000 meraniach pozri. tab. 4.3.

Tab. 4.3 Porovnanie porovnávacích funkcií

Porovnávacia metóda RMSE [m]

MNŠ 2,2112

corr2 2,8828

Ako je zrejmé z tab. 4.3, MNŠ je pri určovaní polohy asi o 0,67 metra

presnejšia. V ďalšom zlepšovaní presnosti som sa preto sústredil na MNŠ.

MNŠ som sa pokúsil upraviť tak, aby som dosiahol zvýraznenie väčších

a potlačenie menších rozdielov v celkovom hodnotení korelácie vektorov. Dosiahol

som to tak, že za koeficient a vo vzťahu (4.2) som dosádzal kladné párne čísla

a sledoval som zmeny v presnosti určovania polohy algoritmom. Výsledky som

zhrnul v grafe na obr. 4.6.

2,2

2,205

2,21

2,215

2,22

2,225

2,23

2,235

0 2 4 6 8 10

koeficient a

RMSE [m]

Obr. 4.6 Závislosť RMSE od koeficientu a


34

Ako je zrejmé z obr. 4.3, MNŠ s konštantou a = 4 vykazuje najmenšiu

odchýlku algoritmom určenej a skutočnej polohy MS. V ďalších výpočtoch som

preto používal a = 4.

Ďalšia možnosť zvýšenia presnosti spočíva v tom, že pri výslednom výpočte

budem brať do úvahy viaceré body. Výsledná poloha bude vypočítaná ako

priemerná z týchto n bodov. Z nasledujúcej závislosti na obr. 4.7 vyplýva, že

najvyššiu presnosť som dosiahol pri použití troch bodov.

2,06

2,08

2,1

2,12

2,14

2,16

2,18

2,2

2,22

2,24

2,26

0 1 2 3 4 5 6 7

n - počet uvažovaných bodov

RMSE [m

]

Obr. 4.7 Závislosť presnosti lokalizácie od počtu bodov, ktoré berieme do úvahy

Doposiaľ neveľmi používanou metódou na zvýšenie presnosti je použitie

váh. Princíp spočíva v tom, že bodom, podľa predpokladanej presnosti pridelíme

váhu, s akou sa bude podieľať na výpočte výslednej polohy MS – x,y. Na základe

predchádzajúcich výsledkov som sa rozhodol používať 3 body a prideľovať im

váhy podľa stupňa korelácie. Vývojový diagram algoritmu lokalizácie s váhovaním

je totožný s diagramom v prílohe 7 s tým, že v bode 1 pokračuje, ako je uvedené

v prílohe 8. Vzťahy pre výpočet konečnej polohy potom boli:


35

x=W1 x1W2 x2W3 x3

W1W2W3 (4.4)

y=W1 y1W2 y2W3 y3

W1W2W3 . (4.5)

,kde W1, W2, W3 sú váhy bodov podľa predpokladanej presnosti od

najpresnejšieho, ktoré sú dané súradnicami [x1 y1 1,5], [x2 y2 1,5], [x3 y3 1,5].

Mojim cieľom bolo zistiť, pri akých váhach bude stredná kvadratická

odchýlka skutočnej polohy MS a polohy určenej algoritmom minimálna.

V nasledujúcej tab. 2 som zhrnul výsledky pokusov.

Tab. 4.4 RMSE pre rôzne váhy

Váhy 4 – 3 – 2 3 – 2 – 1 4 – 2 – 1 6 – 3 – 1 8 – 5 – 1

RMSE [m] 2,033 2,028 2,025 2,034 2,046

4.5 Lokalizačný algoritmus ToA

Lokalizácia na základe času šírenia vlny umožňuje veľmi presné merania

vzdialeností. Prináša však so sebou problém vyselektovania najrýchlejšieho signálu,

ktorý by sme mohli považovať za signál šírený dráhou LoS, ktorého čas šírenia by

bol priamo úmerný vzdialenosti od zdroja. V praxi sa používajú prijímače rake,

ktoré toto dokážu. Exportom výsledkov simulácie v RPS do súboru ako dáta

v ASCII (pozri časť súboru ako príklad v prílohe 5 som dostal presné časy šírenia

LoS aj NLoS vĺn, nanešťastie však súbor nie je vhodný na import do prostredia

Matlab. Pre ďalšie výpočty som ho musel upraviť. Pre pochopenie týchto úprav je

nevyhnutné pochopiť organizáciu dát uložených v súbore.

Dáta v súbore v ASCII tvare sú organizované do buniek, premenlivej

veľkosti. Každá bunka obsahuje informácie pre jeden vysielač. V hlavičke sú

uvedené údaje o polohe prijímača. V ďalšej časti sa nachádza popis k informáciám


36

a následne informácie vo forme tabuľky. Algoritmus úprav začína načítaním súboru

do prostredia Matlab vo forme tabuľky údajového typu cell. Pre následnú analýzu

som ju konvertoval na typ char. Algoritmus v nasledujúcom kroku analyzuje každé

políčko tabuľky, pričom vyhľadáva hranice buniek. Z hlavičky každej z nich potom

určí súradnice prijímača, ktorého príjem popisuje. Ďalšia časť programu sleduje

vysielače, ktoré je prijímač schopný zaznamenať a aj najmenšie oneskorenie signálu

od každého vysielača v dosahu. Výsledky analýz uloží ako 3 samostatné súbory

podľa tab. 4.5.

Tab. 4.5 Ukladanie dát do súborov

Obsah súboru Meno súboru

Matica polôh prijímačov RxPos.met

Matica prijímačov v dosahu Tx.met

Matica najmenších oneskorení signálov Tau.met

Matice sú opäť spriahnuté indexami, tzn. prijímač s polohou opísanou v

RxPos v i – tom riadku je schopný prijať vysielače opísane v i – tom riadku matice

Tx, pričom sa signály oneskoria o časy uvedené v i – tom riadku matice tau.

Algoritmus úprav matice z exportovaného súboru uvádzam v prílohe 9.

Lokalizačný algoritmus v úvode načíta súbor tau.met do matice tau, Tx.met

do matice Tx a RxPos.met do súboru RxPos. Pre výpočet je nevyhnutné poznať aj

polohy vysielačov, ktoré sú definované v matici TxPos.

Podmienkou správneho výstupu lokalizačného algoritmu je, že poloha bude

vypočítaná z troch signálov od troch vysielačov. Preto musí program urobiť

kontrolu tejto podmienky pri náhodne vybranom bode z mapy a nevyhovujúce

merania (ak má MS v dosahu menej ako 3 ZS) vylúčiť z merania, prípadne ich

označiť za chybné. Keďže študentská verzia RPS limituje dosah signálu dvomi

prechodmi cez stenu, v niektorých prípadoch dochádzalo k situácií, že vylúčením

meracích bodov s menej ako s 3 ZS v dosahu, bola plocha, v ktorej boli merania


37

označené ako správne, menšia ako plocha modelu katedry. Prejavovalo sa to hlavne

vtedy, keď som v rámci pokusov zmenšoval prahovú úroveň signálu.

Lokalizačný algoritmus vychádza z definície metódy ToA, to

znamená, že MS sa nachádza v priesečníku troch kružníc, ktorých polomer je daný

vzťahom:

r x=c . t x (4.6)

,kde rx polomer kružnice so stredom v ZSx [m]

tx čas šírenia signálu od ZSx k MS [s]

c je rýchlosť šírenia svetla vo vzduchu [m/s]

Potom MS so súradnicami x, y sa nachádza v bode, ktorý spĺňa rovnice

kružnice:

x1− x 2 y1− y 2=r 12

(4.7)

x2− x 2 y2− y2=r 22

(4.8)

x3−x 2 y3− y 2=r32

(4.9)

,kde [x1 y1], [x2 y2], [x3 y3] sú súradnice stredov kružníc

r1, r2, r3 sú polomery kružníc

Pre jednoduchosť algoritmus testuje body v rastri s rozostupom bodov 10

cm, či spĺňajú podmienku:

x1− x 2 y1− y 2−r 12k (4.10)

x2− x 2 y2− y2−r 22k (4.11)

x3−x 2 y3− y 2−r32k (4.12)

,kde [x1 y1], [x2 y2], [x3 y3] súradnice stredov kružníc

r1, r2, r3 polomery kružníc


38

k konštanta, určujúca, aká vzdialenosť bodov od

kružnice bude ešte akceptovaná [m]

Výsledkom operácie teda nebude kružnica, ale body, ktoré ju popisujú. Daná

metóda je principiálne nakreslená na obr. 4.8. Body zvýraznené bodkou spĺňajú

nerovnosti podľa bodu vzťahov (4.10) až (4.12).

Obr. 4.8 Popis kružnice bodmi rastra

Mohol som teda testovať bod [x, y], či spĺňa všetky 3 nerovnosti. Ak áno,

znamená to, že leží na všetkých kružniciach (resp. jeho vzdialenosť od všetkých

kružníc je menšia ako k) a algoritmus ho priradí do množiny riešení. V prípade, že

v celom rozsahu x, y nenájde aspoň jeden bod, ktorý spĺňa nerovnosti, znamená to,

že kružnice sa nepretnú. Inkrementuje teda polomer zo vzťahu 4.6 o 1 %

a algoritmus vyhľadávania opakuje. Deje sa tak dovtedy, kým aspoň jeden bod

nenájde.

Konečnú polohu z množiny bodov potom systém vypočíta ako priemernú

polohu bodov z danej množiny riešení. Vývojový diagram algoritmu lokalizácie

založenej na ToA uvádzam v prílohe 10.


39

Najväčším problémom, nepriaznivo ovplyvňujúcim presnosť lokalizácie, sa

ukázalo byť viacnásobné šírenie signálu. Metóda je presná len vtedy, keď na

určenie polomeru kružníc podľa vzťahu (4.6) používa časy šírenie vĺn

pochádzajúcich z LoS šírenie. Pri NLoS šírení totiž čas šírenia vlny nezodpovedá

vzdialenosti od zdroja. Pokúsil som sa teda eliminovať signály pochádzajúce

z NLoS šírenia znížením prahovej úrovne signálu, ktorý som bral pri meraniach do

úvahy. Problém so zmenšením plochy, kde je korektné prevádzať lokalizáciu

vysvetľujem na začiatku podkapitoly. RMSE určujem rovnakým spôsobom, ako pri

metóde RSS – fingerprint v kapitole 4.4 (t.j. podľa vzťahu (4.3)). Výsledky

simulácií som zhrnul do tabuľky 4.6 a grafu v prílohe 12.

Tab. 4.6 Závislosť priemernej odchýlky pri určovaní polohy MS na základe ToA od prahovej úrovne signálu

Prahová úroveň signálu [dB] -200 -150 -120 -100 -80 -60

RMSE [m] 4,3 2,59 2,26 1,96 1,6 1,34

4.6 Lokalizačný algoritmus TDoA

Metóda lokalizácie MS na základe TDoA vychádza z ToA (príloha 11). Ako

popisujem v kapitole 3.3, princíp je taktiež založený na meraní času šírenia EM

vlny. Rozdiel oproti ToA je v tom, že pri ToA meraním priamo času šírenia vlny

medzi MS a ZS, teda nepriamo aj ich vzdialenosti, môžeme vykresliť kružnice,

v ktorých prieniku sa MS nachádza, v prípade TDoA meriame rozdiel času

príchodu signálov. Premietnutím tohto postupu do dvojrozmerných súradníc

nedostaneme kružnice, ale hyperboly, v ktorých prieniku sa nachádza MS.

Údaje o oneskoreniach vĺn pre rozličné miesta som získal rovnakým

spôsobom ako pri simuláciách ToA. Prebral som taktiež algoritmus na úpravu

exportovaného súboru z RPS pre potreby ďalšieho spracovania v Matlabe.


40

Rovnice hyperbol medzi 3 bodmi sú:

c∣t i−t j∣= x i− x 2x j− x 2− y i− y2 y j− y 2 (4.12)

c∣t j−t k∣= x j− x 2 xk−x 2− y j− y 2 yk− y2 . (4.13)

,kde ti, tj, tk časy šírenia EM vĺn od ZS i, j ,k [s]

c rýchlosť šírenia EM vĺn vo vzduchu

[m/s]

[x1 y1], [x2 y2], [x3 y3] sú súradnice ohnísk hyperbol

V mojom prevedení daného algoritmu sú hyperboly opísané bodmi,

ekvivalentne k postupu pri vykresľovaní kružníc pre potreby merania na základe

ToA. Do množiny riešení teda mohli byť zaradené body, ktoré spĺňali rovnice

hyperboly:

x i− x 2 x j− x 2− y i− y 2 y j− y2−c∣t i−t j∣0,1 (4.14)

x j−x 2xk−x 2− y j− y 2 yk− y2−c∣t j−t k∣0,1 (4.15)

,kde ti, tj, tk časy šírenia EM vĺn od ZS i, j ,k [s]

c rýchloť šírenia EM vĺn vo vzduchu

[m/s]

[x1 y1], [x2 y2], [x3 y3] súradnice uhnísk hyperbol

Z množiny riešení, podobne ako v predchádzajúcom algoritme lokalizácie

na základe ToA, určí algoritmus priemernú polohu bodu ako polohu MS. Odčítaním

vektorov polohy MS určenou metódou a skutočnou polohou dostanem vektor

odchýlky lokalizácie. Určením absolútnej hodnoty a spriemerovaním hodnôt

dostaneme RMSE lokalizačnej metódy.


41

Aj pri tejto metóde som sa zameral na zmenu presnosti lokalizácie

ovplyvnenú zmenou prahovej hodnoty signálu. V tab. 4.7 a prílohe 13 uvádzam

výsledky simulácií.

Tab. 4.7 Závislosť priemernej odchýlky pri určovaní polohy MS na základe TDoA od prahovej úrovne signálu

Prahová úroveň signálu [dB] -200 -150 -120 -100 -80 -60

RMSE [m] 20,05 17,53 14,3 13,06 8,7 4,3

Ako je zrejmé z tab. 4.7 presnosť lokalizačného algoritmu založeného na

TDoA je omnoho nepresnejšia, ako metóda založená na ToA. Keď som analyzoval

dôvody týchto nepresností, sledoval som závislosť presnosti pri NLoS šírení. Ak

čas šírenia nezodpovedá vzdialenosti od zdroja (stane sa tak pri NLoS šírení)

prejaví sa to vo vzťahu 4.6 nepresným výpočtom rozdielu časov a tým aj chybnou

hyperbolou. Dochádza tak k nepresnému výpočtu polohy MS. Oproti lokalizácií

založenej na ToA sa pri rovnakých podmienkach prejavujú tieto chyby v omnoho

väčšej miere.


42

5 ZÁVER

V mojej diplomovej práci som sa pokúsil opísať, ako som postupoval pri

realizácii zvolených lokalizačných metód. Na úvod som sa venoval popisu šírenia

elektromagnetických vĺn vo vnútri budov. Jedná sa o špecifický prípad šírenia,

ktorého predikcia je veľmi zložitá. Existuje viacero modelov šírenia, ktoré sú pre

tento prípad použiteľné. Ja som zvolil ray-tracing. Jeho princíp som stručne zachytil

v kap. 2.3. Na základe ray-tracingu som získal mapu pokrytia rádiovým signálom.

Neskôr som ju použil pri lokalizačných algoritmoch. Z literatúry, som si naštudoval

spôsoby lokalizácie, ktoré používali kolegovia z odboru pri ekvivalentných prácach.

Dospel som k záveru, že za daných podmienok je najjednoduchšie realizovateľný

algoritmus lokalizácie MS na podstate metódy RSS-fingerprint. Na tejto báze som

teda zrealizival prvý algoritmus lokalizácie MS. Po viacerých pokusoch

s algoritmom, ktoré mali za cieľ zvýšiť presnosť lokalizácie som dosiahol najväčší

úspech s pridaním váhovania. Výsledná presnosť bola plne porovnateľná s inými

prácami. Kvôli ďalšiemu zvyšovaniu presnosti som prešiel od merania intenzity

k meraniu oneskorenia signálu. Po počiatočných problémoch s načítaním

exportovaných výsledkov simulácie som navrhol algoritmus lokalizácie založený na

ToA. Po úpravách algoritmu som dosiahol priemernú odchýlku menšiu ako 2 metre.

Pokúsil som sa tiež na mojom modelovanom prostredí zistiť rozdiel v presnosti

medzi metódami založenými na ToA a TDoA. Na moje sklamanie bola TDoA

oveľa náchylnejšia na chybnú lokalizáciu pri nevhodných podmienkach šírenia.


43

POUŽITÁ LITERATÚRA

[1] GIBSON D., ANDRIAENS J.: CS/RADAR: Indoor Location Discovery and

Tracking. [cit. 13.11.2006] . Dostupné na internete:

http://www.cs.wisc.edu/~gibson/pdf/csradar.pdf

[2] FELDMANN S., KYAMAKYA K., ZAPATER A., LUE Z.: An Bluetooth–

based positioning system: concept, Implementation and experimental

evaluation. [cit. 19.12.2006]. Dostupné na internete: http://projekte.l3s.uni-

hannover.de/pub/bscw.cgi/d27118/An%20Indoor%20 Bluetooth-

based%20positioning%20system:%20concept,%20Implemen

tation%20and%20experimental%20evaluation.pdf

[3] KAEMARUNGSI K., KRISHNAMURTHY P.: Modeling of Indoor

Positioning System Based on Location Fingerprinting. [cit. 21.12.2006].

Dostupné na internete: http://www.ieee-infocom.org/2004/papers/21_2.pdf

[4] OTSASON V., VARSHAVSKY A., LAMARCA A., DE MARA E.:

Accurate GSM Indoor Localization. [cit. 4.2.2007]. Dostupné na internete:

http://www.placelab.org/publications/pubs/ubicomp2005-indoorGSM.pdf

[5] JIN G., LU X., PARK M.: An Indoor Localization Mechanizm Using Active

RFID Tag. [cit. 17.3.2007]. Dostupné na internete:

http://csdl.computer.org/dl/proceedings/sutc/2006/2553/01/255310040.pdf

[6] MANDAL A., LOPES C. V., GIVARGIS T., HAGHIGHAT A., JURDAK

R., BALDI P.: Beep: 3D Indoor Positioning Using Audible Sound.

[cit. 7.3.2007]. Dostupné na internete:

http://www.ics.uci.edu/~givargis/pubs/C25.pdf

[7] RAVI N., SHANKAR P., FRANKEL A., ELGAMMAL A., IFTODE L.:

Indoor Localization Using Camera Phones. [cit. 28.1.2007]. Dostupné na

internete: http://discolab.rutgers.edu/smartphone/papers/camera-phone.pdf


44

[8] MAEDA M., OGAWA T., MACHIDA T., KIYOKAWA K., TAKEMURA

H.: Indoor Localization and Navigation using IR Markers for Augmented

Reality. [cit. 12.3.2007]. Dostupné na internete:

http://www.lab.ime.cmc.osaka-u.ac.jp/paper/datas/2003/06/Maeda_0068

/Maeda_200306_paper.pdf

[9] PECHAČ P.: Síření vln v zástavbě. 1. vyd. Praha: BEN 2005. ISBN 80-

7300-186-1

[10] BRÍDA, P.: Určovanie polohy mobilnej stanice v sieťach GSM. Dizertačná

práca, Žilina, December 2005

[11] DOBOŠ, Ľ., DÚHA, J., MARCHEVSKÝ, S., WIESER, V. Mobilné rádiové

siete. 1. vyd. Žilina: EDIS, 2002. ISBN 80-7100-936-9.

[12] HRICKO M.: Uživateľská dokumentácia k projektu Vizualizácia metódy

sledovania lúčov. [cit. 12.4.2007]. Dostupné na internete:

ics.upjs.sk/sw_projekty/ proj2003/raytrace/uzivatelpoz.doc

[13] KŐPPER A.: Location-based Services - Fundamentals and Operations.

John Waley and Sons Ltd., 2005. ISBN-13 978-0-470-09231-6 (HB)

[14] DANA, P. H.: Global Positioning system overwiev. [cit. 2.5.2007].

Dostupné na internete:

http://www.colorado.edu/geography/gcraft/notes/gps/gps_f.html

[15] DEIßNER J., HŐBNER J., HUNOLD D., VOIGT J.: Radoiwave

propagation simulator – user manual – Version 5.3

[16] IEEE Standards Association: Wireless LAN Medium Access Control (MAC)

and Physical Layer (PHY) specifications. [cit. 2.1.2007]. Dostupné na

internete: http://standards.ieee.org/getieee802/download/802.11a-1999.pdf


ČESTNÉ VYHLÁSENIE

Vyhlasujem, že som zadanú diplomovú prácu vypracoval samostatne, pod

odborným vedením vedúceho diplomovej práce Ing. Petra Brídu, PhD. a používal

som len literatúru uvedenú v práci.

Súhlasím so zapožičiavaním diplomovej práce.

V Žiline 18.5.2006 Peter Hriňák


POĎAKOVANIE

Rád by som poďakoval vedúcemu mojej diplomovej práce Ing. Petrovi

Brídovi, PhD. za množstvo rád a trpezlivosti, celému môjmu okoliu za

zhovievavosť a rodičom, ktorí ma ochotne podporovali počas celého štúdia.

Táto práca je riešená v rámci výskumnej úlohy VEGA 1/4065/07 „Metódy

určovania polohy v bezdrôtových ad-hoc sieťach“.


ŽILINSKÁ UNIVERZITA V ŽILINE ELEKTROTECHNICKÁ FAKULTA


URČOVANIE POLOHY MOBILNÝCH STANÍC VNÚTRI BUDOV

PRÍLOHOVÁ ČASŤ

PETER HRIŇÁK

2007


ZOZNAM PRÍLOH

Príloha 1 RPS-v5.3, editor objektov, katedra

Príloha 2 RPS-v5.3, nastavenia parametrov simulácie, podmienok šírenia

Príloha 3 Rozloženie prijímačov v modeli katedry

Príloha 4 Nastavenia vysielačov v RPS-v5.3

Príloha 5 Príklad časti súboru exportovaného z RPS-v5.3 ako data in

ASCII-file

Príloha 6 Vývojový diagram – algoritmus úpravy matíc generovaných RPS-

v5.3 pre algoritmus lokalizácie založenej na RSS – fingerprint

Príloha 7 Vývojový diagram - algoritmus určenia polohy MS na založenej

metóde RSS – fingerprint

Príloha 8 Dodatok k algoritmu určenia polohy na metódou RSS – fingerprint -

váhovanie

Príloha 9 Vývojový diagram – algoritmus úpravy matíc generovaných RPS-

v5.3 pre algoritmus lokalizácie založenej na ToA


metóde ToA


metóde TDoA

Príloha 12 Závislosť priemernej odchýlky pri určovaní polohy na základe ToA

od prahovej úrovne signálu

Príloha 13 Závislosť priemernej odchýlky pri určovaní polohy na základe TDoA

od prahovej úrovne signálu


Príloha 1

RPS-v5.3, editor objektov, katedra


Príloha 2

RPS-v5.3, nastavenia parametrov simulácie, podmienok šírenia


Príloha 3

Rozloženie prijímačov v modeli katedry

Príloha 4

Nastavenia vysielačov v RPS-v5.3


Príloha 5

Príklad časti súboru exportovaného z RPS-v5.3 ako data in ASCII-file

%Data generated with RPS

%Tx@X=5m, Y=6m, Z=1.7m, BSID=1

%Tx@X=76m, Y=12m, Z=1.7m, BSID=10

%Tx@X=16m, Y=1m, Z=1.7m, BSID=2

%Tx@X=26m, Y=12m, Z=1.7m, BSID=3

%Tx@X=35m, Y=1m, Z=1.7m, BSID=4

%Tx@X=41m, Y=12m, Z=1.7m, BSID=5

%Tx@X=50m, Y=1m, Z=1.7m, BSID=6

%Tx@X=59m, Y=12m, Z=1.7m, BSID=7

%Tx@X=68m, Y=1m, Z=1.7m, BSID=8

%Tx@X=82m, Y=1m, Z=0m, BSID=9

%Number of Dataset Records = 32621

%Default Center Frequency = 5 GHz

...

%Rx@X=0.2m, Y=1.4m, Z=1.5m

%Tx TAU Magnitude[dBm] Phase[°] PHI@Tx[°] THETA@Tx[°] PHI@Rx[°] THETA@Rx[°]

6 38.80266346 -77.3442 -151.577 291.99 0.984435 112.317 -0.984435

6 39.02136685 -67.5177 145.70 122.99 0.978917 123.09 -0.978917

6 39.05355248 -77.4367 -8.43923 291.99 0.97811 112.17 -0.97811

7 52.87049078 -65.1072 54.9385 299.99 0.722479 60.5102 -0.722479

7 85.52125012 -76.1338 -26.0016 104.99 0.44664 75.1166 -0.44664

7 86.65400641 -77.9365 -124.06 72.99 0.440801 72.3619 -0.440801

4 37.03415055 -56.1379 -92.5124 66.99 1.03145 246.666 -1.03145

4 38.53387275 -70.3055 -115.385 66.666 16.0699 246.666 16.0699

4 40.11881584 -56.6883 87.92 121.99 0.952136 237.94 -0.952136

... .... ... ... ... ... ... ...


Príloha 6

load(xxx_real_tx0.ascii) ...

load(xxx_real_tx9.ascii)

load(xxx_real_tx0.ascii) ...

load(xxx_real_tx9.ascii)

load(xxx_rx_position.ascii)

Súčet reálnych zložiek viacnásobného šírenia

Súčet imaginárnych zložiek viacnásobného šírenia

Výpočet absolútnej hodnoty Rx[mW]

ak Rx[dB] = inf

Rx[dB] = 10*log (Rx[mW])

Rx[dB] = -200dB

save(Rx, Rxm.met)

true false

Ak leží bod na 1m rastri

save(Rx, Rx.met) save(xxx_rx_position.ascii, RxPos.met)

true

Koniec

Štart


Príloha 7

Algoritmus určenia polohy na metódou RSS – fingerprint

Štart

load(RxPos.met) load(xxx_rx_position.ascii

)

load(Rxm.met) load(Rx.met)

index vzorky (z Rxm.met) = randint

Korelácia vzorky s databázou z Rx.met

Vyhľadanie záznamu X s najväčšou koreláciou

Bod 1

Priradenie polohy záznamu X z matice RxPos.met

Výpočet odchýlky medzi polohou vzorky a polohou

priradeného body z databázy

Koniec

save(výsledky)


Príloha 8

Dodatok k algoritmu určenia polohy na metódou RSS – fingerprint -

váhovanie

Vyhľadanie 3 záznamov X1 – X3 s najväčšou koreláciou

Priradenie váh bodom X1 – X3

Výpočet odchýlky medzi polohou vzorky a polohu priradeného body z databázy

Koniec

save(výsledky)

Bod 1

Výpočet polohy bodu na základe priradených váh, pozri kap. 4.2


Príloha 9

Vývojový diagram – úprava výsledkov simulácie pre lokalizačný algoritmus

ToA

Štart

load(výsledky simulácie)

Vyhľadanie hraníc buniek

Analýza hlavičky – vyselektovanie polohy bodu

Analýza obsahu bunky – vyselektovanie najkratších

časov šírenie a príslušných Tx

save(RxPos) save(tau) save(Tx)

Koniec


Príloha 10

Algoritmus určenia polohy MS na základe ToA

Štart

load(RxPos.met) load(tau.met) load(Tx.met)

Kontrola počtu ZS v dosahu

„Chybné meranie“ Výpočet spoločných bodov

kružnice

Výpočet polohy MS – priemerná poloha spoločných bodov

Výpočet odchýlky medzi skutočnou a vypočítanou polohou

MS

save(výsledky)

Koniec

Počet > 2 Počet < 3


Príloha 11

Algoritmus určenia polohy MS na základe TDoA

Štart

load(RxPos.met) load(tau.met) load(Tx.met)

Kontrola počtu ZS v dosahu

„Chybné meranie“ Výpočet spoločných bodov

hyperbol

Výpočet polohy MS – priemerná poloha spoločných bodov

Výpočet odchýlky medzi skutočnou a vypočítanou polohou

MS

save(výsledky)

Koniec

Počet > 2 Počet < 3


Príloha 12

Závislosť RMSE pri určovaní polohy na základe ToA od prahovej úrovne

signálu

0

0,5

1

1,5

2

2,5

3

3,5

4

4,5

5

-200 -180 -160 -140 -120 -100 -80 -60

Prahová hodnota signálu [dB]

RMSE [m]

Príloha 13

Závislosť RMSE pri určovaní polohy na základe TDoA od prahovej úrovne

signálu

0

5

10

15

20

25

-200 -180 -160 -140 -120 -100 -80 -60

Prahová hodnota signálu [dB]

RMSE [m]

urČovanie polohy mobilnÝch stanÍc vo vnÚtri budov …diplom.utc.sk/wan/1295.pdf · 2007. 9....

Documents