Indoor-Navigation unter Android So sieht sie aus: MOTIVATION - - PowerPoint PPT Presentation

▶
indoor navigation unter android
SMART_READER_LITE
LIVE PREVIEW

Indoor-Navigation unter Android So sieht sie aus: MOTIVATION - - PowerPoint PPT Presentation

Sep 26, 2022 328 likes •727 views

Indoor-Navigation unter Android So sieht sie aus: MOTIVATION Bestimmung der Besucherpostion Nutzung bestehender WLAN-Netze Nutzung mglichst vieler Sensoren (Sensor Fusion) Hohe Genauigkeit (< 3m) Suche & Anzeige von Points of

slide-1
SLIDE 1

Indoor-Navigation unter Android

slide-2
SLIDE 2

08.05.14 2

So sieht sie aus:

MOTIVATION Bestimmung der Besucherpostion Nutzung bestehender WLAN-Netze Nutzung möglichst vieler Sensoren (Sensor Fusion) Hohe Genauigkeit (< 3m) Suche & Anzeige von Points of Interest Automatische Etagenerkennung … und das alles mit Open Source Software! https://github.com/tarent/invio

slide-3
SLIDE 3

08.05.14 3

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-4
SLIDE 4

08.05.14 4

Wie?

initialer Download von Umgebungsdaten Lokale Sensorabfrage Lokale Positionsberechnung

AP-1 AP-3 AP-2

Karte inkl. WLAN-Vermessung Messung 1 (dB + x, y) Messung 4 (dB + x, y) Messung 3 (dB + x, y) Messung 2 (dB + x, y)

slide-5
SLIDE 5

08.05.14 5

Wie?

initialer Download von Umgebungsdaten Lokale Sensorabfrage Lokale Positionsberechnung

y x z

Beschleunigungs

  • sensor

N S O W

Kompass WLAN Gyroskop

slide-6
SLIDE 6

08.05.14 6

Wie?

initialer Download von Umgebungsdaten Lokale Sensorabfrage Lokale Positionsberechnung

lokale Messung (dB) Messung 2 (dB)

≈ =

Messung 2 (x, y)

a)

N S O W

y x z

Accelerometer Compass Gyroscope

34° 1,5 m/s

t=0 t=1

b)

slide-7
SLIDE 7

08.05.14 7

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-8
SLIDE 8

08.05.14 8

Komponenten

mapeditor mapserver admin-app customer-app

slide-9
SLIDE 9

08.05.14 9

Komponenten

mapeditor Erstellen von georeferenzierten Karten inkl. Metadaten Hinterlegen von georeferenzierten Objekten Upload zum mapserver mapserver Bereitstellung von Karten inkl. aller Metadaten aus dem mapeditor Bereitstellung der initialen WLAN-Vermessung aus der admin-app Erstellen von Karten-Tiles unterschiedlicher Zoomstufen admin-app customer-app

slide-10
SLIDE 10

08.05.14 10

Komponenten

mapeditor mapserver admin-app Erstellen von initialen WLAN-Messungen mit Georeferenzierung je Karte customer-app

slide-11
SLIDE 11

08.05.14 11

Komponenten

mapeditor mapserver admin-app customer-app initiale Abfrage der Karten vom mapserver Lokalisierung durch Matching von aktuellen Sensormessdaten auf die Karten-Daten

slide-12
SLIDE 12

08.05.14 12

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-13
SLIDE 13

08.05.14 13

Fingerprint

Ergebnis eines WLAN Broadcast Callbacks sind die MAC-Adressen aller sichtbaren Access-Points und deren empfangene Signalstärke:

AP-2 AP-1

"id":"FP-now" "AP-1":{"-45"} "AP-2":{"-87"}

slide-14
SLIDE 14

08.05.14 14

Histogramme

Innerhalb eines WLAN-Scanvorgange werden 5 Fingerprint Messungen durchgeführt, die in einem gewichteten Histogramm abgelegt werden: Histogramme werden verwendet um Schwankungen ausgleichen zu können. Der Konfigurations-Spielraum ist gering, da langsame Geräte bis zu 5 Sekunden pro Messung benötigen, schnelle nur 1 Sekunde. "histogram": "point":{"mAltitude":0,"mLatitudeE6":50722458,"mLongitudeE6":7061819} "AP-1":{"-45":1.0} "AP-2“:{"-65":0.2,"-60":0.2,"-58":0.4,"-53":0.2}

  • 65
  • 60
  • 55
  • 50
  • 45
  • 40
  • 35

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

AP-1 average: -45

  • 85
  • 80
  • 75
  • 70
  • 65
  • 60
  • 55
  • 50
  • 45
  • 40
  • 35

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

AP-2 average -58,8

slide-15
SLIDE 15

08.05.14 15

Signals Map Overlay

Die customer-app vermisst in kurzen Abständen die aktuelle WLAN-Umgebung und speichert sie in einem temporären Histogramm.

AP-2 AP-1

Gewichtetes Histogramm der initialen Messung

  • inkl. Koordinaten

aktuelles Histogramm

AP-3

slide-16
SLIDE 16

08.05.14 16

Divergenz

Vergleich des aktuellen Histogramms mit der Histogramm-Datenbank

–

Kullback-Leibler Divergenz Die Histogramm-Datenbank wird durch die admin-app erstellt und befindet sich auf dem Endgerät

–

initialer Download

–

  • ptionale Update-Zyklen

Es werden die 5 ähnlichsten Histogramme ermittelt.

aktuelles Histogramm 44% Histogramm Datenbank 20% 13% 95% 5% 70% 95% 77% 76% 21% 91% 99% 80% 83% 81%

slide-17
SLIDE 17

08.05.14 17

Outlier Elimination

Basierend auf dem Centroid, der aus den Positionen der stärksten 5 Histogramme berechnet wird Der Faktor 2 für den Schwellwert hat sich als ausgewogen erwiesen

slide-18
SLIDE 18

08.05.14 18

Interpolierung der Position

Interpolierung der Position aus den Histogrammen, die nach der Outlier Elimination übrig geblieben sind. In einem Sliding Window kann z.B. von den 5 letzten Positionen der Median verwendet werden um die Genauigkeit und Outlier Elimination weiter zu verbessern.

AP-2 AP-1

slide-19
SLIDE 19

08.05.14 19

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-20
SLIDE 20

08.05.14 20

Dead Reckoning / Koppelnavigation I

Fortlaufende Positionsabschätzung mittels: Bewegungsrichtung Geschwindigkeit

slide-21
SLIDE 21

08.05.14 21

Dead Reckoning / Koppelnavigation II

Bewegungsrichtung Kompass Sensor.TYPE_MAGNETIC_FIELD Sensor.TYPE_ACCELEROMETER Geschwindigkeit Sensor.TYPE_LINEAR_ACCELERATION (wenn verfügbar) Im einfachsten Fall binär: Stehen Gehen, mit konstanter Geschwindigkeit Besser: Schrittfrequenz zählen

slide-22
SLIDE 22

08.05.14 22

Sensorfilter

Tiefpassfilter hilft gegen starkes Sensorrauschen

slide-23
SLIDE 23

08.05.14 23

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-24
SLIDE 24

08.05.14 24

Sensorfusion mit Partikelfilter I

Informationen aus WLAN-Messung und Bewegungs- abschätzung werden durch Partikelfilter kombiniert:

Vorhersage: Partikel mit Dead Reckoning bewegen Korrektur: Partikel mit Scanergebnis gewichten und neu samplen Initialisierung: Partikel erzeugen

slide-25
SLIDE 25

08.05.14 25

Sensorfusion mit Partikelfilter II

Partikel werden um den angenommenen Startpunkt herum durch Streuung erzeugt

slide-26
SLIDE 26

08.05.14 26

Sensorfusion mit Partikelfilter III

Partikel werden mit Rauschen in die durch das Dead Reckoning vorhergesagte Richtung verschoben

slide-27
SLIDE 27

08.05.14 27

Sensorfusion mit Partikelfilter IV

Partikel werden gemäß ihrer Distanz zur neu ermittelten WLAN-Position gewichtet

slide-28
SLIDE 28

08.05.14 28

Sensorfusion mit Partikelfilter V

Neue Partikel werden entsprechend der Gewichtung erzeugt und die wahrscheinlichste Position daraus abgeleitet

slide-29
SLIDE 29

08.05.14 29

Stochastisches Resampling

Stochastic Universal Sampling Häufigkeit der Partikel proportional zur Gewichtung Verteilungsfunktion wird im gleichen Intervall (1/#Partikel)

  • abgetastet. Ergebnis: gesampelte Partikelmenge

Gesampelter Partikelmenge wird Streuung (gaußverteilt) hinzugefügt

slide-30
SLIDE 30

08.05.14 30

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-31
SLIDE 31

08.05.14 31

Map Matching I

Lokalisierungsrelevante Informationen können in die Karte kodiert werden: (binär, positiv, statisch/dynamisch)

slide-32
SLIDE 32

08.05.14 32

Map Matching II

Lokalisierungsrelevante Informationen können in die Karte kodiert werden: (binär, negativ, statisch/dynamisch)

slide-33
SLIDE 33

08.05.14 33

Map Matching III

Lokalisierungsrelevante Informationen können in die Karte kodiert werden: (probabilistisch, statisch)

slide-34
SLIDE 34

08.05.14 34

Agenda

Bewegungssensoren Fusion aller Sensoren Matching auf Umgebungsinformationen Wie machen wir Indoor Navigation? WLAN Welche Komponenten verwenden wir? Sensoren Ausblick & Demo

slide-35
SLIDE 35

08.05.14 35

Signallaufzeiten I

Pro: Laufzeit ist grundsätzlich direkt proportional zur Entfernung Contra: Ohne freies Sichtfeld: Reflektionen, Brechungen Zeiten sind, dank Lichtgeschwindigkeit, sehr kurz, daher braucht man: große Entfernungen oder sehr genaue Uhren oder sehr viele Messungen

slide-36
SLIDE 36

08.05.14 36

Signallaufzeiten II

Time of Arrival (TOA): Wie lange ist das Signal von Basisstationen zum Empfänger unterwegs (oder andersrum, oder auch hin und zurück)? Time Difference of Arrival (TDOA): In welchem Abstand kommen synchronisierte Signale beim Empfänger an oder ein Signal des Empfängers bei den synchronisierten Basisstationen? Zumindest TDOA benötigt spezielle Infrastruktur.

slide-37
SLIDE 37

Vielen Dank!

Das ganze Team: Andreas Grau Andrei Boulgakov Atanas Alexandrov Désirée Amling Dino Omanovic Jens Maiero Jan Schmitt Martin Gernhardt Miluska Pech Nils Neumaier Ricarda Steffens Robert Linden Sven Schumann Thomas Kudla Timo Kanera

slide-38
SLIDE 38

Andreas Grau Robert Linden Mail: a.grau@tarent.de Mail: r.linden@tarent.de Rochusstraße 2-4 53123 Bonn Telefon: +49 (0) 228 54 881 -0 Telefax: +49 (0) 228 54 881 -235