Aufrufe
vor 3 Jahren

Approximative Indoor-Lokalisierung von RFID ... - Gernot A. Fink

Approximative Indoor-Lokalisierung von RFID ... - Gernot A. Fink

20 2.3 Stochastische

20 2.3 Stochastische Filter diesem Netz enthält die posterior probability des Standorts, also die Wahrscheinlichkeit, dass sich in diesem Feld x der gesuchte Standort befindet. Als Referenz muss auch noch ein Modell des Suchraums m existieren, gegen den die Sensorenmessungen ausgewertet werden können. Wie in Abschnitt 2.3.1 beschrieben werden auch hier bei jeder Sensormessung die folgenden Schritte durchgeführt: 1. Vorhersage. Das Gitter P wird mittels eines Vorhersagemodells angepasst. Beim Vorhersagemodell eines sich bewegenden Objekts zum Beispiel wird für jedes Feld x in P die Übergangswahrscheinlichkeit zu einem anderen Feld ˜x in P berechnet, wobei die momentane Bewegung des Roboters τ und die seit der letzten Aktualisierung vergangene Zeit t berücksichtigt wird. Auch muss beachtet werden, dass bestimmte Bewegungsbahnen wahrscheinlicher sind als andere. Falls eine Bewegungsbahn laut Suchraumplan m durch ein Hindernis führt, muss sich das in der posterior probability niederschlagen. Somit wäre in diesem Fall die neue Wahrscheinlichkeit für ein Feld nach einer Bewegung: P [x] := α · ∑ ˜x∈P P [˜x] · p(x|˜x ∧ τ ∧ t) (2.4) 2. Korrektur. Für jedes Feld x von Gitter P und jede Sensormessung s wird die Messung gegen das Suchraummodell m hin überprüft und die Wahrscheinlichkeit für x entsprechend korrigiert. Seien m die Karte des Suchraums und p(x|s 1 ∧...∧s n−1 ∧m) die Wahrscheinlichkeit, dass x der gesuchte Standort ist, wenn die Sensormessungen s 1 , ..., s n−1 vorliegen. Um die Wahrscheinlichkeit für x zu aktualisieren, wenn eine neue Sensormessung s n vorliegt, kann man folgende Update-Formel verwenden [40]: p(x|s 1 ∧ ... ∧ s n−1 ∧ s n ∧ m) = α · p(x|s 1 ∧ ... ∧ s n−1 ∧ m) · · · p(s n |x ∧ m) (2.5) Das position probability grid-Verfahren ist ein anytime-Algorithmus. Zu jeder Zeit liefert das Feld in P mit der höchsten Wahrscheinlichkeit die derzeitig beste Schätzung für den gesuchten Standort. Wenn mehrere Felder ähnlich hohe Wahrscheinlichkeitswerte besitzen, deutet es auf Vieldeutigkeiten hin, die mit den bisherigen Messungen nicht aufgelöst werden konnten. Die Genauigkeit des Verfahrens hängt von der Feldgröße ab, die vorher festgelegt werden muss. Von der Feldgröße hängen dann die Anzahl der Felder und somit auch der Rechenaufwand ab. Je nach Anzahl der Felder kann es sein, dass nicht genügend Rechenzeit für eine Echtzeit- Lokalisierung zur Verfügung steht. Dafür leistet das Verfahren eine absolute Lokalisierung und kann mit multimodalen und nicht-Gaußschen Wahrscheinlichkeitsdichten umgehen. Partikelfilter Partikelfilter haben seit ihrer Vorstellung in [23] sehr schnell an Popularität gewonnen. Dieses Verfahren ist auch als Monte Carlo Lokalisierung bekannt.

2 Grundlagen der Lokalisierung 21 Ein Partikelfilter approximiert die Wahrscheinlichkeitsdichte P durch einen Satz von N diskreten Partikel S = s i |i = 1 . . . N, über den Suchraum. Ein Partikel im Lokalisierungsproblem enthält neben seiner Ortsinformation auch die Wahrscheinlichkeit dieses Standorts, den er repräsentiert. Diese Wahrscheinlichkeit wird auch Gewicht genannt. Zu Beginn des Verfahrens ist der erste Satz an Partikeln entweder uniform über den Suchraum verteilt, wenn keine Informationen über den gesuchten Standort bekannt sind. Alternativ kann man die Partikel auch normalverteilt um eine bekannte Position setzen. Auch beim Partikelfilter werden die Vorhersage- und Korrekturschritte iterativ durchgeführt. 1. Vorhersage. Das Vorhersagemodell sagt aus, wie ein Zustand mit welcher Wahrscheinlichkeit in einen anderen Zustand mit der Zeit t übergehen kann. In der Lokalisierung ist mit Zustand ein Standort gemeint. Das Vorhersagemodell erstellt einen neuen Partikelsatz S aus dem vorherigen Satz S ′ , in dem es jeden Partikel so versetzt, wie es im Vorsagemodell beschrieben ist. Das beinhaltet auch Bewegungsungenauigkeiten, so dass nach der Anwendung des Bewegungsmodells auf die Partikel ein ungenauerer Belief das Ergebnis ist. 2. Korrektur. In diesem Schritt werden Sensormessungen herangezogen, um den Belief zu korrigieren. Bei dem Partikelfilter wird dies nochmals in zwei Schritte unterteilt - die Gewichtung der Partikel und das importance resampling: (a) Bei der Gewichtung werden alle N Partikel in Abhängigkeit von den Sensormessungen gewichtet. (b) Beim importance resampling (auch Selektionsphase genannt [14]) werden Partikel mit geringem Gewicht eliminiert und Partikel mit hohem Gewicht vermehrt. In der Regel werden zufällig über den Satz N neue Partikel gezogen, wobei Partikel mit hohem Gewicht eine höhere Chance erhalten, gezogen zu werden. Nach dem Korrekturschritt bildet der neue Partikelsatz S den neuen Belief über den gesuchten Standort. Dabei bedeutet eine höhere Dichte an Partikeln an einem Ort dort eine höhere Wahrscheinlichkeitsdichte. Partikelfilter haben sich in vielen Zustandsschätzungsproblemen wie der Lokalisierung als erfolgreich erwiesen. Bei hochdimensionalen Zustandsräumen kann jedoch die Anzahl der benötigten Partikel exponentiell steigen und somit auch die benötigte Rechenzeit. 2.4 Existierende Lokalisierungssysteme Mittlerweile sind eine Reihe von experimentellen und kommerziellen Indoor- Lokalisierungssystemen vorgestellt und auf den Markt gebracht worden. Da Outdoor-

Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Faltungsnetzwerke zur Gesichtsdetektion unter ... - Gernot A. Fink
Secure Candle - Klassifikation akustischer ... - Gernot A. Fink
Mustererkennung - Prinzipien, Methoden ... - Gernot A. Fink
Unüberwachtes Lernen von Handschriftstilen - Gernot A. Fink - TU ...
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Cluster - Gernot A. Fink - TU Dortmund
DETEKTION HANDSCHRIFTLICHER TEXTE IN ... - Gernot A. Fink
Simultane Lokalisierung und Kartenerstellung eines ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Skriptum zur Vorlesung “Mustererkennung” - Gernot A. Fink
Mensch und Maschine verbinden - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Automatische Kalibrierung verteilter Mikrophonfelder - Gernot A. Fink