Aufrufe
vor 3 Jahren

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

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

34 3.4 Entwicklung eines

34 3.4 Entwicklung eines Partikelfilters wird angenommen, dass Person X den Raum A nicht verlassen hat. Wenn zum Zeitpunkt t 1 der Sensor S 1 auslöst und dabei Person X identifiziert, wird ihre Position um den Sensorbereich von Sensor S 1 eingegrenzt. Aus probabilistischer Sicht ist also die Wahrscheinlichkeit, dass Person X sich nun in diesem Sensorbereich zum Zeitpunkt t 1 befindet, stark gestiegen. Gesucht ist jedoch eine Lokalisierung auf Raumebene, nicht auf Sensorebene. Um eine Aussage auf Raumebene zu erhalten, wird folgende Annahme gemacht: Der Sensorbereich von S 1 umfasst überwiegend den Durchgangsbereich zwischen Raum A und B. Wenn sich Person X vor t 1 in Raum A befunden hat und zu t 1 an diesem Durchgangsbereich erfasst wurde, wird angenommen, dass Person X mit großer Wahrscheinlichkeit auf Grund seiner Trajektorie diesen Durchgang passiert hat und sich kurz nach t 1 in Raum B befindet. Dies wird durch eine Anpassung der Wahrscheinlichkeiten p(X B ) > p(X A ) nach einer Sensorauslösung modelliert. Bild 3.2: Darstellung der Veränderung der Positionsannahme nach einer Sensorauslösung. In der linken Abbildung ist die Ausgangslage dargestellt: Person X wird in Raum A vermutet. Nach einer Sensorauslösung bei Sensor S 1 ist der neue vermutete Aufenthaltsort Raum B (rechte Abbildung). Die Zustandsrepräsentation in diesem Modell besteht also aus einer diskreten Wahrscheinlichkeitsverteilung über alle Räume. Diese Verteilung wird durch Sensormessungen zusammen mit der Trajektorienannahme neu gewichtet. Wie die Neugewichtung konkret aussieht, hängt von der Funktionsweise des Sensorsystems ab. In Abschnitt 3.4.3 werden zwei Modelle zur Abbildung von RFID-Systemen vorgestellt. 3.4 Entwicklung eines Partikelfilters Die Verwendung eines probabilistischen Modells zum Tracken von RFID-Transpondern legt die Verwendung eines stochastischen Filters (s. Abschnitt 2.3) nahe. Ein einfacher Kalmanfilter kann auf Grund der Gaußschen Repräsentation eines Zustandes nicht mit mehrdeutigen Zuständen umgehen. Auch muss der Anfangszustand bekannt sein, was in dem vorgestellten Anwendungsszenario nicht vorausgesetzt werden kann. Ein gitterbasierter Filter kann zwar mit nicht bekannten Anfangszuständen umgehen, aber die benötigte Rechenzeit ist ein limitierender Faktor.

3 Konzept für ein Indoor-Lokalisierungssystem 35 Ein Partikelfilter kann mit unbekannten Anfangszuständen umgehen und gilt dazu noch als effizient bezüglich der benötigten Rechenzeit [19]. Aus diesen Gründen wird für das Konzept ein Partikelfilter verwendet. Hier ist anzumerken, dass für jedes zu trackende Objekt ein eigener Partikelsatz benötigt wird. Das kann Implikationen für die tatsächliche Nutzbarkeit des Systems haben, denn in dem beschriebenen Szenario ist es denkbar, dass Hunderte von Objekten getrackt werden müssen und somit die dafür benötigte Rechenleistung ein limitierender Faktor für die Einsatzbarkeit eines solchen Systems ist. Beim Partikelfilter werden diskrete Partikel verwendet, um einen Belief, also eine Gesamtvermutung über den tatsächlichen Zustand, darzustellen. Ein Partikel selbst enthält Variablen, die einen möglichen Zustand repräsentieren. Wie gut ein Partikel dabei dem tatsächlichen, gesuchten Zustand entspricht, wird durch sein Gewicht repräsentiert. Algorithmisch werden iterativ ein Vorhersageschritt, eine Neugewichtung der Partikel nach Eintreffen neuer Sensordaten und (falls notwendig) ein Resamplingschritt, bei dem ein neuer Partikelsatz erzeugt wird, vorgenommen. Dafür werden eine passende Zustandsrepräsentation durch einen Partikel, ein Bewegungsmodell für den Vorhersageschritt und ein Sensorenmodell für die Gewichtung benötigt. 3.4.1 Zustandsrepräsentation Für das vorliegende Szenario (Verfolgen von Personen und durch Personen bewegte Objekte) bietet es sich an, folgende Zustandselemente durch einen Partikel p zu repräsentieren: • absolute x/y-Koordinaten x p und y p • Gewicht w p • Bewegungsrichtung d p (Bogenmaß) • Bewegungsgeschwindigkeit v p Dabei ist die Richtung d p aus implementierungstechnischen Gründen im Bogenmaß und ist für den Bereich zwischen −π und π definiert. Die Bewegungsgeschwindigkeit v p bedeutet die Bewegung von v p Koordinateneinheiten pro Schritt. Diese beschreibenden Zustandselemente eines Partikels lassen sich direkt in objektorientierten Sprachen in eine Partikelklasse umsetzen, die wie folgt aussehen kann: class Particle { float x, y; // coordinates of particle double w; // weight double dir; // direction in radiant

Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Faltungsnetzwerke zur Gesichtsdetektion unter ... - Gernot A. Fink
Mustererkennung - Prinzipien, Methoden ... - Gernot A. Fink
Secure Candle - Klassifikation akustischer ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Cluster - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Unüberwachtes Lernen von Handschriftstilen - Gernot A. Fink - TU ...
DETEKTION HANDSCHRIFTLICHER TEXTE IN ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Simultane Lokalisierung und Kartenerstellung eines ... - Gernot A. Fink
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