Aufrufe
vor 3 Jahren

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

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

36 3.4 Entwicklung eines

36 3.4 Entwicklung eines Partikelfilters } double vel; // abstract velocity Da ein Partikel ein Repräsentant für eine absolute Position ist, durch die Platzierung der RFID- Sensoren an Durchgängen aber nur eine raumgenaue Lokalisierung zwischen den Durchgängen stattfindet und gefordert ist, soll die Anzahl der Partikel n ri von insgesamt n gesamt Partikeln in einem Raum r i die Wahrscheinlichkeit p(X ri ) ausdrücken, dass Person X sich in Raum r i befindet: p(X ri ) = n ri n gesamt Die Summe aller Wahrscheinlichkeiten über alle Räume 1 bis N muss wieder 1 betragen: N∑ p(X ri ) = 1 i=1 3.4.2 Bewegungsmodell Ein Bewegungsmodell beschreibt die Bewegung eines Partikels durch den Suchraum. Je genauer ein Bewegungsmodell ist, desto höher ist die Qualität der Aussage durch den Partikelfilter ohne Sensormessung. Für das beschriebene probabilistische Modell wurde vorausgesetzt, dass keine Bewegungsprofile und Routen innerhalb eines Gebäudes bekannt sind (vgl. Abschnitt 3.3). Dennoch muss sichergestellt werden, dass das Bewegungsmodell den vielfältigen Möglichkeiten einer Person, sich in einem Gebäude zu bewegen, Rechnung trägt. Aus diesem Grund wird ein randomisiertes Bewegungsmodell verwendet: In jedem Vorhersageschritt i einer Iteration des Partikelfilters bewegt sich ein Partikel p mit den Koordinaten x pi , y pi in die Richtung d pi mit der Geschwindigkeit v pi . Somit würden die Koordinaten des Partikels p im Schritt i + 1 bei dieser deterministischen Bewegung wie folgt lauten: x pi+1 = x pi + v pi · cos(d pi ) y pi+1 = y pi + v pi · sin(d pi ) Dieser Bewegung wird nun eine Gaußsche Unschärfe hinzugefügt. Dazu wird eine Variable g s mit folgenden Eigenschaften eingeführt: g s ist eine Gauß-verteilte Zufallszahl mit dem Mittelwert 0 und mit der Standardabweichung s. In der unscharfen Bewegung bewegt sich ein Partikel p mit den Koordinaten x pi ,y pi in die Richtung d pi + g s mit der Geschwindigkeit v p i · (1 + g s ). Es wurde die gleiche Gaußdichte für v und d gewählt, weil für diese a priori keine Informationen über die Bewegungsmuster von sich bewegenden Personen vorlagen und somit nicht verifizierbar war,

3 Konzept für ein Indoor-Lokalisierungssystem 37 ob die Verwendung von zwei unterschiedlichen Gaußdichten einen Effekt hat. Somit lauten die Koordinaten des Partikels p im Schritt i + 1 bei dieser unscharfen Bewegung wie folgt: x pi+1 = x pi + v pi · (1 + g s ) · cos(d pi + g s ) (3.1) y pi+1 = y pi + v pi · (1 + g s ) · sin(d pi + g s ) (3.2) Somit gilt auch: d i+1 = d i + g s Abhängig von der Wahl der Standardabweichung s für g s wird sich ein Partikel nach kurzer Zeit zufällig in eine andere Richtung bewegen. Abbildung 3.3 zeigt die Bewegung von 500 Partikeln, die zu Anfang alle die gleichen Koordinaten besitzen und in die gleiche Richtung d = 0 zeigen. Die Standardabweichung s beträgt 0, 5. Nach 15 Vorhersageschritten sind die Partikel bereits stark zerstreut. Bild 3.3: Bewegungen von Partikeln mit Gaußscher Unschärfe. a) zeigt die Ausgangssituation, alle Partikel besitzen die gleichen Koordinaten. b) zeigt die Partikel nach 5, c) nach 10 und d) nach 15 Iterationen des Vorhersage. Es muss noch der Fall behandelt werden, wenn ein Partikel nach einem Bewegungsschritt sich in einem Hindernis wie einer Wand befindet. Es ist offensichtlich, dass ein Partikel in einem Hindernis ein schlechter Repräsentant für den gesuchten Ort ist. Daher wird im Iterationsschritt i untersucht, ob sich Partikel p im Schritt i + 1 in einem Hindernis befindet. Falls ja, wird die Bewegungsrichtung d p heuristisch um 180 Grad (oder um π im Bogenmaß) gedreht: d pi+1 = d pi + π für d pi < 0 d pi+1 = d pi − π für d pi > 0 Der Grund für diese Heuristik lässt sich wie folgt argumentieren: Im Gewichtungsschritt wird ein Partikel, das sich in einem Hindernis befindet, auf Gewicht 0 heruntergewertet und beim Resampling nicht berücksichtigt. Es würde im Resampling-Schritt sterben“. Somit verlieren Räume mit ” vielen Hindernissen auch proportional zur Hindernisfläche viele Partikel beim Resampling. Da

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
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Simultane Lokalisierung und Kartenerstellung eines ... - Gernot A. Fink
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