Aufrufe
vor 3 Jahren

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

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

46 4.1 Aufbau des

46 4.1 Aufbau des Simulators weis auf einen Partikelsatz, der in der Klasse ParticleClass implementiert ist, sowie einen Verweis auf die existierenden Räume aus der Klasse RoomClass und Sensoren aus der Klasse SensorCollection. Der überwiegende Teil der Methoden des Filters sind Operationen über den Partikelsatz. Die Methode PredictPart() bewegt Partikel nach einem Bewegungsmuster. Es wurden insgesamt vier verschiedene Bewegungsmuster implementiert. Für diese Arbeit wird jedoch nur die Bewegung mittels Geschwindigkeit v p und Richtung d p mit Gaußscher Unschärfe angewendet. Vor der Durchführung der Bewegung wird überprüft, ob sich ein Partikel nach der Bewegung in einem Hindernis befände. Sollte dies der Fall sein, wird die Richtung des Partikels um 180 Grad gedreht (vgl. Abschnitt 3.4.2). Die Methode UpdateWeights() gewichtet Partikel nach dem vorgegebenen Sensormodell. Es stehen zwei Sensormodelle zur Verfügung: RFID“ und Approximation“. Das Modell RFID“ wird ” ” ” durch die Klasse SensorModel implementiert. Es liefert für einen Partikel durch die Methode ReturnWeight() das neue Gewicht, das in Abschnitt 3.4.3 beschrieben wurde. Beim Sensormodell Approximation“ werden die Gewichtung nach der Entfernung und die anschließende ” Punktspiegelung (vgl. Abschnitt 3.4.3) durchgeführt. Die Methode Resample() erzeugt aus dem aktuellen Partikelsatz einen neuen Satz nach der Selection with Replacement-Methode (vgl. Abschnitt 3.4.4). Da dieser Schritt nicht in jeder Iteration des Partikelfilters benötigt wird, berechnet die Methode NeedResampling() vorher den ESS-Wert des aktuellen Partikelsatzes und vergleicht den Wert mit dem eingestellten Sollwert. Wird dieser Sollwert unterschritten, liefert die Methode den Wert true zurück und stößt damit das Resampling an. 4.1.2 Modul SensorEvent-Handler Das Modul SensorEvent-Handler dient in erster Linie als Abstraktionsschicht, um dem Partikelfilter eine einheitliche Sensorevent-Schnittstelle zur Verfügung zu stellen. Ein Sensorevent wird in der Klasse SensorEventClass wie folgt implementiert: class SensorEvent { int sensorID; string data; int timestamp; bool active; } Durch diese Definition eines SensorEvent-Objekts ist es möglich, auch Sensorevents in XML zu speichern oder durch den Simulator wieder zeitlich geordnet ” abspielen“ zu lassen. Näheres zu

4 Implementierung und Konfiguration des Simulators 47 der Sensorevent-Abspielfunktionaliät kann in Abschnitt 4.2 nachgeschlagen werden. Eine beispielhafte SensorEvent-XML-Datei sieht wie folgt aus: 4.1.3 Modul User Interface Das Modul User Interface beinhaltet Eingabe-, Ausgabe- und Einstellungsfunktionalitäten des Simulators. Sie sind in der Klasse MainForm implementiert. In dieser Klasse werden alle Initialisierungen durchgeführt. Eine genauere Beschreibung des User Interface findet sich in Abschnitt 4.2. 4.2 Bedienung des Simulators Der Simulator ist unterteilt in einen Ausgabeteil (Graphische Ausgabe, Log-Ausgabe) auf der linken Seite und einen Eingabe-/Parameterteil auf der rechten Seite. Abbildung 4.1 zeigt einen Screenshot der Anwendung. 4.2.1 Graphische Ausgabe Die graphische Ausgabe befindet sich links oben im Hauptfenster des Simulators. In diesem Fenster sind die Aufteilung der Räume, die Standorte der Sensoren mit ihren Sensorreichweiten und die Partikel zu sehen. Dieses Fenster ist 400 × 400 Pixel groß und stellt ein diskretes Ortsraster über den tatsächlichen Suchraum dar. Ein diskretes Rasterelement repräsentiert hier 20 cm des Suchraums. Dieses Verhältnis wurde gewählt, um den späteren Versuchsaufbau im openID-center (s. Abschnitt 5.1.4) darstellen zu können. 4.2.2 Log-Ausgabe In diesem Fenster, das sich links unten befindet, werden Logmeldungen wie ausgelöste Events und eventuelle Fehlermeldungen mit einem Timestamp angezeigt. Ein Doppelklick auf das Fenster

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
DETEKTION HANDSCHRIFTLICHER TEXTE IN ... - 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 ...
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Simultane Lokalisierung und Kartenerstellung eines ... - Gernot A. Fink
Mensch und Maschine verbinden - Gernot A. Fink - TU Dortmund
Skriptum zur Vorlesung “Mustererkennung” - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund