Aufrufe
vor 3 Jahren

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

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

54 5.1 Testmethodik 1.

54 5.1 Testmethodik 1. Erkennungsrate pro Durchlauf: Eine Trajektorie u wird in einem Testdurchlauf d i simuliert. Während der Simulation werden l Lokalisierungsmessungen vorgenommen, dabei wurden k Räume korrekt lokalisiert. Die Erkennungsrate dieses Durchlaufs beträgt e(d i ) = k l . 2. Erkennungsrate pro Raum: Es werden m Durchläufe der Trajektorie u simuliert. Dabei wurde Raum r i n-mal korrekt erkannt. Die Erkennungsrate für einen Raum r i beträgt dann e(r i ) = n m . Der Ground Truth ist allgemein gleichbedeutend mit dem Sollzustand. Der Ground Truth g u gibt an, wo sich ein Objekt mit einer Trajektorie u zu einem Zeitpunkt t tatsächlich befindet. In den Versuchsreihen bilden 10 Iterationen des Partikelfilters 1 Sekunde ab. Daher werden alle 10 Iterationen eine Lokalisierungsmessung vorgenommen und die Partikel pro Raum gezählt. Abbildung 5.1 zeigt eine grafische Darstellung einer Partikelverteilung während eines Versuchsdurchlaufs. Wenn prozentual die meisten Partikel dieser Messung in dem Raum sind, der laut Ground Truth der gesuchte Raum ist, gilt er als korrekt lokalisiert. Für alle Versuchsreihen wird durchgängig die Erkennungsrate pro Raum verwendet, damit eine bessere Vergleichbarkeit der Ergebnisse der synthetischen und praktischen Versuche gegeben ist. Beispielhafte Partikelverteilung 250 Partikelzahl 200 150 100 Raum 1 Raum 2 Raum 3 Raum 4 Raum 5 50 0 0 10 20 30 40 50 60 70 Zeit (s) Bild 5.1: Beispielhafte Partikelverteilung während eines Versuchsdurchlaufs 5.1.2 Synthetische Testserie In dieser Testserie wird untersucht, wie sich verschiedene Parametereinstellungen des Partikelfilters auf die Erkennungsrate auswirken. In Vorversuchen stellte sich heraus, dass folgende

5 Evaluierung 55 Parameter das Verhalten des Partikelfilters beeinflussen: 1. Sensormodell. In Abschnitt 3.4.3 wurden zwei Sensormodelle vorgestellt, RFID und Approximation. Es ist zu untersuchen, inwieweit sich beide Modelle zur Indoor-Lokalisierung eignen. 2. Partikelzahl. Die Partikelzahl ist ein entscheidender Faktor für die Leistung des Simulators, weil die Rechenzeit des Partikelfilters mit der Partikelzahl steigt. Gleichzeitig ist mit der Partikelzahl die Genauigkeit der Beschreibung des Zustands begrenzt. Daher ist zu untersuchen, welchen Einfluss die Partikelzahl auf die Zuverlässigkeit der Lokalisierung und Leistungsfähigkeit des Simulators hat. 3. Motion Error. Dieser Parameter spielt eine wichtige Rolle im Bewegungsmodell des Partikelfilters. Er beschreibt die Standardabweichung der Formel 3.2 (s. Abschnitt 3.4.2). Daher muss untersucht werden, welchen Einfluss eine Veränderung des Parameters auf das Verhalten des Partikelfilters hat. 4. Sensor TTL. Dieser Parameter gilt nur für das Sensormodell RFID. Er gibt an, wie viele Iterationen ein Sensor aktiv ist. Je länger ein Sensor aktiviert bleibt, desto mehr Partikel können in dieser Zeit durch das Sensorfeld bewegt und hochgewertet werden. Wenn dieser Wert zu niedrig ist, haben die Partikel keine Chance, aus dem Sensorfeld zu wandern, bevor der Sensor sich deaktiviert und die Partikel im Feld wieder abgewertet werden. Wenn dieser Wert zu hoch ist, werden die Partikel, die korrekterweise hochgewichtet durch das Sensorfeld gewandert sind, wieder abgewertet. Daher muss ein Wert gefunden werden, der die Funktionsfähigkeit des Lokalisierungssytems mit dem Sensormodell sicherstellt. 5. Q(err). Dieser Parameter gilt nur für das Sensormodell Approximation. Er stellt die Standardabweichung σ der Gaußfunktion dar, die zur Gewichtung der Partikel verwendet wird. Dieser Wert bezieht sich auf das in dem Simulator verwendete Ortsraster und hat daher die gleiche Einheit (1 Rastereinheit = 20 cm). Er hat vermutlich einen großen Einfluss auf das Verhalten des Partikelfilters (s. Abschnitt 3.4.3). Es muss untersucht werden, inwieweit sich eine Variation dieses Wertes auf die Lokalisierungsleistung auswirkt. Die Parameterwerte für die synthetische Testserie sind in Tabelle 5.1 dargestellt. Diese Werte wurden heuristisch und anhand von Vorversuchen ermittelt. Für alle Versuche in dieser Arbeit bleiben folgende Parameter unverändert: • Particle Velocity: 2,0 • Resampling Threshold: 0,5 • Zeitraster: 10 Iterationen pro Sekunde

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