Aufrufe
vor 3 Jahren

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

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

56 5.1 Testmethodik

56 5.1 Testmethodik Parameter Werte Sensormodell RFID Approximation Partikelzahl 250, 500, 1000 250, 500, 1000 Motion Error 0, 25, 0, 5, 1, 0 0, 25, 0, 5, 1, 0 Sensor TTL 5, 10, 20 - Q(err) - 5, 10, 20 Tabelle 5.1: Die Parameter für die synthetische Testreihe Zeitpunkt (s) Sensor-Nr. 5 4 12 2 15 1 45 1 48 2 60 3 70 3 74 4 Tabelle 5.2: Darstellung der Referenztrajektorie u 1 als Liste von Sensorauslösungen Um den Einfluss der Parameter auf die Erkennungsraten zu messen, wird jede Kombination der Parameter aus Tabelle 5.1 im Partikelfilter eingestellt und eine Trajektorie in einer Nachbildung der späteren Versuchsräume simuliert. Jeder Durchlauf einer Parameterkombination wurde zehnmal durchgeführt. Für die Validierung der Parameter lieferte eine zehnmalige Wiederholung ausreichend signifikante Ergebnisse bezogen auf die Varianz. Eine Trajektorie wird dabei durch eine zeitliche Folge von Sensorauslösungen repräsentiert. In der Simulation sind die Sensorauslösungen ideal, d.h. sie lösen immer und zur angegebenen Zeit aus. Abbildung 5.2 zeigt die simulierte Trajektorie u 1 und Tabelle 5.2 die daraus resultierende Liste von Sensorauslösungen. Die Trajektorie enthält langsame (z.B. Aufenthalt in Raum 1) und schnelle (Wechsel von Raum 1 in Raum 2) Trajektorien, um verschiedene Bewegungssituationen abzubilden. Insgesamt werden 9 Räume besucht, einige davon mehrfach. Tabelle 5.3 zeigt die besuchten Räume. Die Partikel werden zum Zeitpunkt 0 in Raum 5 initialisiert, so dass die Erkennungsrate zu dem Zeitpunkt dort immer 100% beträgt. Daher wird dieser Raumaufenthalt nicht in die Berechnung der Erkennungsrate einbezogen. 5.1.3 Fehlertoleranz-Testserie Eine Anforderung an das konzipierte Lokalisierungssystem bestand in der Robustheit gegenüber Sensorfehlmessungen (s. Abschnitt 3.2.1). Sensoren können falsch-positive und falsch-negative Messungen aufweisen (s. Abschnitt 3.4.3). In dieser Testserie wird untersucht, wie der Partikelfilter auf beide Fehlerarten reagiert. Für die Untersuchung des Verhaltens auf eine falsch-

5 Evaluierung 57 Raumfolge Zeitintervall (s) Raum 1 0 - 5 5 2 6 - 12 3 3 13 - 15 2 4 16 - 45 1 5 46 - 48 2 6 49 - 60 3 7 61 - 70 4 8 71 - 74 3 9 75 - 80 5 Tabelle 5.3: Liste der besuchten Räume in den entsprechenden Zeitintervallen Bild 5.2: Darstellung der Trajektorie u 1 für die synthetische Testserie. Die abgebildeten Räume entsprechen dem Versuchsaufbau im openID-center

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
Unüberwachtes Lernen von Handschriftstilen - Gernot A. Fink - TU ...
Rechnerarchitektur SS 2012 - 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