Aufrufe
vor 3 Jahren

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

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

78 5.3 Zusammenfassung

78 5.3 Zusammenfassung der Ergebnisse und Diskussion Durchschnittliche Erkennungsraten Praktische Testserie 100 90 80 Erkennungsrate (%) 70 60 50 40 30 20 10 Transpondertyp A Transpondertyp B Transpondertyp C 0 Optimal Normal Worst case Transponderposition Bild 5.27: Durchschnittliche Erkennungsraten des Sensormodells Approximation in der praktischen Testserie für die Trajektorie u 1 und u 2 in Abhängigkeit von Transpondertyp und -position 2. den Einfluss verschiedener Parameter auf das Verhalten des Partikelfilters und auf die Lokalisierungsleistung, 3. das Verhalten des Partikelfilters im Falle eines Sensormessfehlers, 4. die Praxistauglichkeit des Partikelfilters in Verbindung mit einem realen RFID-System zur raumgenauen Lokalisierung von Transpondern. Zu diesem Zweck wurden drei Testserien erstellt: 1. Die synthetische Testserie: Dem Partikelfilter wird eine Trajektorie mit idealisierter Sensorauslösung simuliert. Die zu untersuchenden Parameter sind Sensormodell, Partikelzahl, Motion Error, Q(err) und Sensor TTL. 2. Die Fehlertoleranz-Testserie: In dieser wird eine Trajektorie mit falsch-negativen und falsch-positiven Messungen simuliert. Die hierbei relevanten Parameter sind Sensormodell, Partikelzahl und Noise Particles-Zahl. 3. Die praktische Testserie: Hierbei werden zwei Trajektorien von einer Testperson mit einem Transponder in einem Versuchsaufbau abgelaufen. Es wird nur das Sensormodell Approximation verwendet. Die zu untersuchenden Parameter sind Transponderposition und -typ.

5 Evaluierung 79 5.3.1 Vergleich der Sensormodelle Ein Vergleich der Sensormodelle RFID und Approximation in der synthetischen Testserie zeigt eine große Diskrepanz in der Genauigkeit und Zuverlässigkeit der Lokalisierung. Sensormodell RFID. Es gelang in keiner Parametereinstellung, mit dem Sensormodell RFID eine akzeptable Genauigkeit zu erreichen. Die durchschnittliche Erkennungsrate der Versuchsreihen mit dem Sensormodell RFID lag bei 48, 8% bei einer Standardabweichung von 32, 9%. Die Parameter Sensor TTL und Motion Error scheinen einen leichten Einfluss auf die Erkennungsleistung zu haben: Je höher die Werte sind, desto besser ist die Erkennungsleistung. Angesichts allgemein schlechten Erkennungsraten und der hohen Standardabweichung der Messergebnisse fällt der Einfluss dieser Parameter aber kaum ins Gewicht (s. Tabellen 5.9 und 5.10). Sensor TTL ø Erkennungsrate (%) 5 46,1 10 50,0 20 53,7 Tabelle 5.9: Durchschnittliche Erkennungsrate der synthetischen Testserie, Sensormodell RFID, gruppiert nach Sensor TTL Motion Error ø Erkennungsrate (%) 0,25 45,5 0,5 48,9 1,0 52,6 Tabelle 5.10: Durchschnittliche Erkennungsrate der synthetischen Testserie, Sensormodell RFID, gruppiert nach Motion Error Die Partikelzahl spielt insofern eine Rolle, dass 250 Partikel für das Sensormodell und die vorgestellten Raumstrukturen mit 5 Räumen unzureichend sind. Für 500 und 1000 Partikel sind die Messergebnisse mit einer durchschnittlichen Erkennungsrate von 51, 2% und 49, 4% vergleichbar. Das Verhalten des Sensormodells RFID bei einer Sensorfehlmessung ist wegen der niedrigen Erkennungsraten und hohe Varianz der Ergebnisse nicht abschließend zu beurteilen. Es scheint, dass ab dem fünften Raumwechsel die Erkennungsraten in dem Bereich liegen, die während der synthetischen Tests zu beobachten waren. Ein Einfluss des Parameters Noise Particles ist nicht erkennbar. Eine mögliche Erklärung für die schlechte Erkennungsleistung liegt in der Funktionsweise des Sensormodells selbst. Dieses Modell setzt voraus, dass sich zum Zeitpunkt einer Sensorauslösung genügend Partikel am Rand eines Sensorfeldes befinden. Diese Partikel müssen dann in der nächsten Iteration des Partikelfilters im Vorhersageschritt auch in das Feld eintreten. Gleichzeitig

Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Audiobasierte Impulslokalisierung und -erkennung ... - Gernot A. Fink
Faltungsnetzwerke zur Gesichtsdetektion unter ... - Gernot A. Fink
Secure Candle - Klassifikation akustischer ... - Gernot A. Fink
Mustererkennung - Prinzipien, Methoden ... - Gernot A. Fink
Rechnerstrukturen - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Cluster - Gernot A. Fink - TU Dortmund
DETEKTION HANDSCHRIFTLICHER TEXTE IN ... - Gernot A. Fink
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerarchitektur SS 2012 - Gernot A. Fink - TU Dortmund
Rechnerstrukturen - 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
Human Aware Ambient Intelligence - Gernot A. Fink
Automatische Kalibrierung verteilter Mikrophonfelder - Gernot A. Fink