Aufrufe
vor 3 Jahren

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

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

82 5.3 Zusammenfassung

82 5.3 Zusammenfassung der Ergebnisse und Diskussion Bei der Betrachtung dieser Abbildung fällt ein optischer Zusammenhang im Verlauf der Kurven auf, der eine Korrelation zwischen der Erkennungsrate und der Raumgröße nahelegt. Dies lässt sich durch die Funktion des Parameters Q(err) erklären: Dieser Parameter ist für die Gewichtung der Partikel in Abhängigkeit von der Entfernung zu einem Referenzpunkt (hier: Sensor) zuständig (s. Abschnitt 3.4.3). Je kleiner dieser Wert ist, desto lokaler sind die Auswirkungen der Gewichtung. Je größer dieser Wert ist, desto uniformer und großflächiger sind die Auswirkungen der Gewichtung. Je uniformer eine Gewichtung ist, desto weniger spielt die tatsächliche Nähe zu einem Sensor eine Rolle. Da ein großflächiger Raum bei einer uniformen Verteilung im Schnitt mehr Partikel enthält als ein kleiner, wird dieser große Raum im Schnitt als Folge der Definition eines korrekt erkannten Raums öfter als korrekt erkannt. Es ist denkbar, dass markante Größenunterschiede zwischen zwei benachbarten Räumen Einfluss auf die Erkennungsrate haben. Der Parameter Motion Error scheint nur einen geringen Einfluss auf die Erkennungsrate zu haben (s. Abbildungen 5.15 und 5.18). Dieser Parameter könnte allerdings eine größere Rolle spielen, wenn sich die Gebäudestrukturen stark von dem Versuchsaufbau unterscheiden. Eine höhere Partikelzahl erhöht die Erkennungsrate und senkt gleichzeitig die Standardabweichung (s. Tabelle 5.12). Zu untersuchen bleibt, ob der Partikelfilter in einem größeren Versuchsaufbau mit mehr Räumen und Durchgängen auch mehr Partikel benötigt, um vergleichbare Erkennungsraten und Standardabweichungen zu liefern. Die Wahl der Partikelzahl ist insofern für den angedachten Anwendungsbereich wichtig, als dass dort nicht nur ein Transponder wie hier in dem Versuch, sondern möglicherweise Hunderte von Transpondern verfolgt werden müssen. Damit steigt die Partikelzahl entsprechend an, was in einem solchen Lokalisierungssystem berücksichtigt werden muss. Partikelzahl ø Erkennungsrate (%) ø Standardabweichung (%) 250 90,0 9,2 500 95,4 5,7 1000 98,5 2,1 Tabelle 5.12: Durschnittliche Erkennungsrate der synthetischen Testserie, Sensormodell Approximation, gruppiert nach Partikelzahl. Die Werte für Q(err) = 20 sind herausgefiltert worden Das Sensormodell Approximation“ kann sich von einer Störung des Systems durch eine falschnegativen Messung erholen. Im Schnitt lag die Erkennungsrate nach 3 Raumwechseln über 50% ” und pendelte sich nach 4 Raumwechseln auf einen stabilen Wert über 90% ein. Bei einer falschpositiven Messung fällt die Erkennungsrate nicht so drastisch ab wie bei der falsch-negativen Messung. Nach 1 Raumwechsel lag die durchschnittliche Erkennungsrate über 70% und stieg stetig mit jedem weiteren Raumwechsel und pendelte sich nach 4 Raumwechseln auf einen stabilen Wert um 90% ein. Eine falsch-negative Messung beeinflusst die Erkennungsrate messbar stärker als eine falsch-positive. Der Parameter Noise Particles scheint einen Einfluss darauf zu haben, wie schnell sich die Zustandsschätzung wieder erholt, insbesondere bei niedrigeren Partikelzahlen:

5 Evaluierung 83 Je mehr Noise Particles eingestellt wurden, desto weniger Raumwechsel waren notwendig, um eine Erkennungsrate > 90% zu erreichen. Eine höhere Partikelzahl steigerte die Erkennungsrate in allen Versuchsreihen. Es bleibt allerdings offen, ob eine völlig andere Trajektorie in anderen Gebäudestrukturen zu vergleichbaren Ergebnissen bezüglich der Fehlertoleranz führt. Zusammenfassend lässt sich sagen, dass sich das Sensormodell Approximation generell zum raumgenauen Orten geeignet, wenn der Q(err)-Wert ≤ 10 ist. Es liefert auch mit wenigen Partikeln < 500 eine durchgängig hohe Erkennungsrate. Der Parameter Motion Error spielte keine große Rolle. 5.3.2 Praxistauglichkeit Auf Grund der vorhergehenden Erkenntnisse im Simulator wurde für die praktische Testserie nur das Sensormodell Approximation“ verwendet. Dabei wurde zugleich der Einfluss von ” Transponderposition und Transpondertyp untersucht. Die Ergebnisse zeigen, dass bei optimaler Transponderposition die Erkennungsraten von durchschnittlich 92, 8% schlechter, aber insgesamt vergleichbar mit den simulierten 96, 7% mit den gleichen Parametereinstellungen (500 Partikel, Q(err): 5, Motion Error: 0,5) aus der synthetischen Testserie sind. Bei normaler und worst case-Position sinkt die Erkennungsrate (s. Tabelle 5.13). Daraus folgt, dass mit sich verschlechternder Transponderposition die Leserate der Transponder und damit die Erkennungsrate sinkt. Das zeigt sich auch in den Ergebnissen bezüglich des Transpondertyps (s. Tabelle 5.14). Es zeigte sich, dass die Größe mit der Erkennungsrate eines Transpondertyp korreliert. Der größte Transpondertyp in diesen Versuchen (Typ A) lieferte auch in der worst case-Position eine vergleichsweise hohe Lese- und Erkennungsraten. Der kleinste Transpondertyp (Typ C) produzierte in worst case-Position die meiste Anzahl an falsch-negativen Messungen und damit die schlechteste Erkennungsrate. Aus technischen Gründen konnte nur eine Antenne pro Durchgang angebracht werden. In der Regel werden an einem Gate aber mehrere Antennen verwendet, um die Leserate zu erhöhen (s. Abschnitt 3.2.2). Eine Erhöhung der Antennenzahl könnte demnach zu verbesserten Erkennungsraten führen. Transponder-Position ø Erkennungsrate (%) optimal 92,8 normal 75,9 worst case 47,6 Tabelle 5.13: Durchschnittliche Erkennungsraten der praktischen Testserie, gruppiert nach Transpondertyp. Sensormodell Approximation, 500 Partikel, Motion Error: 0, 5 , Q(err): 5 Das Optimieren der Leserate eines RFID-Systems ist ein hochkomplexes Problem, welches von vielen Faktoren bestimmt wird. Das Ziel aller Bemühungen der Forschung in diese Richtung ist eine Leserate von 100%, was momentan in der Realität nur selten und nur unter optimalen Bedingungen erreicht wird.

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
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