Aufrufe
vor 3 Jahren

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

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

86 6.2 Fazit In Kapitel

86 6.2 Fazit In Kapitel 4 wurde die Implementierung des Partikelfilters präsentiert. Dazu gehört eine Beschreibung der Bedienung und der Parameter des Partikelfilters. In Kapitel 5 fand die Evaluierung des Partikelfilters statt. Zunächst wurde dargelegt, welches die Kriterien der Bewertung sind. Wegen der Forderung nach raumgenauer Lokalisierung wurde die Erkennungsrate der Räume als Kriterium gewählt. Zur Ermittlung der Erkennungsraten und des Einflusses von ausgewählten Parametern wurden drei Testserien aufgestellt. Der synthetische Test untersuchte die Erkennungsrate in Abhängigkeit von ausgewählten Parametern. Der Fehlertoleranz-Test untersuchte das Verhalten des Partikelfilters auf Sensorstörungen. Der praktische Test verband Partikelfilter und RFID-Hardware zur approximativen Indoor-Lokalisierung von RFID-Transpondern. Die Messergebnisse wurden bewertet und hinterfragt. 6.2 Fazit Es konnte im Rahmen dieser Arbeit dargelegt werden, dass sich eine raumgenaue Lokalisierung mittels Sensoren an Raumgrenzen erzielen lässt. Die Ergebnisse im Simulator zeigen, dass mit heuristischen Annahmen bereits Messungen ausreichen, um mit hoher Wahrscheinlichkeit den gesuchten Raum zu orten. Die Parametrisierung des dafür implementierten Partikelfilters ist dabei entscheidend für die Genauigkeit der Lokalisierung. Von beiden vorgestellten Sensormodellen für den Partikelfilter erwies sich lediglich das Sensormodell Approximation als geeignet zur Lokalisierung. Das Sensormodell RFID dagegen zeigte starke Schwankungen in der Genauigkeit der Lokalisierung auf. Es ist zu vermuten, dass dieses Modell mit dem randomisierten Bewegungsmodell nicht harmoniert. Es konnte gezeigt werden, dass der implementierte Partikelfilter robust gegenüber Sensorfehlern ist. Durch fehlerhafte Sensormessungen entstandene Fehleinschätzungen des tatsächlichen Zustands werden korrigiert, wenn korrekte Sensormessungen folgen. Das Lokalisierungskonzept wurde erfolgreich mit einem realen RFID-System getestet. Wenn die Leserate bezüglich der Transponder optimal ist, erreicht das System Erkennungsraten, die mit den theoretischen Ergebnissen des Simulators vergleichbar sind. Ungünstige Lesesituationen verschlechtern die Erkennungsrate. Eine Herausforderung für RFID-basierte Lokalisierungssysteme liegt demnach darin, für das spezifizierte Anwendungsszenario möglichst hohe Leseraten zu liefern. Die Optimierung der Leserate von RFID-Systemen ist derzeit Gegenstand vieler Forschungsuntersuchungen. Die Ergebnisse des praktischen Tests zeigen, dass eine raumgenaue Lokalisierung mittels RFID in dem in dieser Arbeit beschriebenen Rahmen erfolgreich durchgeführt werden kann. Es bedarf weiterer Untersuchungen, ob dieses Konzept in wesentlich größeren Szenarien (z.B. in einem Krankenhaus) vergleichbar anwendbar ist.

6 Fazit und Ausblick 87 6.3 Ausblick In vielen Bereichen der Logistik existieren ebenfalls Lokalisierungsprobleme. In einem Zentrallager müssen - ähnlich zu dem in dieser Arbeit vorgestellten Szenario - ebenfalls ständig logistische Objekte wie Paletten und Ladungsträger gesucht werden, was zu zeitlichen Verzögerungen und erhöhten Personalkosten führt. Da in der Handelslogistik die zeitliche Abstimmung innerhalb einer logistischen Kette eine große Rolle spielt, ist der Einsatz eines Lokalisierungssystems für logistische Zwecke vorteilhaft. Durch den wachsenden Zuspruch von RFID in der Logistik allgemein und der häufigen Verwendung des Gate-Prinzips für Warenein- und ausgänge in der Handelslogistik ist eine Anwendung des hier vorgestellten Konzepts denkbar. Eine raumgenaue Lokalisierung kann zu einer Verbesserung des beschriebenen Lokalisierungsproblems führen. In dieser Arbeit wurde ausschliesslich die Verwendung von RFID-Sensoren zur Lokalisierung beschrieben. Sie bieten eine Identifikation von Objekten und damit die Möglichkeit einer objektspezifischen Lokalisierung. In bestimmten Szenarien existieren weitere Sensorentypen, beispielsweise binäre Sensoren wie Lichtschranken und Näherungssensoren, intelligente Schalter und Videokameras. Sie bieten keine Identifikation, aber durch Kenntnis ihrer Position ist es möglich, durch sie Ortsinformationen zu gewinnen. Es ist denkbar, durch Sensorfusion (s. Abschnitt 2.2.5) der verschiedenen Sensortypen die Genauigkeit der Lokalisierung zu verbessern. Eine Schwierigkeit hierbei besteht darin, anonyme Sensorinformationen spezifischen Objekten zuzuordnen, wenn mehr als ein Trackingobjekt existiert, was in den vielen Lokalisierungsszenarien der Fall ist. Das ist als das Data Association-Problem bekannt. Zur Lösung dieses Problems werden probabilistische Ansätze verfolgt [39].

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