Metropolitan-scale Wi-Fi lokalizáció pontossági jellemzése Copyright 2005, Intel Corporation, All rights reserved. Yu-Chung Cheng, University of California, San Diego Yatin Chawathe, Anthony LaMarca, Intel Research Seattle John Krumm, Microsoft Corporation IRS-TR Jan 2005 DISCLAIMER: THIS DOCUMENT IS PROVIDED TO YOU "AS IS" WITH NO WARRANTIES WHATSOEVER, INCLUDING ANY WARRANTY OF MERCHANTABILITY NON-INFRINGEMENT, OR FITNESS FOR ANY PARTICULAR PURPOSE. INTEL AND THE AUTHORS OF THIS DOCUMENT DISCLAIM ALL LIABILITY, INCLUDING LIABILITY FOR INFRINGEMENT OF ANY PROPRIETARY RIGHTS, RELATING TO USE OR IMPLEMENTATION OF INFORMATION IN THIS DOCUMENT. THE PROVISION OF THIS DOCUMENT TO YOU DOES NOT PROVIDE YOU WITH ANY LICENSE, EXPRESS OR IMPLIED, BY ESTOPPEL OR OTHERWISE, TO ANY INTELLECTUAL PROPERTY RIGHTS

Előadás tematika Absztrakt 1. Bevezetés 2. Kapcsolódó munka 3. Módszertan 3.1. Metrikák a pozicionáláshoz 3.2. Pozicionáló algoritmusok Centroid Ujjlenyomat Részecske szűrők 3.3. Adatgyűjtés 4. Értékelés 4.1. A nyomkövetési adat analízise 4.2. Relatív teljesítmény 4.3. Az ismeretlen BP-ok hatása 4.4. A zajos GPS adat hatása 4.5. A térképezési adat sűrűsége 4.5. Az eredmények összefoglalása 5. Konklúzió

Absztrakt A lokalizált rendszereket az egyre növekvő mobil alkalmazások fontos összetevőjeként tartják számon. A legtöbb lokalizált rendszerrel kapcsolatos kutatás a fedett (benti) környezeten belüli pontos elhelyezésre összpontosult. Azonban a legtöbb alkalmazás (pl. a location-aware web kereső) csak akkor válik érdekessé, amikor az alapvető lokalizált rendszer széles körben elérhető és nincs korlátozva egy egyszerű irodai környezetre. Sajnos a telepítési és a kalibrálási overhead túlságosan nagy ahhoz, hogy akár egy egész városra kiterjesszük. Ebben az alkotásban egy es Wi-Fi alapú pozicionáló rendszer kiépítésének megvalósíthatóságát fogjuk vizsgálni. Kísérleteink kimutatják, hogy meg tudjuk becsülni a felhasználó pozícióját egy méternyi átlagos hibával (a környezet jellemzőitől függően)

Absztrakt Bár ez a pontosság alacsonyabb, mint a már létező pozicionáló rendszereké, sokkal kevesebb kalibrálási overhead és könnyű a telepítése, valamint nagy lefedettséget biztosít (akár nagyváros). Ezenfelül nem szükséges hozzá közvetlen rálátás nem úgy, mint a GPS- nél és még sűrű városi és belső környezetben is működik.

1.) Bevezetés Az hogy egy alacsony költségű felhasználói rendszer felismerje és közölni tudja a helyzetét a fizikai világban régóta kulcsfontosságú tényezője a mobil alkalmazások előrehaladásának. A legtöbb mostani lokalizált rendszer nem működik, ott ahol az emberek a legtöbb idejüket töltik. Például a leghétköznapibb lokalizált rendszer, a GPS (Global Positioning System) világszerte működik, de tisztán rá kell látnunk a keringő műholdra. GPS hibái: - közvetlen rálátás szükséges a műholdra - nem működik beltéren - a terepviszonyok nagyban befolyásolják a pontosságot (pl.: házak,…)

1.) Bevezetés Hasonló rendszerek a - RADAR Rádiófrekvencia térkép, a hálózat segítségével - Cricket Ultrahang és rádió frekvencia felhasználásával A térségben elhelyezett adó-vevő egységekre van szükség Előnyük a nagy pontosság az épületen belül (2-4m) Hibáik, hogy csak beltérre korlátozódnak. Nagy telepítési és kalibrációs owerhead Ebben a cikkben átvilágítjuk a kérdést, milyen pontosan tudja egy felhasználói rendszer megbecsülni a pontos helyét a ma létező hardware-rel és infrastruktúrával relatíve kis kalibrálási overheaddel.

1.) Bevezetés A Place Lab(kutatói projekt) olyan eszközökre támaszkodik, mint a kapcsolódási pontok és a rádiók (felhasználói eszközökbe építve) melyek a kliens oldali pozicionálást nyújtják. Mint a fent említett rendszerek a Place Lab úgy működik, hogy egy kliens eszköz figyeli a rádió-irányleadókat a környezetében és előre kiszámított rádió forrástérképet használ, hogy bemérje magát. Mi a felhasználók által nyújtott adatokra támaszkodunk amit „WAR DRIVING” útján gyűjtöttünk be (Wi-Fi és GPS eszközzel). Wi-Fi leadók nyomait keressük, hogy feltérképezzünk a Wi-Fi csatlakozási pontokat. A térkép felépítése egy egyszerű városi szomszédságban kevesebb, mint egy óra. Alacsony kalibrálási adatok mellett is jól működik Pontossága bár nem pár méter, inkább egy háztömb, de lényegesen kevesebb munkát igényel, mint egy beltéri lokalizációs rendszer.

2.) Kapcsolódó munka 1.) RADAR (Bahl és Padmanabham publikált 2000-ben) Wi-Fi ujjlenyomatokat használt, melyeket előzőleg gyűjtött össze ismert helyekről, az épületen belül. Pontossága átlagosan 2,94 méter 2.) UCSD Active Campus projektje Wi-Fi-vel talál meg eszközöket kívül és belül egy egyszerű algoritmussal, ami a belépési pontok ismert helyzetére támaszkodik az egyetemi campuson. 3.) Rosum TV-GPS A technika a digitális TV szinkronizációs szignálokon alapul Pontossága a tesztek alapján 2,3 – 23,3 méter 4.) A kereskedelmi FM rádió szignál használatát is felfedezték már, ami egészen a külvárosi területekig pontos volt.

3.) Módszertan Az összes Wi-Fi-alapú pozicionáló algoritmus a kezdeti TRAINING fázistól függ Magában foglalja a WAR DRIVING-ot (Wi-Fi, laptop, GPS eszköz) Training fázis: Wi-Fi kártya végig scanneli a környezetet, hogy vezeték nélküli hálózatokat fedezzen fel. GPS eszköz feljegyzi a szélességi és hosszúsági koordinátáit a war driver-nak. Laptop periodikusan sugároz egy szonda kérvény frame-et, és figyeli a szonda válaszokat bármilyen közeli belépési ponttól. (aktív scan) Training adathalmaz : a mérési adatok szekvenciája (GPS koordináta és egy Wi-Fi scan) Minden olvasás felvesz egy MAC address-t ami a belépési ponthoz tartozik és a jelerősségét, amivel sugárzott

3.) Módszertan A training fázis végeztével felépül a rádió térkép Rádiótérkép természete nagyban függ a pozícionáló algoritmustól. Kész térkép -> a felhasználói eszköz (scan) -> pozícionálja magát (összehasonlítja a belépési pontok halmazát a rádió térkép adataival) Ezt a fázist nevezzük pozícionáló fázisnak (positioning). Egy adott szomszédságra a training fázist csak egyszer kell végig csinálnia egy felhasználónak (amíg a belépési pontok elhelyezkedése nem változik). Amint egy szomszédság fel van térképezve minden felhasználó meg tudja határozni a helyzetét GPS nélkül.

3.1) Metrikák a pozícionáláshoz Sok korábbi rádió-alapú pozicionáló rendszer használta a megfigyelt jelerősséget, mint táv indikátorát egy rádióforrástól. RESPONSE RATE(válasz ráta)-et úgy, mint:a training adathalmazból kigyűjtjük az összes Wi-Fi scan-t ami azonos távra van egy belépési ponttól, azután kiszámítjuk az időhányadokat, amikben halljuk ezeket a belépési pontokat a Wi-Fi scanekben. A response rate a táv függvényében sokkal megjósolhatóbb. Habár a táv hatása nagyban megjósolhatatlan, egy adott helyen a jelerősség viszonylag stabil. Így a különböző helyek megbízhatóan felismerhetőek a jelerősségi szignatúrájukkal.

3.1) Metrikák a pozícionáláshoz 2.ábra: A válaszadási ráta egy BP-hez, a BP-tól vett távolság függvényeként. A válaszadási ráta definíciója a következő: a válaszadások számának százaléka egy adott BP által, egy pontos távolságon a BP-től. A fenti grafikonon láthatunk egy válaszadási ráta hisztogramot, miután 5 méteres beosztással csoportosítottuk őket

3.2) Pozícionáló algoritmusok Centroid Ujjlenyomat Részecskeszűrő

3.2.1) Centroid Ez a legegyszerűbb pozícionáló algoritmus. A training fázis alatt összekombináljuk egy belépési pont összes olvasását, és megbecsüljük a belépési pont földrajzi helyzetét úgy, hogy kiszámítjuk az olvasások helyének mértani közepét. Az algoritmus rádió térképének egy bejegyzése lesz belépési pontokként, ami tartalmazza a BP (belépési pont) becsült helyét. Ezt a térképet használva a centriod algoritmus elhelyezi a felhasználót az egy scan alatt hallott összes BP közepén úgy, hogy kiszámítja az átlag becsült pozíciót.

3.2.2) Ujjlenyomat Ez az algoritmus egy beltéri pozícionáló módszeren alapul, mint amit a RADAR használ. Egy adott ponton a felhasználó több különböző BP-t hallhat saját jelerősséggel; ez a BP halmaz és a hozzájuk tartozó jelerősségek egy ujjlenyomatot reprezentálnak, ami egyedi arra a pozícióra nézve. Mi ugyanazt az alapvető ujjlenyomat technikát használtuk, de sokkal durvább szemcséjű war driving-gal. Így az ujjlenyomatokhoz a rádió térkép maga, egy nyers war driving adat, minden egyes pont a térképben egy szélességi-hosszúsági koordináta és egy ujjlenyomat, ami tartalmaz egy scant a Wi-Fi BP- okról, és a jelerősségeket, amivel sugároztak. A pozícionálás fázisban, a felhasználó Wi-Fi eszköze elvégez egy scant. Összehasonlítjuk ezt a scant az összes ujjlenyomattal a rádió térképben, hogy megtaláljuk a legközelebbi egyezést a látható BP-kal, és a jelerősségükkel.

3.2.2) Ujjlenyomat Hogy számításba vegyük azokat a belépési pontokat, amiket a rádió térkép generálása után telepítettek és az elveszett belépési pont irányleadókat a következő heurisztikát alkalmazzuk. Először a pozícionálási fázis alatt, ha felfedezünk bármennyi belépési pontot, ami nem szerepel a rádió térképben, azt a belépési pontot nem vesszük figyelembe. Másodjára mialatt párosítunk ujjlenyomatokat a megfigyelt scan alapján, ha nem találunk egyező ujjlenyomatokat ugyanazon a BP halmazon, mint amit a scan mutat, kiterjesztjük a keresést, hogy belépési pontok szuperhalmazán vagy részhalmazán találjunk az ujjlenyomatot. Olyan ujjlenyomatokat párosítunk, amikben legalább „p” különböző belépési pont van a rádió térképes ujjlenyomat és a megfigyelt scan között

3.2.3) Részecske szűrők A részecske szűrőket a múltban a robotikában használták, hogy egyesítsenek egy szenzor adatfolyamot a helyi becslésekkel. A felhasználó helyzetének a becslését reprezentálja t időben súlyozott részecskék gyűjteményét használva Minden egyes egy külön hipotézis a felhasználó jelenlegi helyzetéről. Minden részecskének van egy súlya, ami a hipotézis igazságának valószínűségét reprezentálja, a valószínűséget, hogy a felhasználó eszköze hallja a megfigyelt scan-t, ha az valóban a részecske pozícióján van. A részecske szűrő-alapú lokalizációs technikáknak kétféle input modellre van szükségük: a szenzor modell és a mozgás modell. A szenzor modell felelős azért, hogy kiszámítsa mennyire megfelelő egy részecske pozíciója az adott megfigyelési szenzor adatok alapján. A mozgási modell munkája, hogy a részecskék helyzetét mozgassa úgy, hogy közelítse a felhasználó mozgását. A kísérleteinkhez két szenzor modellt építetünk: az egyiket a jelerősség alapján, a másikat a response rate metrikája alapján.

3.3) Adatgyűjtés A Seattle város környezet szomszédságában gyűjtöttünk 3 war driving adatot: Seattle belváros: egy mixelt kereskedelmi és lakókörnyezet Seattle Ravenna szomszédsága: egy közepesen sűrű lakókörnyezet Kirkland, Washington: egy szórványos családi házas terület. BP-ok sűrűsége három különböző mért szomszédságban km 2 -enként, és Wi-Fi scanenként. A BP-k száma/scan csak azokat a Wi-Fi scaneket tartalmazza, amik legalább egy belépési pontot.

3.3) Adatgyűjtés Minden környezethez két adatgyűjtési fázis. Eszközök: Laptop GPS Wi-Fi kártya (Orinoco típusú) Szélességi-hosszúsági koordinátákat összepárosítása (Wi-Fi scannel lineáris interpolációt használtunk) A második fázisban: második nyomhalmaz gyűjtése, hogy megbecsüljük a pozicionálás pontosságát a különböző PlaceLab algoritmusokhoz. Ebben a fázisban a PlaceLab csak a Wi-Fi scaneket használta, míg a GPS olvasások csak az „alapigazsághoz” kellettek, hogy kiszámítsuk a felhasználó megbecsült helyzetének pontosságát. GPS adatok olyan helyen való rögzítése ahol a vétel folyamatos (a rossz tesztadatok törölve lettek)

4.1) A nyomkövetési adat analízise BP-ok sűrűsége (és egy satelit fotó, amit a Microsoft Terraserver, biztosított) egy szomszédságra, ahol a kísérleteinket végeztük.

4.1) A nyomkövetési adat analízise CDF ami a BP-k közép és maximális hatókörét mutatja méterben.

4.2) Relatív teljesítmény Ahhoz hogy értékeljük a PlaceLab pozicionálásának pontosságát összehasonlítjuk a PlaceLab által közölt pozíciót a GPS által közölttel. AlgoritmusDowntown (méter) Ravenna (méter) Kirkland (méter) centroidbasic weighted ujjlenyomat (k=4) radar rank részecske szűrő szignál erősség válasz érték Az összes kísérleti algoritmusunkhoz tartozó átlagos hiba méterben a három területen.

4.2) Relatív teljesítmény Az átlagos hiba a felismert BP-k (egy scanben) számának függvényeként (Kirkland)

4.3) Az ismeretlen BP-ok hatása Amikor egy nagyvárosi pozicionáló rendszert építünk egy fontos kérdés, hogy milyen frissnek kell lennie a training adatnak ahhoz, hogy ésszerű pozicionálási becsléseket kapjunk. Különösen, amikor új BP-okat telepítettek vagy szüntettek meg. Ahhoz hogy megmérjük az elavult training adat hatását véletlenszerűen kihagytunk BP-okat az adathalmazból. Ez azt stimulálta mintha az előtt csináltuk volna a war driving training adatot mielőtt a BP-ok telepítve lettek volna. Fontos,hogy a legtöbb algoritmusnál 30%-os ismert BP csökkentés mellett is minimális a hatása a pozicionálási pontosságra nézve. A pozicionálási hiba észrevehetően csak akkor nő, ha a legalább a BP- ok fele megszűnik. Az egyetlen kivétel a rangsorolásos algoritmus. (ok: durva metrika;kevesebb BP kisebb teljesítmény;training adat nem gyakran frissül)

4.3) Az ismeretlen BP-ok hatása Az átlagos hiba az ismeretlen BP-k százalékának függvényeként (Ravenna). Annak az időnek a változásait mutatja, a lefedettségi görbe, amikor legalább egy BP-t hallottunk.

4.4) A zajos GPS adat hatása Néhány földrajzi körzetnek több GPS hibája lesz, mint másoknak a városi kanyonok és a domborzat miatt. Arra használtuk a megváltoztatott training adathalmazokat, hogy új rádió térképet generáljunk és utána kiszámítottuk a pozicionálási hibát, ami alatt a változatlan tesztnyomokat futtattuk a térképeken. A centroid algoritmusokon (a megfelelő mennyiségű megfigyeléssel) a GPS zaj kiesik a rádió térkép felépítése alatt. Hasonlóan a részecske-szűrő technikák az empirikus modellektől függ, amit ugyanazon rádió térkép alapján építettünk fel. Azonban az ujjlenyomat technikáknál a nyers (és zajos) GPS pozíciókat közvetlenül használjuk a rádió térképekben.

4.4) A zajos GPS adat hatása Az átlagos pozícionálási hiba a standard GPS zaj eltérés függvényeként. (Ravenna)

4.5) A térképezési adat sűrűsége A következő kísérletben változtatjuk a térképezési pontok geometrikus sűrűségét a training adathalmazban. Ez a variáció arra szolgál, hogy megtaláljuk a csökkentett sűrűség hatását a training halmazon (ami így kevesebb kalibrálást jelent). Megmértük a training sűrűségét, mint a közép távolságot minden egyes ponttól (szélességi-hosszúsági koordináták) a training adathalmazban a geometriailag legközelebbi szomszédjáig. Hogy legeneráljuk ezt a variációt, először szétválasztjuk a training fájl, mint 10m cellás rácsot. Azután egyenként kiszedjük belőle a Wi-Fi scaneket ezzel egy új térképezési file-t hozunk létre minden egyes kiszedés után. Hogy, milyen sorrendben szedjük ki a pontokat: random választunk abból a cellából, amelyikben a legtöbb pont van.(2 v több random) Mivel a legnépesebb cellákból szedünk ki pontokat ezért ez az algoritmus a legsűrűbb helyekről szedi ezeket és ez a training fájlokat egy sokkal egységesebb sűrűségű adat pontokhoz vezeti a teszteléshez.

4.5) A térképezési adat sűrűsége A pozícionálási hiba a training adathalmazban szereplő pontok, átlag távolságának függvényeként. (Ravenna) Figyeld meg, hogy az x tengely szerint logaritmikus a skála.

4.6) Az eredmények összefoglalása Sűrű városi környezetben még a legegyszerűbb centroid alapú pozícionáló algoritmus is ugyan azt a pontosságot adja, mint a bonyolultabb technikák. Az összetettebb technikák sokkal értékesebbek, a szórványos környezetekben, ahol korlátozott a kalibrálási adat. Még az a rádió térkép is, ami elég öreg, és csak az 50%-át tartalmazza telepített BP-knek, elegendő anélkül, hogy csökkentenénk a pozícionálási pontosságot többel, mint pár méter. A térképezési sűrűség kísérletek azt mutatják, hogy a training adat, amit egy scan/sec alatt gyűjtöttünk km/h sebességgel, elég hogy pontos rádió térképeket építsünk fel. A zaj a GPS adatban ami (a gyenge GPS egységekből, vagy a városi kanyonokból származhat) hatással van az ujjlenyomat alapú technikákra, sokkal jobban, mint a többire, így azokban a környezetekben ahol nehéz pontos GPS adatot gyűjteni a traininghez, arra számítunk, hogy a részecske szűrő algoritmus jobban teljesít.

4.6) Az eredmények összefoglalása A rangsorolásos ujjlenyomat algoritmus általában a legrosszabban teljesítő algoritmusok között volt. a rossz teljesítménye annak tudható be, hogy eldobja az abszolút jelerősségeket. Azonban cserébe nem érzékeny a potenciális szisztematikus különbségekre, ahogyan a Wi-Fi eszközök mérik a jelerősségeket. A rádió térkép mérete alapvető témakör a kis mobil eszközökre nézve. A centroid és részecske szűrő rádió térképei kompaktak, míg az ujjlenyomat algoritmus, az egész training adathalmazt igénybe veszi, mint a rádió térképét. Ha (mondjuk személyi jogok miatt) a felhasználó el szeretné tárolni a rádió térképet az ő körzetében, a saját helyi eszközére, ez egy fontos tényezője lehet a megfelelő algoritmus meghatározásának.

5) Konklúzió A PlaceLab egy próbálkozás arra, hogy Wi-Fi alapú helyzetfelismerést biztosítsunk nagyvárosi környezetben. Az eredményeink azt mutatják, hogy a PlaceLab pozícionálási pontossága 13-20m között van, városi környezetben. (külvárosban akár 40 méterre is leeshet) Ezen felül sűrűbb Wi-Fi lefedettség mellett a specifikusan kiválasztott algoritmus, nem olyan fontos, mint más tényezők, például a szomszédság összetétele (sok magas épület, az alacsonyakkal szemben), a training adat kora, a training adathalmaz sűrűsége, és a zaj ebben. A szórványosabb szomszédságokban a jobban alkalmazkodó algoritmus, jobban modellezi a környezetet, és ez győz. Ez a pozícionálási pontosság (bár alacsonyabb, mint az őt megelőző beltéri pozícionálási rendszereké) sokkal kevesebb kalibrálást igényel, körülbelül fél órát, hogy feltérképezzük egy teljes város szomszédságát, a 10 órányi egyszerű hivatali épület kalibrálásával szemben.