Содержание к диссертации
Введение
Глава 1. Технологии и алгоритмы определения местоположения мобильного устройства в беспроводной сети базовых станций 12
1.1. Системы определения местоположения мобильного устройства в беспроводной сети базовых станций 12
1.2. Алгоритмы расчета локации 20
1.3. Выводы 34
Глава 2. Выбор алгоритма локации для используемой технологии 36
2.1. Используемая технология 36
2.2. Выбор алгоритма локации 46
2.3. Выводы 48
Глава 3. Имитационная модель системы локации 49
3.1. Описание модели 49
3.2. Моделирование измерений от базовых станций 51
3.3. Моделирование данных от встроенного модуля определения траектории 56
3.4. Выводы 58
Глава 4. Алгоритм локации на основе дискретного байесовского фильтра 60
4.1. Описание алгоритма 60
4.2. Исследование характеристик разработанного алгоритма 78
4.3. Выводы 88
Глава 5. Алгоритм локации на основе фильтра частиц 90
5.1. Описание алгоритма 91
5.2. Исследование характеристик разработанного алгоритма 104
5.3. Выводы 117
Глава 6. Эксперименты по определению точности локации в реальных условиях 119
6.1. Описание разработанного программного комплекса 119
6.2. Описание экспериментов 122
6.3. Выводы 128
Заключение 129
Список литературы
- Алгоритмы расчета локации
- Выбор алгоритма локации
- Моделирование данных от встроенного модуля определения траектории
- Исследование характеристик разработанного алгоритма
Введение к работе
Актуальность темы исследования. В настоящее время актуальной задачей является определение местоположения объектов внутри помещения, где сигналы глобальных навигационных систем практически недоступны. В этом случае наиболее перспективными представляются системы локального позиционирования, основанные на беспроводных технологиях передачи данных (ZigBee, Bluetooth, WiFi, RFID, UWB, nanoLOC). Для расчета локации мобильного устройства (МУ) в беспроводной сети базовых станций (БС) используются измерения уровня, времени распространения или угла приема радиосигнала, а также данные от встроенных в МУ инерциальных датчиков.
Настоящая работа посвящена разработке алгоритмов локации МУ, оснащенного встроенным модулем определения траектории (МОТ), в беспроводной сети базовых станций (БС) стандарта IEEE 802.15.4a (nanoLOC). Технологии, использующие данный стандарт, позволяют одновременно измерять время распространения и уровень радиосигнала на частоте 2.4 ГГц [15]. Однако существующие решения учитывают в основном измерения времени распространения сигнала. Важным отличием настоящей работы является создание алгоритмов локации, учитывающих одновременно информацию о времени распространения, уровне принимаемого сигнала и данных от встроенного в МУ МОТ.
Целью данной диссертационной работы является создание алгоритмов определения координат МУ в беспроводной сети БС стандарта IEEE 802.15.4a (nanoLOC), использующих информацию об измерениях времени распространения, уровне принимаемого сигнала, а также данных от встроенного МОТ.
Для достижения поставленной цели были решены следующие задачи:
-
определены основные технологии и алгоритмы определения местоположения МУ в беспроводной сети БС;
-
выделены режимы работы рассматриваемой системы определения местоположения и доступные для расчета локации источники информации;
-
разработаны алгоритмы локации для каждого из режимов работы системы с учетом используемых измерений;
-
предложена имитационная модель системы локации для исследования характеристик разработанных алгоритмов;
-
проведены исследования работы предложенных алгоритмов и определена точность локации в различных условиях;
6) создан комплекс программных средств для расчета локации МУ по измерениям из беспроводной сети БС.
Научная новизна.
-
Разработан алгоритм определения координат МУ на основе дискретного байесовского фильтра (ДБФ), рассчитывающий локацию с использованием информации об измеренных расстояниях и уровнях сигнала между МУ и БС, плана здания, а также карты уровней сигналов внутри помещения. Предложенный метод отличается тем, что выбор точек дискретной сетки, соответствующих возможным положениям объекта, осуществляется в пределах области, ограниченной расстояниями, измеренными между МУ и БС.
-
Разработан алгоритм определения координат МУ на основе фильтра частиц (ФЧ), использующий одновременно информацию об измеренных расстояниях и значениях уровня сигнала между МУ и БС, а также информацию от встроенного в мобильное устройство МОТ. Предложенный метод отличается тем, что инициализация и корректировка частиц осуществляется в пределах области, ограниченной расстояниями, измеренными между МУ и БС.
-
Предложена имитационная модель системы локации МУ в беспроводной сети БС, позволяющая одновременно генерировать измерения расстояний и уровней сигнала с учетом плана здания, а также данные от встроенного в МУ МОТ.
Практическая значимость. Алгоритмы, предложенные в данной работе, предназначены для использования в системе локального позиционирования RealTrac [1], основанной на технологии nanoLOC (стандарт IEEE 802.15.4a). В работе показана возможность применениях разработанных алгоритмов для расчета локации в реальных условиях с ошибкой, не превышающей 1.9 метров в 95% случаев.
Кроме того, разработанные алгоритмы могут быть применены в других системах локального позиционирования для определения координат МУ по измерениям расстояний и уровней сигнала между МУ и БС, а также информации от встроенного в мобильное устройство МОТ, например в системах на основе WiFi, UWB, nanoLOC.
Методология и методы исследования. Для достижения поставленной цели в диссертационной работе использовались методы теории вероятности, байесовской фильтрации, прикладной статистики, вычислительной математики, а также методы имитационного моделирования.
Положения, выносимые на защиту:
1) метод численного решения задачи байесовской фильтрации (БФ) с использованием ДБФ, учитывающего информацию об измеренных
расстояниях и уровнях сигнала между МУ и БС, план здания, а также информацию о карте уровней сигнала от БС внутри помещения;
-
метод численного решения задачи БФ с использованием ФЧ, учитывающего информацию об измеренных расстояниях и уровнях сигнала между между МУ и БС, план здания, карту уровней сигнала от БС внутри помещения, а также данные встроенного в мобильное устройство МОТ;
-
имитационная модель системы локации, позволяющая генерировать измерения расстояний и значения уровня сигналов между МУ и БС, а также данные от встроенного в мобильное устройство МОТ;
-
результаты вычислительных экспериментов, показывающих возможность расчета локации МУ с ошибкой, не превышающей 1.8 метра в 95% случаев, при использовании предложенного алгоритма на основе ДБФ, и с ошибкой, не превышающей 1.3 метра в 95% случаев, при использовании предложенного алгоритма на основе ФЧ;
-
комплекс программных средств для расчета локации МУ по измерениям из беспроводной сети БС.
Степень достоверности и апробация результатов. Основные результаты работы докладывались на 11-ой международной конференции по телекоммуникационным технологиям ITST (Санкт-Петербург, 2011), 1-ом международном симпозиуме по беспроводным системам IDAACS-SWS (Германия, 2012), 7-ой международной конференции по интеллектуальному сбору данных и современным компьютерным системам IDAACS (Германия, 2013), международном форуме по системам умного дома AAL (Швеция, 2013), международных конференциях по позиционирования и навигации внутри помещений IPIN (Франция, Южная Корея, 2013, 2014 гг.). Результаты работы используются в системе локального позиционирования RealTrac [1], которая завоевала первое место в международном конкурсе систем локации внутри помещений EvAAL-2013 ().
Материалы диссертации опубликованы в 14 работах [1, , , , , , , 8, , 10, , , 13, ]. Из них 2 статьи опубликованы в журналах, входящих в базу данных Scopus, [1, ], 5 статей в журналах, рекомендованных ВАК [, , , , ], 5 статей в сборниках трудов конференций [8, 10, , , 13], из них 4 входят в базу данных Scopus [8, 10, , ]. По результатам исследований, проведенных в рамках данной работы, был получен патент на изобретение «Способ локации радиоузла, система локации радиоузла и узел обработки данных» [].
Соответствие диссертации паспорту научной специальности. В диссертации предложены методы численного решения задачи БФ с исполь-
зованием ДБФ и ФЧ, на основе которых разработаны алгоритмы расчета локации. Исследование характеристик предложенных алгоритмов проводилось с помощью численных экспериментов с использованием имитационного моделирования. По результатам исследования разработан комплекс программ для расчета локации МУ в беспроводной сети БС стандарта IEEE 802.15.4a (nanoLOC). Таким образом, настоящая диссертация соответствует формуле специальности 05.13.18 (математическое моделирование, численные методы и комплексы программ) и пунктам 3, 5, 8 паспорта данной специальности.
Структура и объем диссертации. Диссертация состоит из введения, шести глав и заключения. Полный объем диссертации составляет 144 страницы с 43 рисунками и 3 таблицами. Список литературы содержит 114 наименований.
Алгоритмы расчета локации
Размер этой области определяется точностью измерений и может достигать нескольких десятков квадратных метров. Задача алгоритмов локации -оценить местоположение мобильного устройства внутри этой области.
Во втором методе источником сигнала является мобильное устройство. Время на всех базовых станциях синхронизировано. Посылая сигнал нескольким базовым станциям, можно определить момент приема сигнала каждой из станций и рассчитать разницу во времени приема между парами [14]. Зная разницу во временах приема сигнала, можно составить систему уравнений относительно неизвестных координат мобильного объекта:
Здесь (ХІ,УІ) и (xj,yj) - координаты г-ой и j-ой базовой станции, ti — tj - разница во времени приема сигнала, (ж, у) - неизвестные координаты мобильного устройства, с - скорость распространения электромагнитной волны. В англоязычной литературе описанный метод называется Time Diference of Arrival (TDoA). Полученные уравнения соответствуют гиперболам, которые в идеальном случае должны пересекаться в точке расположения мобильного устройства (рисунок 1.3). Рис. 1.3. Гиперболы, соответствующие разнице во времени приема сигнала - между соответствующими базовыми станциями 1, 2, 3. Гиперболы пересекаются в точке, соответствующей положению мобильного устройства М.
В реальной ситуации полученные измерения также содержат ошибку, связанную с многолучевым распространением сигнала. Однако в отличие от предыдущего метода, в методе TDoA нет возможности однозначно определить область, внутри которой необходимо лоцировать объект.
Большинство локальных систем позиционирования, основанных на измерении времени распространения сигнала, относятся либо к классу UWB (Ultra Wide Band), работающему на частотах 3 – 10 ГГц, либо к классу nanoLOC, работающему на частоте 2.4 ГГц [47, 48, 13]. Оба эти класса определены стандартом IEEE 802.15.4a. Системы на основе UWB используют намного более широкий спектральный диапазон, что упрощает отслеживание и отбрасывание отраженных сигналов [14]. Основным преимуществом таких систем является более точное измерение расстояния от базовой станции до мобильного устройства. Однако применение таких систем на практике ограничено регламентом. Системы класса nanoLOC позволяют проводить измерения на большем расстоянии между источником и приемником. Однако ошибки таких измерений могут достигать нескольких метров [47, 19, 18].
Данные о расстояниях, измеренных между мобильным устройством и базовыми станциями времяпролетным методом, могут быть использованы совместно с измерениями уровней сигналов [49, 50, 51, 52, 53]. В большинстве случаев измерения времени распространения и уровня сигнала берутся из двух разных источников информации [49, 50, 51]. При этом информация об уровне сигнала может быть использована для расчета локации, если измерение времени распространения прошло неудачно [54].
Как правило, в системах, основанных на времяпролетном методе, при измерении времени распространения сигнала одновременно фиксируется и значение уровня принимаемого сигнала. Однако в случае использования технологии UWB учет информации об уровне сигнала не имеет смысла, поскольку расстояния, измеренные времяпролетным методом, позволяют достичь гораздо лучшей точности локации. В случае же использования технологии nanoLOC, работающей на частоте 2.4 ГГц, учет информации об уровне сигнала представляет большой практический интерес.
Помимо данных, поступающих от базовых станций, важным источником информации являются датчики, встроенные в мобильное устройство. Это могут быть датчики ускорения (акселерометры), датчики магнитного поля (магнитометры), гироскопы, датчики температуры и давления. При использовании в системах определения локации самыми информативными являются датчики ускорения и гироскопы. Информация от этих датчиков позволяет определить траекторию движения объекта. В случае, если мобильное устройство закреплено на пешеходе, акселерометр позволяет оценить длину шагов, а гироскоп – угол поворота [55]. Оценивая длину каждого шага и моменты смены направления движения, можно определять локацию объекта относительно начальной позиции. Ошибка в определении шага и направлении движения аккумулируется с каждым шагом, что приводит к ухудшению точности локации со временем. Датчики, встроенные в мобильное устройство, образуют встроенный инерциальный модуль определения траектории (Inertial Measurement Unit - IMU). Данные от такого модуля позволяют существенно улучшить точность локации в системах на основе измерения уровня принимаемого сигнала [56, 57, 58, 59, 60]. Существуют работы по применению таких датчиков с системами на основе технологии UWB [61, 62, 63, 64].
Как правило, в большинстве устройств используются датчики MEMS-типа (microelectromechanical systems). Данные от таких датчиков недостаточно точные в сравнении, например, с инерциальными системами, использующимися в самолетах. Основными ошибками [65], влияющими на точность определения траектории, являются постоянное смещение в показаниях гироскопа, случайный шум, связанный с изменением температуры, изменение угла, связанное с вращением тела при ходьбе, а также ошибки, обусловленный неточностью алгоритмов определения шага и направления. Чтобы компенсировать ошибку в определении траектории, большинство решений используют встроенную инерциальную систему совместно с картой здания [66, 67, 68, 69, 70, 71]. Существует большое количество систем для смартфонов [72, 73, 74]. В то же время существуют системы, в которых инерци-альная навигационная система крепится на обувь человека [75, 76], ремень [77] или рюкзак [78]. Такой подход позволяет более точно оценить длину шага и тем самым более точно определить траекторию движения человека.
Выбор алгоритма локации
В настоящей работе для получения измерений для расчета локации используется система локального позиционирования RealTrac[25]. Она состоит из сети базовых станций, мобильного устройства и сервера сбора данных и расчета локации (рисунок 2.1). Предполагается, что в большинстве случаев носителем мобильного устройства является человек. Рис. 2.1. Система локального позиционирования RealTrac: 1 – мобильное устройство; 2 – базовые станции; 3 – беспроводная сеть; 4 – пакет с измерениями; 5 – сервер расчета локации; 6 – рассчитанная локация объекта.
Данные между устройствами передаются с использованием радиостандарта IEEE 802.15.4a (nanoLOC). Данный стандарт предложен компанией Nanotron Technologies GmbH (http://www.nanotron.com/) и применяется для построения беспроводных сетей датчиков с возможностью автоматического измерения расстояний. Максимальная заявленная скорость передачи данных составляет 2 Мбит/сек., несущая частота – 2.4 ГГц (радиочастотный диапазон ISM, разрешенная мощность передатчика до 100 мВт), ширина спектра сигнала – 80 МГц. Для передачи данных используются электромагнитные сигналы с плавно изменяющейся частотой (CSS-модуляция, Chirp Spread Spectrum).
Базовые станции способны измерять расстояние и уровень сигнала до мобильного устройства и передавать эту информацию на сервер. В технологии nanoLOC предусмотрен специальный режим обмена кадрами в эфире, в результате которого радиомодули рассчитывают расстояние друг до друга на основании регистрации времени распространения сигнала. Измерения проводятся с помощью метода под названием Symmetric Double Sided Two Way Ranging (SDSWR, симметричное двустороннее двухступенчатое измерение расстояний). Рис. 2.2. Схема метода SDSWR
Для измерения расстояний (рисунок 2.2) [47] между узлом A и узлом B узел A посылает узлу B пакет DATA, содержащий запрос на измерение, и фиксирует время отправки. Узел B, получив пакет от узла A, отсылает узлу A подтверждение - ACK-пакет. Узел A, получив ACK-пакет, фиксирует время его получения. Это позволяет вычислить время распространения сигнала t\ по формуле: t\ = , (2.1) где TAX - время, измеренное узлом A с момента отправки пакета узлу B до получения ACK-пакета от узла B, Тв\ — время, измеренное узлом B с момента получения пакета от узла A до отправки ACK-пакета.
После отправки подтверждения, узел B также инициирует процедуру отправки запроса на измерение расстояния и получения подтверждения с фиксацией времени распространения: h = (2.2) После чего результат расчета посылается узлу A.
Измерение времени распространения обеими сторонами позволяет использовать среднее значение для расчета расстояния. Это минимизирует эффект, связанный с рассинхронизацией приемо-передатчиков устройств вследствие непредвиденного сдвига центральной частоты у разных устройств (например, из-за температурной разницы). Набор измеренных расстояний от нескольких точек доступа с заранее заданными координатами может быть использован для определения локации объекта с помощью трилатерации. Поскольку данная технология позволяет одновременно измерять время распространения и силу сигнала, разработка алгоритма позиционирования, использующего одновременно два этих источника информации, представляет большой практический интерес. Дополнительным источником информации в готовых технических решениях являются встроенные в мобильное устройство трехосевой акселерометр, трехосевой гироскоп и трехосевой магнитометр.
Процедура сбора данных и расчета локации происходит следующим образом. Мобильное устройство периодически отсылает широковещательный пакет, инициирующий процедуру замера расстояний до базовых станций. Вместе с измеренными расстояниями регистрируется сила принимаемого сигнала. Таким образом, каждому расстоянию, измеренному между базовой станцией и мобильным устройством, соответствует свое значение силы принимаемого сигнала. Полученный набор измерений вместе с дополнительной информацией от встроенных в мобильное устройство датчиков, передается на сервер для расчета местоположения. После чего данные о локации могут быть переданы для обработки сторонним приложениям. Система позволяет задавать частоту выхода мобильного устройства в радиоэфир. Тем самым можно изменять частоту измерений и регулировать загруженность эфира. Максимальная частота замеров в пределах одного радиосегмента составляет 20-25 измерений в секунду. Это ограничивает максимальное время расчета локации.
Моделирование данных от встроенного модуля определения траектории
Применяемые алгоритмы вычисления правдоподобия являются одинаковыми как для дискретного байесовского фильтра, так и для фильтра частиц, который будет описан в главе 5. Задачей алгоритмов правдоподобия является оценка вероятностей получить набор измерений zt при условии, что объект находится в заданной точке х . Для дискретного байесовского фильтра х соответствует заданной точке дискретной сетки. Для вычисления правдоподобия альтернативно разработано два независимых алгоритма. Выбор конкретного алгоритма будет зависеть от условий применения системы локации.
Алгоритм вычисления правдоподобия, использующий информацию об измеренных расстояниях и базовыми станциями время-пролетным методом. В данном алгоритме для оценки вероятностей нахождения объекта в заданных точках внутри области пересечения окружностей используется распределение ошибки в измеренном расстоянии, построенное для каждого отдельного измерения. Пример такого распределения, построенного для данной технологии по результатам экспериментов внутри помещения [25, 105], представлен на рисунке 4.2. По оси ОХ отложена разница ег между измеренным расстоянием и истинным расстоянием. Поскольку в случае использования метода на основе регистрации времени распространения сигнала измеренное расстояние в подавляющем большинстве случаев выше или равно истинному расстоянию, на графике зафиксированы только положительные измерения. На данном рисунке также представлен пример функции h(er), соответствующей полученному экспериментальному распределению. Точное распределение ошибки в измеренных расстояниях будет определяться типом здания, внутри которого происходят измерения. Существует большое количество факторов, влияющих на наличие ошибок в расстояниях, измеренных времяпролетным методом. Такими факторами могут быть количество и материал стен, количество мебели, проходящие мимо люди и многое Типичное распределение (1) ошибки ег в расстоянии г, измеренном между мобильным устройством и базовой станцией внутри помещения, и функция h(er) (2), соответствующая данному распределению другое. На практике учесть влияние всех факторов не представляется возможным. Важно подобрать такую функцию, которая с одной стороны будет отражать характер зависимости, а с другой стороны будет иметь настраиваемый параметр, позволяющий адаптировать зависимость под конкретные результаты реальных экспериментов. В настоящей работе в качестве такой функции было выбрано распределение Рэлея:
Для гистограммы на графике 4.2 параметр распределения и равен 5.1 (гипотеза о том, что данное экспериментальное распределение соответствует распределению Рэлея с параметром и = 5.1, проверена по критерию х2 на уровне значимости 5% и принята). На практике в качестве функции h(er) может быть выбрана любая функция, наилучшим образом соответствующая распределению ошибки в измеряемом расстоянии.
При расчете оценки вероятности P(ztx ) в качестве вектора измерений zt используется вектор измеренных расстояний rt. Для отдельного измерен 69 ного расстояния rssk вероятность P(rBsk\ ,i) будем оценивать как P BSkl X ) = Ц h(enk), (4.5) где г] - нормировочный коэффициент, еПк = rBsk — di7k, diyk - расстояние между точкой xi;j с координатами Xi,yi и базовой станцией BSk с координатами %BSk і У BSk . Для набора измерений rt = {гв , гв ,... ,ГВБП}, сделанных в момент времени t, предполагая взаимную независимость измерений, оценка вероятности P(rt\x.t,i) будет вычисляться как произведение: P(rt\ x.t,i) = V ( (erji) h{erin))Уп , (4.6) Здесь возведение в степень - используется для уменьшения влияния каждого отдельного измерения на перераспределение весов внутри области локации. Для того, чтобы представить работу описанного метода, на рисунке 4.3 приведены примеры распределения весов внутри области пересечения окружностей, равномерно разбитой на ячейки. Вес каждой из ячеек, находящейся внутри области локации, рассчитан как YTk=i h(rBsk d{ ), где d{ - это расстояние от базовой станции BSk до г-ой ячейки, гввк – измеренное расстояние. После расчета веса каждой из ячеек нормировались.
Исследование характеристик разработанного алгоритма
Исследование характеристик разработанного алгоритма проводилось с использованием модельных экспериментов. Для оценки точности задавалась эталонная траектория движения объекта и частота, с которой проводились измерения от беспроводной сети базовых станций. С помощью имитационной модели генерировались данные от встроенного модуля определения траектории, данные об измерениях уровня принимаемого сигнала и расстояниях, измеряемых между мобильным устройством и базовыми станциями. Для каждой точки эталонной траектории по сгенерированным данным проводился расчет локации объекта. В качестве оценки точности для всей траектории использовалось значение ошибки, соответствующее 0.75-квантили кумулятивной функции распределения ошибки локации. Помимо модельных экспериментов тестирование разработанного алгоритма на основе фильтра частиц проводилось в реальных условиях. Результаты расчета локации по реальным измерениям приведены в главе
Эксперименты по определению точности локации проводились для трех вариантов запуска алгоритма. В первом варианте, обозначенном фильтр частиц запускался без использования дополнительного вычисления весов внутри области локации. Во втором варианте, обозначенном для вычисления весов частиц внутри области локации использовался алгоритм на основе распределения ошибки измеренных расстояний. В третьем варианте для вычисления весов использовалась модель измерений на основе анализа уровня принимаемого сигнала. Данный вариант обозначен меткой На рисунке 5.5 приведен пример траектории, рассчитанной с помощью алгоритма На рисунке также показана карта здания, расположение базовых станций и эталонная траектория. В нижней части рисунке показан путь, зарегистрированный встроенным модулем определения траектории.
Ошибки измерений расстояний и уровней сигнала, а также карта уровней радиосигнала задавались аналогичными предыдущим экспериментам, приведенным в четвертой главе на рисунке 4.5. Параметры шумов встроенного модуля определения траектории соответствовали экспериментальным данным, приведенным в таблице 3.1 в главе 3.
Результат рачета локации с использованием алгоритма PFPL: 1 - данные, зарегистрированные встроенным модулем определения траектории, 2 - рассчитанный трек, 3 -эталонный трек, BS\,... ,BSg - базовые станции.
Использование данных от встроенного модуля определения траектории позволило улучшить точность локации по сравнению с экспериментами, проведенными с использованием дискретного байесовского фильтра (рисунок 4.5). Кумулятивные функции распределения ошибки локации для алгоритмов представлены на рисунке 5.6. Для сравнения на рисунке также приведены результаты расчета локации с использованием фильтра частиц, учитывающего только измерения уровня сигнала (метка »). Подобный алгоритм применяется в системах локации, исполь 106 зующих информацию об уровне принимаемого сигнала и карту уровней сигналов внутри помещения. 0.8
Для удобства сравнения значения ошибки локации, соответствующие 70%, 95% квантилям, а также максимальные зарегистрированные ошибки локации представлены в таблице 5.1. щих измерения расстояний, максимальная ошибка локации не превысила 2.1 метра.
Ниже на рисунке 5.7 показаны результаты эксперимента по расчету локации в тех же условиях, но с различным количеством и расположением базовых станций. Локация мобильного устройства рассчитывалась с использованием разных комбинаций из трех, четырех, пяти, шести, семи, восьми и девяти, базовых станций. Для каждой комбинации строилась кумулятивная функция распределения ошибки локации, рассчитанная с использованием алгоритмов
Как и в аналогичном эксперименте с дискретным байесовским фильтром использование функции, аппроксимирующей распределение ошибки в измеренном расстоянии, а также использование измерений уровня сигнала позволило значительно сократить разброс по точности среди возможных комбинаций. Дополнительное использование данных от встроенного модуля определения траектории позволило достичь точности менее одного метра даже для небольшого количества используемых базовых станций. Проведенные эксперименты показывают, что выбор «удачной» расстановки базовых стан 108 ций может существенно улучшить работу системы. А использование дополнительных методов вычисления весов частиц внутри области локации позволяет уменьшить ошибку в случае «неудачной» расстановки базовых станций. Шумы системы
Данные о направлении и длине шагов, регистрируемые встроенным модулем определения траектории, содержат ошибки, связанные с неточностью используемых датчиков и алгоритмов оценки траектории. Для учета этих ошибок в фильтре частиц используются параметры шумов определяющие разброс частиц по длине и направлению. Ниже представлены результаты эксперимента по определению влияния качества данных от встроенного модуля определения траектории на точность локации. Расположение базовых станций, карта здания, истинная траектория движения и условия распространения радиосигнала задавались аналогичными предыдущему эксперименту, представленному на рисунке 5.5. Качество данных, получаемых от встроенного модуля определения траектории, варьировалось с помощью имитационной модели, описанной в главе 3.
На рисунке 5.8 приведены примеры зависимости ошибки локации (значение 0.75 квантили кумулятивной функции ошибки локации) от значения параметра , задающего величину разброса частиц по направлению. Графики рассчитаны для трех значений ошибок в направлении шагов , задаваемых в имитационной модели. Значение моделируемого смещения в длине шага соответствовало экспериментальным данным и составляло 5% от длины шага.