LA LOCALIZZAZIONE IN INTERNI TRAMITE UNA RETE WIRELESS ETHERNET

1
LA LOCALIZZAZIONE IN INTERNI TRAMITE UNA RETE
WIRELESS ETHERNET
UNIVERSITÀ DEGLI STUDI DI PARMA
FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN
INGEGNERIA INFORMATICA

• Relatore Chiar.mo Prof. G. Conte
• Correlatore Chiar.mo Prof. F. Zanichelli
• Candidato Dario Lodi Rizzini

2
Il problema della Localizzazione
Lo scopo dello studio è localizzare un
dispositivo radiomobile in interni tramite le
intensità dei segnali trasmessi dai punti di
accesso di una rete Wireless Ethernet.

• Peculiarità del problema
• La scelta di operare in interni
• ? complica la descrizione della propagazione
  delle onde radio
• a causa del fenomeno dei cammini
  multipli
• ? rende impossibile lapplicazione di
  tecniche classiche di
• localizzazione (triangolazione).
• Limpiego di hardware non dedicato
• ? maschera le caratteristiche fisiche e crea
  problemi di
• interfacciamento e di interpretazione dei
  dati
• ? limita i costi e sfrutta la diffusione delle
  reti Ethernet.

3
Il problema della Localizzazione
Il problema appartiene alla vasta classe di
problemi context-aware.
Localizzatore
4
Tecniche di Localizzazione

• I vari approcci alla localizzazione possono
  essere classificati in
• due categorie
• Metodi basati sullanalisi della propagazione
  delle onde radio
• in interni ? definiscono un modello fisico in
  grado di descrivere
• le modalità con cui londa radio si propaga.
  
• Metodi di fingerprinting ? si limitano al
  confronto fra gli stimoli
• ricevuti e le cosiddette impronte dei
  segnali ricavate in posizioni
• fisse dette stati, durante la fase di
  mappatura.
• ? si possono fare rientrare in questa
  categoria, con le dovute
• differenze, anche le tecniche basate
  sulle reti neurali.

5
Modelli basati sullanalisi della propagazione
delle onde radio in interni

• Lefficacia di questa classe di tecniche dipende
  dalla capacità di descrivere con un modello
  fisico le modalità di propagazione dellonda
  radio.
• Un modello completo deve essere in grado di
  prevedere leffetto dei cammini multipli sul
  segnale rilevato dal ricevitore.
• Esempi
• tecniche di ray-tracing
• modelli probabilistici (Rayleigh e Rician
  fading, modelli basati sulla distribuzione di
• Poisson)
• Vantaggi
• Non richiedono una preventiva mappatura.
• Spiegano completamente la situazione fisica.
• Svantaggi
• Sono molto complessi.
• Sono più adatti a risolvere il problema inverso
  (posizione ? intensità del segnale)
• Richiedono una buona conoscenza delle grandezze
  fisiche in gioco (valori restituiti
• dalla scheda, caratteristiche dei materiali,
  ecc.).

6
Tecniche di fingerprinting

• Le tecniche dette di fingerprinting si basano
  sulla possibilità di individuare una impronta il
  grado di caratterizzare un insieme di posizioni
  scelte a priori durante la fase di mappatura,
  dette stati.
• La mappatura è quella fase in cui viene definito
  linsieme degli stati ed a ciascuno stato
• viene associata la corrispondente impronta.
• Limpronta è linsieme dei parametri in grado di
  caratterizzare uno stato derivanti dalla
• elaborazione delle intensità dei segnali
  rilevati durante la mappatura a seconda dei
  metodi
• limpronta può essere data dalla media o dalla
  distribuzione delle intensità.
• Le tecniche di fingerprinting esaminate
  algoritmo NNSS e metodo basato sullinferenza
  bayesiana.
• Vantaggi
• Lefficacia e la semplicità di questi metodi.
• Non richiedono una precisa conoscenza delle
  caratteristiche fisiche del contesto in
• cui operiamo (alto livello di astrazione).
• Svantaggi
• Mappare il segnale è una operazione costosa in
  termini di tempo.
• Non portano ad una spiegazione delle
  distribuzioni dei segnali, si limitano al
• confronto.

7
Algoritmo NNSS

• Il metodo dello stato più vicino nello spazio dei
  segnali (o nearest neighbor in signal space,
  NNSS) assume che uno stato possa essere
  caratterizzato dalle medie delle intensità dei
  segnali provenienti da ciascuna stazione base.
• Impronta (BS1, BS2,, BSM) ? (ss1j,
  ss2j,,ssMj)
• dove ssij è lintensità media
  del segnale proveniente da BSi nello stato sj.
• La localizzazione avviene per confronto fra
  limpronta di ciascuno stato (ossia linsieme
  delle impronte detto spazio dei segnali) e le
  medie dei segnali ottenute in tempo reale x
  (x1, x2,,xM).
• Per confrontare gli stimoli ambientali e le
  impronte si ricorre ad una norma
• La posizione individuata alla fine dal
  localizzatore NNSS può essere
• la posizione dello stato più vicino sj, ossia
  tale che
• Lj(x) min L1(x), L2(x),..., LN(x)
• il baricentro dei k stati più vicini ad x nello
  spazio dei segnali.

8
Metodo basato sullinferenza bayesiana
Il metodo di inferenza bayesiana considera come
impronta di uno stato lintera distribuzione
delle intensità dei segnali per ciascuno dei
punti di accesso della rete. La procedura del
confronto è più complessa occorre definire in
modo preciso il concetto di osservazione inteso
come vettore o lt k, f1,, fM, (BS1, ?1),,
(BSk, ?k) gt dove k è il n.ro delle misure
comprese in una osservazione, fi il n.ro di volte
che si riceve un segnale dal i-esimo access
point, (BSj,?j) la j-esima misura avente
intensità ?j. Il risultato finale è la
distribuzione delle probabilità pi di trovarsi
nello stato si, che viene aggiornata in seguito
ad una osservazione o secondo la formula di Bayes
Assumendo lindipendenza nel comportamento dei
diversi access point è possibile calcolare le
probabilità condizionate come
dove ciascun fattore della produttoria si può
ricavare empiricamente durante la mappatura. La
posizione restituita è quella dello stato con
maggiore probabilità pi.
9
Strumenti di lavoro

• Hardware impiegato rete WiFi (IEEE 802.11b) del
  Dipartimento di Ingegneria dellinformazione,
  scheda di rete wireless PCMCIA, notebook.
• Principali difficoltà nello sviluppo
  dellapplicazione di localizzazione
• Interfacciamento con il dispositivo wireless,
  definizione della
• natura e delle modalità di acquisizione dei
  dati sulle intensità.
• Scelta delle strutture dati necessarie per una
  gestione efficiente e
• razionale del confronto fra impronte ed
  intensità, nel calcolo delle
• probabilità, ecc.

10
Luogo delle esperienze
15.5 m
39.3 m
Pianta della palazzina 1 della sede scientifica
del Dipartimento di Ingegneria dellInformazione
nel quale si sono svolti i test di
localizzazione. Stati scelti per i test finali
di localizzazione.
11
Le impronte
Le distribuzioni delle intensità dei segnali
ottenute sperimentalmente si contraddistinguono
per irregolarità e varietà.
Anche la media dellintensità subisce poche
variazioni.
Nellesempio in figura le medie sono pari a
61.328, 55.150, 62.439 e 60.275 dunque cè un
solo caso anomalo.
? È possibile parlare di impronta caratteristica
di una posizione.
12
Valutazione dellimpatto della quantità di dati
La durata della fase di mappatura e la rapidità
della risposta durante la localizzazione
dipendono dalla capacità di descrivere
unimpronta con una quantità limitata di misure.
Lerrore relativo commesso sulla media è
limitato. Con sole 20 misure è al di sotto del
3.5.
Landamento della PMF tende a conservarsi al
variare della quantità di misure impiegate per
ottenerla. Gli scostamenti del valore delle
probabilità possono però essere anche notevoli.
13
Risultati
I risultati ottenuti con il più sofisticato
metodo di inferenza bayesiana sono inferiori
rispetto a quelli attesi e presentati nelle
pubblicazioni. Possibili cause ? squilibri
nelle distribuzioni dello spazio degli
stati ? stati vicini non hanno necessariamente
impronte simili. Lalgoritmo NNSS ha
prestazioni nettamente superiori tende a
mantenere lerrore vicino alle dimensioni del
reticolo di stati (2 m).

• Per ovviare alla dispersione dellalgoritmo
  probabilistico è stata introdotta una soluzione
  euristica.
• Lalgoritmo NNSS è usato per selezionare i k
  stati più vicini nello spazio dei segnali.
• Lalgoritmo basato sullinferenza bayesiana è
  applicato solo sui k stati individuati.
• Vantaggi
• Stabilizzazione dei risultati del metodo
  probabilistico.
• Risultati confrontabili con lalgoritmo NNSS se
  non migliori (per alcuni percentili).

14
Esempio di distribuzione delle probabilità pi
Stato Probabilità Stato Probabilità
P07 0.9997 P18 2.4219 10-92
P04 2.0977 10-04 P20 6.8028 10-97
P11 2.4038 10-05 P14 5.8357 10-101
P05 2.1357 10-11 P21 1.1634 10-101
P09 2.3234 10-14 P22 2.5235 10-103
P08 1.6733 10-17 P19 6.6976 10-104
P06 1.0619 10-29 P15 1.1493 10-113
P02 9.8417 10-31 P23 1.7093 10-121
P10 1.0001 10-34 P27 4.0062 10-123
P01 3.9043 10-43 P37 2.1700 10-123
P16 1.730 10-53 P25 4.1732 10-125
P03 4.1531 10-60 P29 4.1732 10-125
P13 2.5500 10-62 P31 4.1732 10-125
P17 3.1430 10-63 P33 4.1732 10-125
P12 1.979 10-65
Questo esempio di localizzazione errata (lo stato
corretto è P09) mette in evidenza le forti
differenze fra gli ordini di grandezza delle
diverse probabilità pi.
15
Conclusioni

• Le prestazioni complessive del nostro sistema
  sono buone con ciascuno dei
• metodi testati, escludendo lalgoritmo basato
  sullinferenza bayesiana.

Metodo Percentile 50 Percentile 75 Percentile 90
Algoritmo NNSS 1.58 m 2.20 m 4.08 m
Algoritmo bayesiano 2.25 m 3.00 m 5.62 m
Soluzione euristica 1.60 m 2.40 m 3.40 m

• Se lo scopo principale del nostro studio è stato
  raggiunto, lapproccio alla
• localizzazione adottato non consente una piena
  comprensione della situazione
• fisica ciò limita in parte la validità dei
  risultati (esistenza dellimpronta, impatto
• della quantità dei dati, ecc.) in quanto sono
  ottenuti solo per via empirica.
• Una migliore comprensione delle ragioni delle
  prestazioni non ottimali del
• metodo basato sullinferenza bayesiana
  potrebbe portare ad approfondimenti e
• a nuove soluzioni nellambito degli algoritmi
  probabilistici.