Title: LA LOCALIZZAZIONE IN INTERNI TRAMITE UNA RETE WIRELESS ETHERNET
1LA 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
2Il 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.
3Il problema della Localizzazione
Il problema appartiene alla vasta classe di
problemi context-aware.
Localizzatore
4Tecniche 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.
5Modelli 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.).
6Tecniche 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.
7Algoritmo 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.
8Metodo 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.
9Strumenti 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.
10Luogo 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.
11Le 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.
12Valutazione 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.
13Risultati
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).
14Esempio 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.
15Conclusioni
- 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.