Automatisierung der Lokalisierung in drahtlosen WLAN Netzen

Themabeschreibung

Lokalisierung in WLAN Netzen ist die Erfindung der Position von mobilen Rechner auf Basis von den Eigenschaften eines drahtloses Netzes (Radiosignal-Stärke, Round-Trip Zeit, Nachbar-Information, usw.). Die Lokalisierung wird für vielfältige Zwecke benutzt wie z.B. persönliche Navigationssysteme und Hilfe beim Notfallruf. Solche Dienstleistungen erhöhen den Wert von den vorhandenen WLAN Infrastrukturen.

In die Literatur vorhandenen Methoden für WLAN Lokalisierung erreichen eine Genauigkeit von ein bis zehn Metern [1,5,6,8]. Das Horus System zum Beispiel ergibt korrekte Schätzungen bis zu 1 Meter in mehr als 90% der Versuche [8]. Vielen von diesen Verfahren benutzen das „Machine Learning“ Prinzip. Während der Lernphase wird eine Abbildung der Umgebung konstruiert, die Signal Stärke zu Position umwandelt. Während der Operationsphase wird diese Abbildung benutzt um die Position von dem aktuellen Signal Stärke zu vermuten.

Ein Problem diesen Verfahren ist die Konstruierung und Aktualisierung der Abbildung der Umgebung. Dieser Prozess wird in die oben genannten. Arbeiten durch manuelle Messungen auf Gitterpunkte mit Abstand von 1 bis 5 Meter realisiert. Diese Methode ist problematisch weil sie Zeit und manuelles Arbeit erfordert. Außerdem kann sich die Umgebung ständig ändern. In manchen drahtlosen Netzen ändern sich die Sendeleistungen von den Access Pointen automatisch mit dem Ziel von einer optimalen Bedeckung [4]. Diese Änderungen erfordern wiederum eine Kalibrierung der Umgebung durch manuelle Arbeit.

In diesem Seminarthema werden solche Verfahren betrachtet, die den Prozess für Lokalisierung in WLAN Netze automatisieren, oder mit weniger manuellen Arbeiten möglich machen. Als Ausgangspunkt können die wissenschaftliche Arbeiten [2,3,7] und das kommerzielle Produkt von Cisco [5] benutzt werden. Alle angegebenen Quellen sind beim Bedarf verfügbar.

Benötigte Grundlagen für dieses Thema sind: drahtlosen Netzen, probabilistische Theorie, Hidden Markov Modele (HMM), Regression Analyse.

Referenzen

1. P. Bahl and V. N. Padmanabhan. RADAR: An In-Building RF-Based User Location and Tracking System. IEEE Infocom, 2000.
2. Ezekiel S. Bhasker, Steven W. Brown, William G. Griswold. Employing User Feedback for Fast, Accurate, Low-Maintenance Geolocationing. In Second IEEE International Conference on Pervasive Computing and Communications (PerCom'04), 2004.
3. Xiaoyong Chai and Qiang Yang. Reducing the Calibration Effort for Location Estimation Using Unlabeled Samples. In Proceedings of IEEE International Conference on Pervasive Computing and Communications (PerCom 2005)
4. CiscoWorks Wireless LAN Solution Engine
5. Cisco 2700 Series Wireless Location Appliance
6. Ekahau Positioning Engine
7. Jie Yin, Qiang Yang, Lionel Ni. Adaptive Temporal Radio Maps for Indoor Location Estimation. In Proceedings of IEEE International Conference on Pervasive Computing and Communications (PerCom 2005)
8. Moustafa Youssef and Ashok Agrawala. The Horus WLAN Location Determination System. In MobiSys '05: Proceedings of the 3rd international conference on Mobile systems, applications, and services, 2005. ACM Press.

Kontakt

Svilen Ivanov