Download
1 / 42
420 likes | 597 Views
RADAR/EKAHAU. Um sistema para localização e posicionamento de dispositivos móveis usando rádio-frequência. Peter Kreslins Junior Novembro/2004. Agenda. Tecnologias para localização e posicionamento de dispositivos móveis RADAR Descrição Diferenças com relação às outras tecnologias
E N D
RADAR/EKAHAU Um sistema para localização e posicionamento de dispositivos móveis usando rádio-frequência Peter Kreslins Junior Novembro/2004
Agenda • Tecnologias para localização e posicionamento de dispositivos móveis • RADAR • Descrição • Diferenças com relação às outras tecnologias • Metodologia de Pesquisa • Métodos para inferir a localização e o posicionamento de dispositivos móveis • Método empírico • Método teórico • Conclusões • EKAHAU • Descrição • Produtos • Screenshots
Tecnologias para localização e posicionamento de dispositivos móveis • Em ambientes abertos • Time Difference of Arrival (TDoA) • Angle of Arrival (AoA) • GPS • Em ambientes fechados • Infra-vermelho • Rádio-frequência
TDoA e AoA • Utilizam técnicas para inferir a posição do dispositivo em termos da diferença de tempo de chegada do sinal entre as diversas bases e em termos do ângulo de chegada do sinal • Funcionam bem em ambientes abertos, mas exibem problemas em ambientes fechados como: • reflexão do sinal • dificuldade na sincronização do tempo entre antena e dispositivo
GPS • Utiliza o sistema de posicionamento global via satélite para determinar a posição do dispositivo • Em ambientes abertos é um dos mais precisos métodos para determinar a posição do dispositivo • Requer que o dispositivo móvel seja capaz de receber sinais do satélite (custo elevado) • Pode não funcionar em ambientes fechados pois o sinal pode ser bloqueado
Infra-vermelho • Localização e posicionamento de dispositivos móveis usando sinais infra-vermelhos • Requer muitos sensores uma vez que essa tecnologia possui alcanço limitado • Necessita de equipamentos específicos que em geral são usados somente para localização e não oferecem serviço de transmissão de dados • Manutenção pode se tornar um problema devido ao elevado número de sensores
Rádio-frequência • Utiliza sinais de rádio para detectar a posição e localização de dispositivos • Utiliza a infraestrutura WiFi (802.11a/b/g) para inferir o posicionamento: mais barato e largamente utilizado • Além de localização, a infraestrutura WiFi provê serviço de transmissão de dados (10mbps+) • Abrangência do sinal muito maior do que infra-vermelho
Descrição • Sistema para localização e posicionamento de dispositivos usando rádio-frequência • Pesquisa feita por Paramvir Bahl e Venkata Padmanabhan e patrocinada pela Microsoft • Tem como objetivo demonstrar que o uso de tecnologia WiFi, largamente adotada, pode ser usada para localização e posicionamento de dispositivos • Utiliza dados sobre a força do sinal de rádio, coletados em diversos pontos de acesso, para inferir a posição do dispositivo (através de triangulação) • A triangulação pode ser feita de um modo empírico ou teórico • EKAHAU é o produto comercial que se baseia indiretamente nessa pesquisa
Diferenças com relação às outras tecnologias • Utiliza a rede Wireless para obter dados que são usados para inferir posicionamento e localização • Não está associado a nenhuma tecnologia proprietária (nem hardware e nem software) • Pode utilizar um modelo empírico ou um modelo teórico de propagação de sinal
Metodologia de Pesquisa (1) • Experiência executada no segundo andar de um prédio • O andar possui as seguintes dimensões: 43.5m x 22.5m (980 m2) • Além disso o andar possui mais de 50 salas • Foram usadas 3 estações-base • O dispositivo móvel (laptop) recebeu uma placa de rede com suporte WireLess (tecnologia wireless antiga – WaveLAN RF LAN da Lucent)
Metodologia de Pesquisa (2) • Mapa do andar onde os experimentos foram conduzidos. • Pontos pretos indicam os locais onde informação sobre a intensidade do sinal foi coletada. • As estrelas grandes indicam a localização de cada uma das 3 bases. • A orientação desse mapa é Norte acima e Leste à direita.
Coletando dados • Coletar informações sobre o sinal de rádio como uma função da posição do dispositivo (num modo offline e num modo realtime) • Os relógios das bases e do dispositivo móvel são sincronizados • O dispositivo móvel é programado para enviar pacotes UDP (4 pacotes por segundo) • Cada estação base grava a intensidade do sinal registrado em conjunto com o timestamp • No modo offline, o usuário do dispositivo móvel indica sua posição (X,Y) clicando no mapa – o timestamp e a posição também são gravados • A direção para onde o usuário está apontando faz o sinal variar em aproximadamente 5 dBm – assim, além da posição e timestamp, é interessante gravar a direção também
Algoritmos e Análise Experimental (1) • Uma premissa dessa pesquisa é que a intensidade do sinal é uma maneira de se inferir a posição do dispositivo • Isso é razoável pois, conforme o gráfico abaixo, a intensidade do sinal varia conforme o dispositivo se aproxima ou se afasta de cada base • O gráfico abaixo retrata o dispositivo móvel sendo levado em sentido anti-horário, começando perto da base 1 e terminando nela (vide slide Layout do Andar)
Algoritmos e Análise Experimental (2) • A forma de inferir a posição do dispositivo proposta por esta pesquisa é a triangulação. Para que funcione, algumas etapas devem ser levadas em conta: • Uma maneira de sumarizar os dados sobre intensidade do sinal • Uma maneira de determinar a posição e direção que mais se aproxima de um conjunto de valores de intensidade do sinal registrados – duas alternativas são discutidas nessa pesquisa: • o método empírico • o método baseado num modelo de propagação de sinal • Uma maneira de decidir, entre vários possíveis candidatos para uma posição do dispositivo móvel, qual é o melhor: • A idéia geral é utilizar a técnica chamada NNSS (Nearest Neighbor(s) in Signal Space) – calcular a distância entre as intensidades de sinal medidas e as intensidades de sinal gravadas e escolher a que minimiza essa distância
Método Empírico • Nesse método os dados coletados durante a fase off-line são usados para estimar a posição do dispositivo • Nos próximos slides, apresentamos alguns testes que ajudam a analisar esse método: • Análise Básica (NNSS simples) • NNSS com múltiplos vizinhos • Desconsiderando a orientação • Impacto do número de pontos • Impacto do número de amostras • Impacto da orientação do dispositivo • A métrica usada para analisar a precisão do método, é a distância de erro (distância euclidiana entre a posição real do dispositivo e a posição estimada)
Análise Básica • Validar a técnica NNSS-simples (somente um vizinho) comparando-a com: • Um método aleatório de escolha de posições • Um método que considera a posição do dispositivo como sendo a mesma posição da base que registrou o maior sinal • Mostrar que a técnica NNSS apresenta precisão satisfatória
NNSS com múltiplos vizinhos • Utiliza a técnica NNSS considerando os k vizinhos mais próximos (e não somente o mais próximo) • Nos experimentos, mostrou-se que o uso de k-vizinhos melhora um pouco a precisão • para k=5: melhoria de 22% (25% de prob.) e uma melhoria de 9% (50% de prob.) • No entanto, para valores grandes de k, percebe-se uma degradação na precisão pois posições distantes da real corrompem a estimativa • A razão pela qual o ganho não é tão significativo diz respeito ao fato de que k-NNSS, em geral, não são k diferentes pontos – eles podem ser o mesmo ponto registrado em diferentes orientações • Conclusão: k-NNSS não melhora a estimativa de forma considerável
Desconsiderando a orientação • Como pudemos ver, o fator orientação pode prejudicar a precisão da técnica k-NNSS. Assim, vejamos o que acontece quando a orientação não é levada em conta: • Para o conjunto de dados obtidos no modo off-line, escolhemos somente os pontos com intensidade de sinal máxima, dentro de uma mesma orientação • O objetivo é simular a situação onde o sinal gerado não é obstruído pelo corpo do usuário, por exemplo • Nas observações percebeu-se que há uma melhora considerável (percentuais comparados com a análise básica) • Para k=1: 6% de ganho (25% de prob.) e 9% de ganho (50% de prob.) • Para k={2..4}: 48% de ganho (25% de prob.) e 28% de ganho (50% de prob.)
Impacto do número de pontos • Todos os testes até o momento foram feitos usando-se 70 pontos distintos – vejamos o impacto de utilizar menos de 70 pontos: • Para cada valor de n (variando de 2 a 70), conduziu-se 20 execuções da análise • A cada execução, n pontos aleatórios foram escolhidos do conjunto coletado no modo offline e estes pontos foram usados no algoritmo NNSS • Para n pequeno (menor ou igual a 5), percebeu-se que a distância de erro é de 2 a 4 vezes pior que quando utiliza-se n=70. • A distância de erro diminui rapidamente conforme o n aumenta. Ex.: para n=20 a distância de erro é 33% pior e para n=40 é menos de 10% pior. • Percebe-se que existe um limite de número de pontos onde a melhora não é mais significativa (em particular para o caso analisado, 40 pontos distintos são suficientes)
Impacto do número de amostras • Nos testes até o momento utilizou-se a média de todas as amostras coletadas, para cada combinação de posição+orientação. • Isso pode ser razoável para o modo offline, que é feito uma só vez, no entanto, para o modo real, podem existir limitações no número de amostras que se consegue coletar • A análise mostra que apenas uma pequena quantidade de amostras no modo real é necessária para atingir uma precisão razoável • Comparando com a análise básica: • Com somente 1 amostra, a distância de erro é 30% pior (50% de prob.) • Com 2 amostras ela é 11% pior e com 3 amostras é 4% pior
Impacto da orientação do dispositivo • Como pudemos ver, a orientação do dispositivo impacta na precisão. Para verificar o quanto esse impacto é significativo, o seguinte teste foi feito: • Considera-se, para o conjunto de dados obtido no modo offline, somente uma orientação específica (norte, por exemplo) • Para o conjunto de dados obtido em modo real, considera-se a direção oposta (ex.: sul) • Calcula-se a distância de erro para cada uma das orientações que se opõe (norte-sul, sul-norte, leste-oeste e oeste-leste) • A análise mostra que (em comparação com a análise básica): • A distância de erro é 54% pior (25% de prob.) e 67% pior (50% de prob.) • Portanto é muito importante obter amostras para todas as possíveis direções.
Localizando usuários móveis • Até agora, todos os experimentos feitos levavam em conta um usuário/dispositivo estacionário. Vejamos as particularidades para localização de usuários móveis: • O problema de localizar um usuário móvel pode ser definido como uma sequência de problemas de localizar um usuário “quase-estacionário” • Assim, usa-se uma janela deslizante de 10 amostras para computar a média de intensidade de sinal • Esse valor é usado no método descrito anteriormente para usuários estacionários • A distância de erro nesse caso é 19% pior que para o caso estacionário
Método baseado no modelo de propagação de sinal • Utiliza um modelo teórico de propagação do sinal para gerar o conjunto de dados que serve de base para o NNSS • Não depende de dados empiricamente coletados durante uma fase off-line • Três modelos foram estudados: • Rayleigh fading model • É largamente utilizado para descrever um fenômeno denominado multipath fading mas não é completo pois assume que todos os sinais que chegam ao receptor têm a mesma intensidade. • Rician distribution model • É um modelo mais abrangente (o modelo Rayleigh é um caso especial deste) que descreve a ocorrência de um sinal mais forte imerso em muitos sinais fracos e dispersos. É bastante completo, no entanto é difícil determinar os parâmetros do modelo como intensidade da componente dominante, por exemplo. • Wall Attenuation Factor (WAF) model
Wall Attenuation Factor model • Adaptação do modelo Floor Attenuation Factor (FAF) onde o fator de atenuação dos andares foi trocado pelo fator de atenuação dos obstáculos (paredes). • É descrito pela seguinte fórmula: • Onde: • n indica a taxa com a qual a intensidade do sinal cai com a distância • P(d0) indica a intensidade do sinal a uma distância de referência d0 • d é a distância que separa o transmissor do receptor • C é o número máximo de paredes que fazem diferença sobre o fator de atenuação • nW é o número de paredes entre o transmissor e o receptor • WAF é o fator de atenuação das paredes
Determinando o fator WAF • Primeiramente a intensidade do sinal é medida entre o receptor e o emissor quando eles têm linha de visão (sem obstáculos) • Depois uma série de medições são feitas com um número conhecido de paredes entre o emissor e o receptor • A média da diferença entre os sinais medidos é usada para determinar o fator WAF • A atenuação começa a ficar cada vez menor conforme o número de paredes entre o receptor e o emissor aumenta (isso indica que a perda por distância domina a perda por obstáculos quando o receptor e o emissor estão distantes e existem muitos obstáculos entre eles) • Os testes empíricos mostram que o fator WAF é de aproximadamente 3.1 dBm e o parâmetro C é de 4 paredes (número máximo de paredes que fazem diferença na atenuação)
Variação do Sinal • Acima podemos ver a diferença entre a intensidade dos sinais registrados sem (à esquerda) e com (à direita) o fator WAF. • No gráfico à esquerda, percebe-se uma diferença de 10 dBm entre duas localidades afastadas aproximadamente 36m do receptor – isso se deve ao fato de que, provavelmente, uma das localidades possui linha de visão com o receptor e a outra encontra-se atrás de algumas paredes. • No gráfico à direita, já podemos perceber uma distribuição mais homogênea devido à correção proporcionada pelo fator WAF – esse gráfico muito se assemelha ao de perda de sinal por distância em ambientes abertos.
Determinando os parâmetros n e P(d0) • Com os valores de intensidade do sinal medidos em diversas posições e corrigidos com o fator WAF, basta fazer uma regressão linear e obter os parâmetros restantes. • Os dados obtidos por regressão linear foram: • Podemos ver que os valores n e P(d0) não são muito discrepantes entre as bases, o que sugere que eles não estão associados a um local fixo. • Além disso, o valor final combinado para as três bases é útil pois permite a inclusão de novas bases no sistema sem necessidade de recálculo. • Os coeficientes R² e MSE são respectivamente o coeficiente de determinação e o erro quadrado médio que indicam a precisão da regressão linear.
Resultados do modelo de propagação de sinal • Para determinar a precisão desse modelo, uma série de medidas foram feitas utilizando a fórmula descrita anteriormente. Esses valores foram usados como base para o algoritmo NNSS. • O modelo de propagação de sinal apresentou distância de erro de 4,3m (50% de prob.) e 1,86m (???) (25% de prob.). • Abaixo, mostramos um gráfico comparando os valores previstos pelo modelo e os valores reais medidos:
Conclusões finais sobre os dois modelos • Como visto através dos dados, o modelo empírico é muito mais preciso do que o modelo teórico. • No entanto, o modelo empírico é mais caro na preparação pois a base para o algoritmo NNSS precisa ser construída manualmente. Já o modelo teórico apresenta uma maneira direta através da fórmula apresentada. • Além disso, numa realocação das bases (ou inclusão de novas), o modelo empírico requer todo o trabalho de setup novamente. Isso não acontece no modelo teórico. • Além de coletar dados sobre a intensidade do sinal, parece ser interessante combinar dados sobre o perfil do usuário como padrões de movimento, horários, etc. • O objetivo dessa pesquisa era mostrar que, mesmo sucetível a interferência, reflexão, atenuação, etc, o sinal de rádio pode ser usado como base para as técnicas de localização de dispositivos móveis.
Descrição • EKAHAU é uma empresa que desenvolve ferramentas para localização e posicionamento de dispositivos móveis usando a infraestrutura Wireless (802.11abg). • Apesar de pertencer a uma vertente diferente de pesquisa, Complex Systems Computation Group da Universidadede Helsinki, o EKAHAU muito se assemelha ao modelo empírico descrito pela pesquisa RADAR. • Os produtos pertencentes à suíte EKAHAU são: • EKAHAU Positioning Engine • EKAHAU T101 Wi-Fi Tag • EKAHAU Site Survey • EKAHAU Client
Positioning Engine • É o software que gerencia o posicionamento de dispositivos. • Trabalha com diversos tipos de dispositivos como WiFi Tags, laptops, PDAs e outros dispositivos 802.11a/b/g. • Possui precisão média de 1m, usando técnicas para calibrar o local em que será usado. • Apresenta dois tipos de interface para que outros programas se comuniquem com o engine: • Uma API em Java que permite obter informações como posição x,y do dispositivo, velocidade, andar em que se encontra, direção, etc. • Um protocolo denominado YAX que permite a comunicação via sockets com o engine
T101 Wi-Fi Tag • São dispositivos pertencentes ao padrão 802.11 que podem ser usados como etiquetas para localização de pessoas, equipamentos, containers, etc. • Funcionam de forma transparente no sistema de posicionamento EKAHAU. • Não necessitam de infraestrutura de hardware proprietária.
EKAHAU Site Survey • Essa é uma poderosa ferramenta para gravar, visualizar, analisar, otimizar e verificar a performance de sua rede sem fio. • Possui basicamente um visualizador e editor do mapa da região onde a rede sem fio está instalada. • Com essa ferramenta, um administrador de rede sem fio pode ter as seguintes informações da rede: intensidade do sinal em diversos pontos, taxa de transmissão de dados, localização dos APs, utilitário para melhor posicionamento de APs, interferência, AP mais forte, entre outras.
EKAHAU Client • Software que deve ser instalado nos dispositivos móveis como laptops e PDAs para que eles se tornem passíveis de localização e posicionamento através do Positioning Engine. • Além disso, com esse software instalado, laptops e PDAs tornam-se capazes de gerar dados para o Site Survey, ajudando na obtenção de estatísticas sobre o local onde a rede sem fio será instalada.
