Sistemas de Localização baseados em 802.11

Fernando Ney da Costa Nascimento

ney@inf.puc-rio.br

Roteiro

Motivação Aplicações Alternativas e Problemas Localização baseada em 802.11

Metodologia Algoritmos

Conclusões

Motivação

Crescente aumento de comunicação sem fio Pré-requisito para serviços baseados em

localização Soluções tradicionais não funcionam

Aplicações

Location-Awareness Localização de Pessoas Dispositivos Inteligentes Roteamento Wireless

Segurança Localização de intrusos

Robôs Móveis Exploração Construção automática de mapas Navegação

Propriedades de Sistemas de Localização Posição Física x Simbólica Localização Absoluta x Relativa Localização Remota ou Auto-Localização Exatidão e Precisão Escala Reconhecimento de dispostivos Custo Limitações

Alternativas

Outdoor GPS

Indoor Infrared (IR) Radio Frequency (RF)

GPS

Altamente disseminado Cada vez mais baratos Não funcionam em ambientes indoor

Infra-Vermelho

Grande precisão (curtas distâncias, linha reta entre emissor e receptor)

Baixa escalabilidade Requer hardware especializado Ex: Active Badge

Rádio Frequência

Granularidade a nível de célula Alta Escalabilidade Não requer hardware especializado

Problemas com propagação de sinais Indoor Propagação não linear Ruído Propagação Multi-Caminho Interferência Absorção Temperatura do ar Absorção por pessoas (freqüência resonante da

água)

Localização baseada em 802.11

Hardware já presente no ambiente Custo reduzido Complexidade reduzida

Ideía

Usar medidas de força do sinal para determinar a localização.

Categorias

Técnicas Determinísticas Técnicas Probabilísticas

Algoritmos para Localização

Fase 1: Geração dos dados – Construção de um espaço de busca. Geração por modelos de propagação Geração empírica

Fase 2: Recepção de um dado real e busca da posição nos dados gerados na fase 1. Busca probabilística Busca por diferença/semelhança

Técnicas de Localização

Representação do Espaço Representação do Sinal Algorimtos de Inferência de Localização

Representação do Espaço

Representação da localização e direção

Representação do Sinal

Ponto de Acesso

Valor do sinal medido

Algoritmos de Inferência

Nearest Neighbor Multiple Nearest Neighbor Modelo de Propagação de ondas de rádio Kernel Method Histogram Method Inferência Probabilística

Nearest Neighbor (CHOICE, RADAR) A localização é determinada usando um

função de distância. Ex.: Distância Euclidiana

Resolução de 3.20 metros em média

Multiple Nearest Neighbor (RADAR) São considerados as k amostras mais

“perto”.

Resolução de 2.75 (k=5)metros em média

Multiple Nearest Neighbor (cont.) Escolha de k

k pequeno melhora, mas não significativamente k grande piora,pois pontos distantes são levados

em consideração k não melhora significativamente porque são os

mesmos pontos com diferentes orientações

Modelo de propagação de ondas de rádio Usado para determinar as amostras Teórico x Empírico Diversos modelos de propagação Resultados variáveis devido a propagação

de sinais em ambientes indoor Reduz a dependência de dados empirícos

Modelo de propagação de ondas de rádio

• Resolução de 4.3 metros em média

Regra de Bayes

• Função de Probabilidade

• Probabilidade Anterior

• Distribuição Posterior

Kernel Method (Ekahau)

Regra de Bayes Distribuição posterior Uso de distribuição Gaussiana

Kernel Method

• Função de Probabilidade

Kernel Method

Histogram Method (Ekahau, Rover, Nibble)

• Função de Probabilidade

• Determinada através de caixas

• Caixas com tamanhos diferentes ou iguais

Histogram Method

Inferência Probabilística

Resolução de 1.5 metros em média

Sistemas de Localização

Algoritmos Precisão Sistemas

Nearest Neighbor ~ 3.20 RADAR, CHOICE

Kernel ~ 2.30 Ekahau

Histogram ~ 2.30 Ekahau, Rover, Nibble

Inferência Probabilística

~ 1.50 Rice University

Variações

Número de pontos amostrados Número de amostras por pontos Orientação do usuário Número vetores de observação utilizados Número de Pontos de Acesso

Vantagens

Orientação Não tão preciso como posição

Custo Infraestrutura já existente

Escalável Limitação por custo computacional

Desvantagens

Dependência do Ambiente Movimentação de pessoas e objetos Outros dispositivos 2.4 GHz

Geração de dados Tempo necessário para geração

Conclusões

A inferência varia com fatores externos Os melhores resultados têm sido obtidos

com estratégias probabilísticas É possível a construção de diversas

aplicações com a precisão descrita