Диссертация (1090554), страница 6
Текст из файла (страница 6)
Для того чтобы минимизировать их влияние применяются специальные методы и подходы, объединяемые под общим названием методов увеличения точности позиционирования.Такие методы можно разделить на несколько основных групп:1) Использование плана помещения и модели перемещения объекта;2) Коррекция оценок координат близкорасположенных объектов;3) Комбинация нескольких беспроводных технологий.В следующих разделах (1.4.1 – 1.4.3) эти группы методов рассматриваютсяболее подробно.Альтернативными подходами к решению задачи увеличения точности локального позиционирования могут являться:1) Одновременное использование нескольких методов позиционирования;2) Применение алгоритмов из смежной области навигации и наведения летательных аппаратов.
В частности, использование методов корреляционно-экстремальных систем.34Данные подходы не представлены в научной литературе, относящейся к тематике локального позиционирования объектов, и будут являться предметом данной диссертации.Кроме того, одним из возможных путей повышения точности систем локального Wi-Fi позиционирования может стать разработка научно обоснованнойпроцедуры их синтеза. К настоящему моменту такая процедура отсутствует. Вместо этого каждый из производителей коммерческих систем позиционированияпредлагает использовать собственный набор эмпирических рекомендаций. Так,например, одним из требований системы Ekahau является одновременная прямаявидимость не менее трѐх источников в каждой точке территории позиционирования [35].
Это условие хотя и нашло широкое применение на практике, но оно, темне менее, не является достаточным для построения систем позиционированияобъектов с высокой точностью.Среди работ, посвященных разработке методического обеспечения системлокального позиционирования можно отметить статью [36], предмет которойограничивается использованием для целей определения местонахождения объектов только существующей Wi-Fi сети. Следовательно, предложенный авторомподход не позволяет решать весь комплекс задач, относящихся к построению систем локализации положения объектов по данным этой беспроводной технологии.351.4.1. Использование планов помещений и модели перемещенияобъектаВ состав исходных данных, используемых системами позиционированиялюбого масштаба, обязательно входит план территории, на которой осуществляется позиционирование.
В случае локальных систем речь чаще всего идѐт о масштабных планах помещений. Эти планы главным образом применяются для отображения перемещений объектов системы. Но, помимо этого, они также могутбыть использованы для дополнительной коррекции оценок местоположения объектов.Речь идѐт, например, о следующем – когда объект позиционирования приближается к границе помещений, его положение может быть ошибочно определено относящимся не к тому помещению, где он в действительности находится. Этосвязано с тем, что наборы измерений обучающей выборки, соответствующие точкам, близким к границе в разных помещениях, зачастую оказываются очень похожими.Подобные ошибки всегда воспринимаются как существенные, даже несмотря на то, что они могут не вносить значительной погрешности на количественном уровне (ошибка позиционирования в описанном выше случае может непревышать нескольких метров).
Здесь важно отметить, что близость значенийобучающей выборки для планов разных помещений может приводить не только кошибкам с численно малой погрешностью, но и являться причиной таких серьѐзных ошибок, как ошибка в определении этажа.Для исключения подобных проблем могут использоваться различные методы и подходы, которые можно условно разделить на две группы – эмпирические итеоретические. Первая группа включает в себя методы, накладывающие искусственные ограничения на перемещения объекта, основанные на эмпирических зависимостях.
Вторая состоит из методов, основанных на применении теории обработки и фильтрации сигналов.36К методам первой группы можно отнести различные подходы, ограничивающие перемещения объекта в зависимости от времени. Здесь речь может идти како простых правилах вида «смещение позиции объекта за единицу времени недолжно превышать значения X», используемых большинством систем по умолчанию [37], так и о более сложных логических конструкциях.Так, например, авторы работы [38] предлагают представлять планы помещений в виде единого взвешенного графа расстояний, вершинами которого являются позиции, присутствующие в обучающей выборке. Вес каждого из рѐбер такого графа равен расстоянию, которое надо преодолеть объекту для перемещениямежду соответствующими вершинами.
При этом рѐбра графа связывают только тевершины, между которыми объект в действительности может переместиться.Имеется в виду, что вершины, расположенные по разные стороны стены или межэтажных перекрытий, рѐбрами связываться не будут. Использование такого подхода позволяет рассчитывать итоговую оценку местоположения как с учѐтомограничения абсолютных значений перемещения объекта (которое, как отмеченовыше, не исключает ошибки определения помещения), так и с учѐтом ограничения реального расстояния, преодолеваемого объектом при перемещении междусоседними оценками координат.
В данном случае реальное расстояние оценивается как кратчайший путь между вершинами графа с использованием алгоритмаДейкстры [39]. Если итоговое расстояние превышает пороговое значение, то положение объекта оценивается как ближайшая вершина графа, удовлетворяющаяограничениям.Как отмечают авторы, использование взвешенного графа расстояний в системе позиционирования, построенной на базе модифицированного метода kближайших соседей, позволило снизить среднюю ошибку позиционирования на8.4% с 2.27 м до 2.08 м, а также, что более важно, значительно уменьшило количество ошибок определения помещений и этажей (число таких ошибок снизилосьна 35%).Второй подход основан на фильтрации данных о местоположении объектов.Здесь могут применяться различные фильтры – такие как Байесовский фильтр37[40], фильтр частиц [41] или фильтр Калмана [42, 43].
Идея такой фильтрации заключается в коррекции оценок местоположения объекта за счѐт данных об истории его перемещения. Дополнение этой информации моделью перемещения позволяет исключить невозможные или недопустимые перемещения объекта, получаемые системой позиционирования без специальных средств коррекции.Одним из примеров применения статистических фильтров, как отмеченовыше, является применение фильтра частиц.
Авторы работы [41], использующиеэтот фильтр для целей коррекции, на каждом шаге своего алгоритма случайнымобразом генерируют множество частиц, каждая из которых определяет одно извозможных положений объекта на следующем шаге. В процессе генерации учитывается предыдущее расположение объекта и текущая скорость его движения:[][][]+[[где ⃗⃗ (), ⃗⃗(], (1.16)]) – соответственно положение объекта на m-оми (m – 1) шаге, Ts – время, прошедшее между m-ым и (m – 1) измерениями, vx, vy –оценочные значения скорости объекта, ηx, ηy – значения случайного процесса, моделирующего ускорение объекта.Далее возможные положения полученных частиц фильтруются с применением планов помещений. При этом вероятность невозможных перемещений (таких как смена этажа или переход через стену) устанавливается равной нулю:[⃗⃗⃗⃗]{(1.17)Полученная оценка вероятности используется для изменения весов частиц,участвующих в последующей коррекции местоположения объекта (начальныезначения весов всех частиц назначаются равными единице):⃗⃗⃗⃗где вероятность получения вектора измерений ⃗ой частицей, оценивается согласно выражению:⃗⃗⃗(1.18)в позиции ⃗⃗ , определяемой i-38⃗где ⃗⃗ ((⃗⃗ ⃗⃗⃗⃗)(1.19)√) – оценка местоположения объекта, полученная с использованиемодного из методов позиционирования, σ – оценка среднеквадратического отклонения значений RSS в векторе измерений ⃗ ,(⃗⃗⃗⃗ ) – Евклидово расстояниемежду положением i-ой частицы и текущей оценкой местоположения объекта.Итоговая коррекция местоположения объекта осуществляется за счѐт изменения оценки апостериорной вероятности [⃗⃗зиции ⃗⃗⃗при получении вектора измерений ⃗] нахождения объекта в по.
Индекс (0 – m) означает, чтовектор измерений получен на m-ом шаге с учѐтом предыдущих. Для коррекциииспользуется выражение:[⃗⃗⃗]∑(⃗⃗⃗⃗ )(1.20)где Lp – общее число сгенерированных частиц (параметр метода).В проведенном авторами работы [41] эксперименте использование фильтрачастиц привело к уменьшению средней ошибки позиционирования на 24.3% – с2,88 м до 2,18 м. Применение статистических фильтров Байеса и Калмана в работах [40] и [42] также оказало значительное влияние на точность позиционирования. Использование этих фильтров вызвало снижение средней ошибки более чемна 20% в каждом из случаев (23,8% для фильтра Калмана и 21,3% для фильтраБайеса).Каждый из рассмотренных методов коррекции позволяет увеличить итоговую точность позиционирования за счѐт снижения значений средней ошибки.Наиболее эффективным алгоритмом с этой точки зрения, судя по имеющимсяпубликациям, является фильтр частиц.391.4.2.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
