Αυτόνομοι Πράκτορες(ΠΛΗ513) Παρουσίαση Εργασίας Εξαμήνου Mapping a Base Station Location in a Wireless Network Using Particle Filters Αλιμπέρτης Εμμανουήλ Πολυτεχνείο Κρήτης Τμήμα ΗΜΜΥ Intelligence Lab Χειμερινό Εξάμηνο 2011-2012 1/17
Μπορούμε να εντοπίσουμε τη θέση ενός Wi-Fi Access Point ή ενός Cell Tower;;; Χωρίς καμία αρχική ένδειξη ; Χρησιμοποιώντας μόνο το κινητό ή το laptop μας στη καθημερινότητα ; Παρατηρώντας μόνο την ισχύ του λαμβανόμενου σήματος (RSSI) ; 2/17
Received Signal Strength Indicator (RSSI) RSSI: Ένδειξη Ισχύος Λαμβανόμενου Σήματος σε dbm Μέτρηση που εμμέσως φανερώνει την απόσταση Base Station και φορητής συσκευής n: [3.5 έως 4.5], αλλάζει συνεχώς Μειονεκτήματα: Απίστευτα υψηλός θόρυβος λόγω: Scattering, Multipath, Fading Μεγάλα σφάλματα στον υπολογισμό του στις συσκευές Πλεονέκτημα: Υπολογίζεται ΠΑΝΤΟΥ, σε κάθε φορητή ασύρματη συσκευή: Μηδενικό κόστος 3/17
Πρόβλημα Πιθανοτικού Συμπερασμού Ποια η πιθανότητα της θέσης του Base Station ΔΕΔΟΜΕΝΟΥ των μετρήσεων RSSI ;;; Φιλτράρισμα! P (BS loc (n) measurements_rssi(n), measurementslocation(n) ) Μοντέλο Μετάβασης; Base Station Location_(n) Base Station Location_(n+1) Μοντέλο Παρατήρησης: P ( rssi(n) BS loc (n), meas_loc(n) ) RSSI_dij_(n) RSSI_dij_(n+1) 4/17
Μοντέλα Μετάβασης(;) και Παρατήρησης Ευτυχώς υπάρχουν προσεγγίσεις στη βιβλιογραφία (Relative Location Estimation in Wireless Sensor Networks, Patwari, Hero, Perkins, Correal, Dea ) παρόλη τη δύσκολη φύση του RSSI Density function of RSSI, GIVEN, της απόστασης πομπού και δέκτη 5/17
Πως θα φιλτράρουμε; Η κεραία μπορεί να βρίσκεται οπουδήποτε στον χώρο Οι μετρήσεις μας είναι πάρα πολύ θορυβώδεις Φίλτρο Kalman; Μάλλον όχι Την λύση τη δίνουνε τα Particle Filters Προσέγγιση μίας πεποίθεσης/κατανομής με χρήση δειγμάτων (σωματιδίων) Π.χ. Κατανομή Gauss 6/17
Particle Filters (PFs) Διαισθητικά Κάθε σωματίδιο αντιστοιχεί σε ένα σημείο του χώρου (x,y) καρτεσιανό επίπεδο- Όσα περισσότερα σωματίδια σε ένα σημείο τόσο αυξάνει η πιθανότητα να βρίσκεται εκεί η κεραία μας! Γίνεται να εξάγουμε και τη συνεχή κατανομή! Π.χ. Αρχική κατανομή: Ομοιόμορφη κατανομή των σωματιδίων 7/17
Particle Filters για Base Station Mapping Κάθε Particle (m) είναι μία υποψηφία θέση για το BS Άρα το κάθε particle m, για τη μέτρηση i παίρνει βάρος ίσο με A. Αρχικοποίηση: Δημιουργία αρχικών (M) δειγμάτων και κατανομή στον χώρο σύμφωνα με την εκ των προτέρων κατανομή P (BS loc (n=0): Ομοιόμορφα στο grid B. Κύκλος Ενημέρωσης για κάθε χρονικό βήμα/set rssi 1. Διάδοση των σωματιδίων με το μοντέλο μετάβασης 2. Στάθμιση του κάθε δείγματος σύμφωνα με το μοντέλο παρατήρησης/αισθητήρα 3. Αναδειγματολήψια. Πιθανότητα επιλογής ενός δείγματος ανάλογη του βάρους του. Δημιουργία νέου συνόλου M δειγμάτων 8/17
Resampling και προβλήματα στα Particle Filters Στιγμιότυπο του αλγορίθμου με τα βάρη των particles, πριν το resampling! Όλη η συνεισφορά και η εξυπνάδα του Particle Filtering βρίσκεται στο Resampling Resampling με αλγορίθμους: (1)Low_Variance_Sampler και (2)Augmented_MCL (1)Μειώνει τη δειγματοληπτική διακύμανση Ένα particle πρέπει να επιλέγεται και σύμφωνα με τα βάρη των υπολοίπων (2)Εξασφαλίζει ότι τα PFs δεν θα αποτύχουν εξαιτίας πολύ υψηλού στιγμιαίου θορύβου 9/17
Base Station Location Estimation Τα PFs αναπαραστούν διακριτές προσεγγίσεις συνεχών πεποιθήσεων Συνεχής pdf :P (BS loc (n) measurements_rssi(n), measurementslocation(n) ) k-mean algorithm Με χρήση της pdf βρισκουμε την εκτιμώμενη θέση του Base Station (κελία 1x1): 10/17
Υλοποίηση σε Matlab Simulation Παράγουμε τυχαία μετρήσεις από τυχαίες θέσεις: Ακολουθούν το log-normal μοντέλο που υποθέσαμε Set 10 rssi ανά χρονική φέτα, 10 χρονικές φέτες. Υποθετουμε ανεξαρτησία άρα κάθε particle πολλαπλασιάζεται με το γινόμενο των 10 πιθανοτήτων από τις μετρήσεις Μ=1024 particles, P 0 =30 dbm, n p =3.5 Πόσο θορυβώδεις είναι οι μετρήσεις μας: Δοκιμή με σ db =6, 12,18 50 επαναλήψεις για κάθε σενάριο Μετρική σφάλματος: Mean Square Error 11/17
σ db =6, Μ=1024 MSE=52.67 m 2 12/17
σ db =6, Μ=2500 MSE=3,78 m 2 13/17
σ db =12, Μ=1024 MSE=173.79 m 2 14/17
σ db =18, Μ=1024 MSE=390.44 m 2 15/17
1. Χρήση περισσότερων Particles Future Work 2. Βελτιστοποιήσεις στο resampling 3. Χρήση Real Data Set, με παράλληλη εξέλιξη του μοντέλου παρατήρησης 4. Error Sensor Model for GPS και αβεβαιότητα στο location της μετρησης 16/17
Ευχαριστώ πολύ για τη προσοχή σας! Ερωτήσεις;;; 17/17