Die Entwicklung eines verlässlichen Gebäudenavigationssystems ist für viele Anwendungen von großer Bedeutung, wie zum Beispiel für positionsbezogene Dienste oder Personen- oder Objektlokalisierungs- und Verfolgungssysteme. Viele Methoden wurde vorgeschlagen, um die Positionsgenauigkeit innerhalb von Gebäuden zu verbessern. Von diesen erscheinen auf Wireless LAN (WLAN) und auf Inertialsensorik basierende Ansätze am aussichtsreichsten, da WLAN in vielen öffentlichen Bereichen eingesetzt wird und Inertialsensoren in modernen Smartphones verfügbar sind. Positionsschätzungen mittels WLAN-Fingerabdruckverfahren verschlechtern sich durch Abschneideeffekte (Clipping) und Beobachtungsverluste. Clipping entsteht durch die Tatsache, dass Sensoren unterhalb eines Schwellwertes keinen Signalstärkemesswert (Received Signal Strength Index, RSSI) liefern können. Beobachtungsverluste beziehen sich auf Messungen, bei denen die Signalstärken deutlich über den Clipping-Schwellwerten liegen und doch keine Messwerte an die abfragende Einheit zurückgegeben werden, etwa aufgrund von Speicherüberlauf. Diese Arbeit konzentriert sich auf die Parameterschätzung von angenommenen Gaußverteilungen der WLAN-Signalstärken in Gegenwart von Clippingeffekten und Beobachtungsverlusten. Die Statistiken der gemessenen RSSI-Werte von Smartphones hängen vom Gerätetyp ab. Abweichungen werden hervorgerufen durch unterschiedliche Hardware- und Softwarekomponenten oder durch unterschiedliche Antennenanordnungen in den einzelnen Geräten. Darüber hinaus können sogar baugleiche Smartphones desselben Herstellers unterschiedliche Messwerte produzieren. Daher wird als weiteres Ziel dieser Arbeit das Problem der unterschiedlichen Sensorsensitivitäten von Smartphones in Gegenwart von Clipping und Beobachtungsverlusten untersucht...
Bibliographic Metadata
- TitleWLAN fingerprinting based indoor positioning in the presence of censored and dropped data / Manh Kha Hoang ; Erster Gutachter: Prof. Dr.-Ing. Reinhold Häb-Umbach, zweiter Gutachter: Prof. Dr.-Ing. Peter A. Höher
- Author
- Participants
- Published
- EditionElektronische Ressource
- Description1 Online-Ressource (iii, 119 Seiten) : Illustrationen, Diagramme
- Institutional NoteUniversität Paderborn, Fakultät für Elektrotechnik, Informatik und Mathematik, Univ., Dissertation, 2016
- AnnotationTag der Verteidigung: 04.03.2016
- Defended on2016-03-04
- LanguageEnglish
- Document TypesDissertation (PhD)
- URN
- Social MediaShare
- Reference
- IIIF
Developing a reliable indoor positioning and navigation system is of a particular interest for a variety of applications such as location-based services, person or object localization and tracking systems, etc.. Many methods have been proposed to improve the positioning accuracy in an indoor environment. Amongst them, approaches employing Wireless LAN (WLAN) and inertial sensor information seem to be the most promising because of the wide deployment of WLAN in many public areas, and because inertial sensors are now available on most modern smartphones. WLAN fingerprinting based positioning suffers from censored and dropped data, which has not yet received much attention in the literature. Censoring refers to the fact that sensors are unable to measure Received Signal Strength Index (RSSI) values below some threshold. Dropping means that occasionally RSSI measurements of access points are not available, although their value is clearly above the censoring threshold. This thesis, therefore, concentrates on parameter estimation of the assumed Gaussian distribution of WLAN data in the presence of censored and dropped data. In addition, RSSI statistics gathered from smartphones of different vendors are not identical because of different hardware and software employed. Moreover, smartphones from the same vendor and even the same model are not able to return the same signal strength when they measure the data at the same conditions. As a result, another goal of this study is to address the problem of the differences of the sensor sensitivities of smartphones when censored and dropped data are present in the measurement data. To further improve the positioning accuracy, methods for combining the fingerprinting based positioning with dead reckoning techniques are explored. Within this work, this is achieved by a hidden Markov model (HMM), where the HMM states are the positions where fingerprints have been taken...
- The PDF-Document has been downloaded 56 times.