Posicionamiento indoor con seales de WiFi

Tratamiento estadstico de seales Trabajo nal del curso 2010

Claudio Avallone, Germn Capdehourat

Resumen El objetivo de este trabajo es estimar la posicin en ambientes interiores de un dispositivo de comunicaciones mvil, ya sea telfono celular o computadora porttil, en presencia de una o varias redes WiFi (estndares IEEE 802.11) desplegadas en el edicio. El despliegue masivo de estas redes han motivado el desarrollo de aplicaciones de posicionamiento indoor a partir de seales WiFi, donde la localizacin va GPS no es posible. En particular se estudian tcnicas basadas en huellas, medidas de seal relevadas previamente en el edicio, que permiten evitar el complejo modelado de la propagacin en ambientes interiores. A esto se agrega un enfoque dinmico a travs del ltro de Kalman, donde se utiliza la informacin del pasado para estimar la posicin en cada instante. Las tcnicas implementadas se evaluan con medidas de la red WiFi de Plan Ceibal en el liceo 7 y los resultados obtenidos son similares a los reportados en la literatura, con errores promedio de entre 1 y 8 metros para las trayectorias evaluadas.

1.

Introduccin

El posicionamiento a travs de seales de RF tiene ya muchos aos de investigacin y ha permitido por ejemplo el desarrollo de herramientas como GPS [1] (Global Positioning System), sistema de posicionamiento basado en seales satelitales que permite alta precisn1 en ambientes exteriores. A travs del desarrollo de GPS se ha potenciado una innidad de aplicaciones disponibles hoy da como son la navegacin asistida para vehculos o diversos sistemas de informacin geogrca como gestin y seguridad de otas por citar algunas. Sin embargo, no es posible utilizar dicha herramienta en ambientes interiores o incluso en exteriores densamente edicados, donde se hace difcil el posicionamiento con las seales satelitales [2]. Este hecho, sumado a la creciente disponibilidad de dispositivos mviles as como la presencia masiva de redes inalmbricas WiFi, han aumentado en forma signicativa el inters del posicionamiento indoor a partir de la infraestructura de estas redes [3]. Una herramienta como esta podra potenciar diversas aplicaciones, as como lo ha hecho GPS para ambientes exteriores, como mapas guiados para aeropuertos, hospitales o centros comerciales, aplicaciones interactivas y visitas guiadas en museos o edicios histricos o sistemas de gestin para mltiples reas entre otras.
1 Wikipedia: Ocialmente indican aproximadamente 15 m (en el 95 % del tiempo). En la realidad un GPS porttil monofrecuencia de 12 canales paralelos ofrece una precisin de 2,5 a 3 metros en ms del 95 % del tiempo. Con el WAAS/EGNOS/MSAS activado, la precisin asciende de 1 a 2 metros.

Actualmente ya se ha desarrollado una extensa lista de mtodos de posicionamiento en interiores a partir de seales de RF [3]. Entre ellos se encuentran mtodos que se basan en el conocimiento previo de la ubicacin de ciertos transmisores jos, por ejemplo para redes WiFi los Access Points (APs) presentes en el edicio. En este caso se utiliza un modelo de propagacin que relaciona las medidas obtenidas en el dispositivo mvil y la posicin de los transmisores para determinar la ubicacin del mvil. Es posible utilizar diferentes medidas como el ngulo de incidencia de la seal, el tiempo de propagacin2 o la potencia de seal recibida (conocida por su sigla en ingls RSS Received Signal Strength). De esta forma la posicin se puede obtener resolviendo un sistema de ecuaciones no lineales. Dichos mtodos tienen el problema de la complejidad inherente a la propagacin en ambientes interiores, lo que se traduce en errores grandes en la estimacin de la posicin. Esta dicultad se debe a la alta presencia de caminos sin lnea de vista (NLOS) entre el transmisor y el receptor y por lo tanto la predominancia de los multicaminos. Para evitar el complejo modelado de la propagacin en interiores se han desarrollado los mtodos basados en Fingerprints, usando las denominadas huellas, medidas obtenidas previamente en todo el edicio. Estas huellas contienen la informacin de la posicin asociada a las medidas obtenidas como el ngulo, el tiempo o la potencia (AOA, TOA y RSS) en cada punto, generando un mapa del edicio a partir de las mismas. De esta forma la estimacin de la posicin se puede resolver como un problema de clasicacin, donde se busca la posicin que mejor se ajuste a las huellas previamente relevadas. En los ltimos aos mucha investigacin se ha dedicado al estudio de este tipo de mtodos [4], con diversas tsis en el tema [5, 6] y tambin trabajos en curso [7]. La mayora de estas tcnicas utiliza como medida la potencia de seal recibida (RSS) de los Access Points (APs) presentes en el edicio, aprovechando la infraestructura de la red inalmbrica y la posibilidad de los mviles de medir fcilmente la RSS de los diversos APs. El resto de este trabajo se organiza de la siguiente forma. En la seccin 2 se presenta un resumen de la literatura del posicionamiento en interiores a partir del uso de Fingerprints, con particular nfasis en los mtodos implementados. En la seccin 3 se detalla el escenario de pruebas y los datos relevados en campo para la evaluacin de los algoritmos, cuyos resultados se muestran en la seccin 4. Finalmente en la seccin 5 se presentan las conclusiones de este estudio y las posibles lneas de trabajo a futuro.

2.

Estimacin de la posicin basada en huellas

El problema de la estimacin de la posicin de un dispositivo de comunicaciones mvil (en adelante mvil) a partir de las medidas del nivel de seal recibida (RSS) de los distintos Access Points (APs) presentes en el edicio, se puede modelar matemticamente de la siguiente forma: Sea X (t) = {x(t), y (t)}3 la posicin del mvil en tiempo t. Sea S (t) = {s1 (t), ..., sP (t)} el vector de las RSS medidas en dicho punto, siendo P la cantidad de APs presentes en el edicio. (t) = f (S (t)). Se busca un estimador de la posicin en t de la forma: X
2 Conocidos 3 Aqu

por las siglas en ingls AOA (Angle of Arrival) y TOA (Time of Arrival). se restringe el movimiento a un plano, pero se puede incluir z (t) para el caso ms general.

Por lo tanto el objetivo es encontrar una funcin f () que sea la mejor estimacin posible, es decir que minimice el error cuadrtico medio (MSE). Adems es posible mejorar el estimador para el problema de seguimiento, donde se agrega la informacin adicional de la posicin en uno o varios instantes anteriores t 1, t 2, ..., t N , por lo que el estimador queda de la forma: (t) = f (S (t), X (t 1), X (t 2), ..., X (t N )) X En particular en este trabajo se analizan tcnicas basadas en lo que se denominan huellas (Fingerprints por su denominacin en ingls), que corresponden a medidas de RSS obtenidas en una serie de ubicaciones predenidas del edicio donde se desea realizar la localizacin. A partir de la lista de medidas S1 , S2 , ..., SN que corresponde a los puntos X1 , X2 , ..., XN es posible inferir cul es la funcin que relaciona la posicin con las RSS recibidas y de esta forma obtener el mejor estimador f (). A continuacin se presenta un resumen a partir de [4, 7] de los mtodos existentes basados en huellas que permiten resolver el problema de la estimacin de la posicin con las RSS recibidas. Por ms detalle en alguno de ellos referirse a las citas correspondientes en los artculos mencionados. En la seccin 2.1 se analiza el caso posicionamiento esttico, mientras que en la seccin 2.2 se presenta el problema de seguimiento. En ambos casos se hace mayor nfasis en los mtodos implementados.

2.1.

Estimacin esttica de la posicin

En esta seccin se presentan diversas tcnicas para resolver el problema de la estimacin esttica. En este caso no se utiliza la posicin anterior X (t 1) para la estimacin de la posicin X (t) y slo se dispone de las Fingerprints y las medidas de RSS en el punto en cuestin para determinar la posicin. Por esta razn y para simplicar la notacin en esta seccin usaremos X y S , en vez de X (t) y S (t). 2.1.1. Vecino ms cercano

La tcnica de clasicacin de los K vecinos ms cercanos corresponde a un enfoque determinstico y permite calcular a partir de S cules son los K valores ms cercanos de las huellas S1 , S2 , ..., SN . Para ello es necesario denir una medida de distancia en el espacio de las seales recibidas (RSS). Las medidas de distancia ms utilizadas son Manhattan (norma-1), norma euclideana (norma-2) o Mahalanobis4 A partir de los K vecinos ms cercanos S 1, .., SK correspondientes a las posiciones X 1, .., XK , puedo calcular la posicin X (t) como una combinacin lineal de dichas posiciones, de la forma: K wi Xi X= K j =1 wj i=1 El mtodo correspondiente a pesos wi = 1 se denomina KNN (K-Neareast Neighbor) y simplemente estima la posicin como un promedio de la posicin de los K puntos de referencia con valores de RSS ms similares (cuya distancia es menor) a las medidas de RSS obtenidas. Cuando se usan pesos distintos para cada punto, el mtodo se denomina WKNN (Weighted K-Neareast Neighbor). Una posibilidad es usar como pesos los inversos de
esta distancia es necesario tener ms de una medida en cada punto de referencia porque se usa la media y varianza de las huellas.
4 Para

las distancias a cada vecino, es decir wi = 1/d(Si , S ), siendo d(Si , S ) la distancia de S al vecino i. De esta forma la posicin se estima como el varicentro de los K vecinos ms cercanos. 2.1.2. Estimacin de mxima verosimilitud

La estimacin de mxima verosimilitud corresponde a un enfoque probabilstico o bayesiano. En este caso se asume que la posicin a estimar es una variable aleatoria y se busca la estimacin que maximice la probabilidad condicional (posterior) dada la informacin que brindan las huellas. En este trabajo no se utiliz este enfoque, por ms detalle en estos mtodos referirse a [4]. 2.1.3. Redes neuronales, SVM y rboles de decisin

Como se menciona en la introduccin, el problema de la estimacin de la posicin a partir de huellas puede verse como un problema de clasicacin. En este enfoque las clases corresponden a los puntos de referencia (huellas) y se busca decidir a qu clase pertenece un punto dadas las RSS recibidas. Otro enfoque posible es encarar la estimacin como un problema de regresin funcional, donde lo que se desea es la mejor estimacin posible de la funcin que mapea RSS con la posicin y para ello se cuenta la funcin evaluada en una serie de puntos, en este caso las huellas. Las redes neuronales, SVM y los rboles de decisin son precisamente herramientas ampliamente utilizadas para problemas de clasicacin, as como mtodos de aprendizaje, en particular para el aprendizaje de funciones no lineales como es el caso en el problema de localizacin. En este trabajo no se utiliz este enfoque, por ms detalle en estos mtodos referirse a [3, 7], en este ltimo se hace un especial nfasis en las redes neuronales que utilizan RBF (Radial Basis Function).

2.2.

Estimacin dinmica de la posicin

En esta seccin se analiza el problema de la estimacin dinmica de la posicin o seguimiento, donde se agrega la informacin del pasado para estimar la posicin. Para este problema es necesario denir un modelo de movimiento del mvil que incorpora la restriccin de qu posiciones son ms factibles dada la posicin en el instante anterior. 2.2.1. Filtro bayesiano

Este mtodo corresponde a la extensin de la estimacin de mxima verosimilitud vista para el caso esttico, pero ahora agregando la informacin del pasado de la trayectoria. En este caso el modelo de movimiento del mvil se dene en la eleccin del prior. En este trabajo no se utiliz este enfoque, por ms detalle ver [4]. 2.2.2. Filtro de Kalman

El ltro de Kalman corresponde a un caso particular de ltro bayesiano, el cual considera un modelo lineal y ruido blanco gaussiano de media nula. Dado un modelo de esta forma, el ltro de Kalman es un estimador recursivo ptimo si se considera el MSE como medida de error. Existen diversas formas de encarar el problema de seguimiento
4 Support

Vector Machine.

basado en huellas mediante el ltro de Kalman, de las cuales en este trabajo se utiliz el PKF [4]. El ltro PKF (Position Kalman Filter) considera un modelo en variables de estado de la forma: Xt+1 = Ft+1 Xt + Wt+1 , Wt+1 N (0, Qw ) t = G(St ) + Vt , X Vt N (0, Qv ) donde tanto la ecuacin de estado como la ecuacin de las observaciones corresponden a la posicin. En la ecuacin de estado Ft+1 determina el modelo de movimiento a utilizar, que en nuestro caso es un modelo estacionario que corresponde a Ft+1 = I . En la ecuacin de observacin, la funcin G se determina a partir de algn mtodo de estimacin para el caso esttico de los vistos en 2.1, como por ejemplo vecino ms cercano. De esta forma el modelo queda de la forma: Xt+1 = Xt + Wt+1 , Wt+1 N (0, Qw ) Xt = KNN(St ) + Vt , Vt N (0, Qv ) Para estimar las matrices de covarianza de los ruidos Qw y Qv , se debe seleccionar la tolerancia en el modelo movimiento y estimar el error del mtodo de estimacin esttica respectivamente. El algoritmo en este caso queda de la siguiente forma: Inicializacin: 0 - Estimacin inicial de X . X P0 - Covarianza del error de la estimacin inicial. Iteracin de Kalman: Ganancia de Kalman - Kt = Pt (Pt + Qv )1
t = X t t X t Estimacin de la posicin - X + Kt (X )

Estimacin del error - Pt = (I Kt )Pt Proyeccin para t + 1: = X t. X t+1 Pt +1 = Pt + Qw . 2.2.3. Filtro de Kalman para huellas

El ltro de Kalman para huellas o FKF (Fingerprint Kalman Filter) presentado en [8] es un ltro de la misma familia que las extensiones al ltro de Kalman como EKF (Extended Kalman Filter) o UKF (Unscented Kalman Filter). Estos ltimos tambin pueden aplicarse al problema de seguimiento ya que son extensiones al ltro de Kalman para modelos no lineales. Todas estas extensiones de la familia del ltro de Kalman estn basadas en la estimacin recursiva del BLUE, estimador lineal insesgado de mnima varianza (ptimo). En cada iteracin este tipo de ltros aproximan la esperanza condicional basados en el estado previo y la estimacin del error y calculan la estimacin del nuevo estado y el error correspondiente. 5

El ltro FKF considera un modelo en variables de estado de la forma: Xt+1 = ft+1 (Xt ) + Wt+1 Yt = gt (Xt , Vt ) ecuacin de estado ecuacin de observacin

donde ahora Y (t) en la ecuacin de observacin corresponde a las medidas de RSS obtenidas. En este caso ft+1 () corresponde al modelo de movimiento y gt () a la funcin no lineal que mapea la posicin en cada instante con las medidas recibidas. W (t) y V (t) son los ruidos en ambas ecuaciones, donde cabe resaltar que ahora la dependencia del ruido en la ecuacin de observacin tampoco es lineal. Nuevamente en este caso se considera un modelo de movimiento estacionario, por lo que ft+1 (X ) = X y el modelo queda: Xt+1 = Xt + Wt+1 , Yt = gt (Xt , Vt ) Wt+1 N (0, Qw )

Se considera en este caso un estimador insesgado de varianza mnima (BLUE): = E (X ) + K (Y E (Y )) X por lo que la varianza del error en la estimacin es:
1 1 Perror = Pxx Pxy Pyy Pyx + (KPyy Pxy )Pyy (KPyy Pxy )T

La ganancia ptima est dada por Kalman:

1 KKF = Pxy Pyy

El ltro de Kalman para huellas realiza la estimacin a partir de los puntos de referencia previamente obtenidos, por lo que medias y covarianzas se calculan a partir de los mismos. El algoritmo en este caso queda de la siguiente forma: Inicializacin: 0 - Estimacin inicial de X . X P0 - Covarianza del error de la estimacin inicial. Iteracin de Kalman:
1 Ganancia de Kalman - Kt = Pxyt Pyy t t = X t t ) Estimacin de la posicin - X + Kt (Yt Y T Estimacin del error - Pt = Pxxt Kt Pxy t

Proyeccin para t + 1: = X t. X t+1 Pt +1 = Pt + Qw .

siendo: Pxxt =
i F

t )(Xi X t )T ) i,t (PXi + (Xi X t )(Si Y t )T i,t (Xi X

i F

Pxyt = Pyyt =
i F

t )(Si Y t )T ) i,t (PSi + (Si Y t = X

i F

i,t Xi i,t Si
iF

t = Y

El ndice de las sumatorias va desde 1 a F , siendo este ltimo el nmero total de celdas (huellas). El coeciente i,t corresponde a la probabilidad de pertenecer a la celda i en tiempo t y por lo tanto es necesario denir cmo se calcula dicho prior. En este caso se calcula igual que en [8] como:
t P (X Ai ) = i,t =
t NP t

X X
t

iF N (X )

t NP

siendo la pdf de una gaussiana multivariada de media y matriz de covarianza . Para determinar la matriz PSi se considera la variacin en la RSS para un punto de referencia, la cual se estima a partir de medidas y se considera no vara con la posicin, por lo que es igual para cada huella, PSi = PS . Este parmetro est estrechamente relacionado con el error en la ecuacin de observacin, Vt . Para determinar la matriz PXi se considera el tamao de cada una de las celdas utilizadas y la distribucin de la posicin dentro de la misma. Si se considera celdas rectangulares todas de la misma dimensin (X x Y ) y una ubicacin dentro de la 2 misma uniforme, la matriz de covarianza queda PXi = PX = [2 X /12 0; 0 Y /12]. Para estimar la matriz de covarianza del ruidos Qw se debe seleccionar la tolerancia en el modelo movimiento. 2.2.4. Filtro de partculas

El ltro de partculas es un mtodo de Monte Carlo secuencial que genera muestras aleatorias (partculas) segn cierto modelo de movimiento y estima sus respectivas densidades de probabilidad a partir de las huellas. A diferencia del ltro de Kalman permite trabajar con modelos no lineales y ruidos no gaussianos. Este enfoque permite adems incorporar la informacin del mapa del edicio para mejorar la estimacin, eliminando las partculas que hacen movimientos imposibles como atravesar paredes. La principal desventaja de estos mtodos es el elevado costo computacional, una limitante importante para su uso en aplicaciones de tiempo real con mviles de baja capacidad. En este trabajo no se utiliz este mtodo, por ms detalle ver [9].

3.

Escenario de pruebas

Para evaluar las distintas tcnicas implementadas se realizaron medidas de campo en el edicio del liceo nmero 7 (Joaqun Surez) ubicado en la calle Jaime Zudez. En dicho local se encuentra operativa una red WiFi desplegada en el marco del Plan Ceibal, que consiste de 6 APs distribuidos entre el patio y los tres pisos del edicio. En la gura 1 se puede ver el plano de cada una de las plantas y la ubicacin de los equipos instalados. El AP MK1 instalado en el segundo piso no estaba operativo al momento de realizar las pruebas.

Figura 1: Planos del liceo No 7: PB (izq.), 1er piso (centro) y 2do piso (der.).

En esta ocasin se trabaj solamente en el primer piso, donde fueron tomadas tanto las huellas como las trayectorias de prueba. En ambos casos las medidas se obtuvieron a partir del comando iwlist 5 ejecutado en una terminal de una mquina XO (laptops entregadas a los alumnos en el marco del Plan Ceibal). La nica diferencia fue que para las huellas se promediaron 4 medidas consecutivas, mientras que, para las trayectorias de prueba, se realiz una nica medida por punto. Adems todas las medidas, tanto para huellas como para trayectorias, se realizaron de pie sosteniendo la laptop a la altura del abdomen y siempre parados con la misma orientacin. De esta forma se busc dejar fuera de este estudio la inuencia de la variacin del ngulo de arribo de la seal. En la gura 2 se puede observar la ubicacin de los puntos de la grilla que corresponden a las huellas relevadas. Como se observa en el plano, la grilla no cubre totalmente el rectngulo que corresponde al primer piso. Esto se debe a que no se tuvo acceso al momento del relevamiento a las ocinas que aparecen a la izquierda en el
5 Comando de linux que permite relevar diversos parmetros de las redes visibles por una interfaz de red inalmbrica.

plano, mientras que la zona sobre la derecha corresponde al pozo de aire del edicio. Las ocinas que s fueron relevadas (las dos de abajo a la izquierda en la gura 2) cuentan con paredes de madera y vidrio, mientras que los salones de clase (uno arriba a la izquierda y otros dos arriba a la derecha) tienen paredes de hormign/ladrillo. Cabe resaltar que durante el trabajo no haba personas en el piso, por lo que no se consider el efecto de las mismas en la variacin de la propagacin de la seal.

Figura 2: Grilla relevada.

Como se coment anteriormente, el indicador utilizado para realizar la estimacin de la posicin es la RSS recibida de cada uno de los APs. A modo de ejemplo, en la gura 3 podemos observar una grca correspondiente al relevamiento de cobertura en los puntos de la grilla del AP MK4, ubicado en el primer piso. Es importante resaltar que el equipo con el que se realizaron las mediciones tiene una sensibilidad de 100dbm. Este valor se utiliz en el algoritmo FKF para los puntos donde una red, visible en el edicio, no era medida, de forma tal que la distancia en ese punto con respecto a las huellas se pudiera calcular y el resultado fuera razonable.

Figura 3: RSS para el AP MK4.

Finalmente, en la gura 4 se presentan las tres trayectorias consideradas para realizar la estimacin y evaluar el desempeo de los diversos algoritmos.

Figura 4: Trayectorias relevadas: tray.1 (izq.), tray.2 (centro) y tray.3 (der.). Es importante mencionar que, adems de las seales recibidas de los 5 APs operativos correspondientes a la red de Plan Ceibal, tambin se relev la seal recibida de cualquier red inalmbrica visible en cada uno de los puntos. Como el edicio del liceo se encuentra en una zona densamente edicada, era de esperar la presencia de un gran nmero de hogares con redes inalmbricas en la zona, lo cual se veric con las medidas obtenidas. En cada punto relevado se observ seal de al menos 8 redes (no necesariamente siempre las mismas), adems de las correspondientes a los APs del liceo. Esto result til para evaluar los algoritmos con un nmero mayor de APs y estudiar la inuencia de este nmero en el desempeo del sistema.

4.

Resultados obtenidos

Los algoritmos implementados y evaluados con las medidas relevadas fueron los siguientes: KNN - Vecino ms cercano. WKNN - Vecino ms cercano con pesos. PKF-KNN - Filtro de posicin de Kalman con KNN. PKF-WKNN - Filtro de posicin de Kalman con WKNN. FKF - Filtro de Kalman para huellas. Se considera como medida de desempeo en todos los casos la raz del error cuadrtico medio (RMSE) respecto a la trayectoria real. Dado que la variable a estimar 10

es una posicin, el error estar expresado en pxeles de acuerdo a la imagen del plano del primer piso (9 pxeles por metro), e indica la distancia promedio de la posicin estimada respecto a la real. En primer lugar se estudia el desempeo de los mtodos de vecino ms cercano KNN y WKNN ante la variacin de K , es decir, la cantidad de vecinos considerados, que en este caso corresponde a la cantidad de huellas utilizadas para calcular la posicin. Se considera en primera instancia solo las seales provenientes de los 5 APs correspondientes a la red del plan Ceibal. Se puede ver en la gura 5 el RMSE obtenido al variar K para las tres trayectorias consideradas, con ambos algoritmos KNN y WKNN.

Figura 5: RMSE de KNN (izq.) y W-KNN (der.), solo APs de la red del Ceibal. Los valores ptimos de K para cada mtodo y las diferentes trayectorias son, como era de esperar, distintos. En el caso del algoritmo KNN, el valor ptimo para la trayectoria 1 es K 20, mientras que para las trayectorias 2 y 3 se obtienen los mejores resultados con K 10. Para el algoritmo W-KNN, podemos ver que el valor ptimo para la trayectoria 1 es K 15 mientras que con K 10 se obtienen los mejores resultados para las dos trayectorias restantes. Se observa tambin que para ambos algoritmos y para todas las trayectorias, se obtienen resultados razonables y cercanos al ptimo particular en cada caso para K 10. Por lo tanto se toma este valor como un ptimo general del problema para ambos algoritmos. Por otro lado, como se coment anteriormente, durante las mediciones realizadas se detectaron varias redes inalmbricas adicionales a la del liceo. A continuacin se extiende el anlisis anterior para estudiar si incluir esta informacin adicional contribuye a mejorar el RMSE en la estimacin de las trayectorias. Se puede observar los resultados obenidos en la gura 6. Se concluye que incluir la informacin de todas las redes detectadas no contribuye a una mejora clara en el RMSE de las estimaciones y al igual que en el caso anterior, se obtienen resultados razonablemente buenos para Kopt 10 en todas las trayectorias. Sin embargo, podemos ver que considerar solo los APs de la red del plan Ceibal contribuye de hecho a uniformizar el desempeo para las diferentes trayectorias. Ms precisamente, se obtuvieron menores diferencias entre las curvas de RMSE al variar K en el primer caso. Adems, otro argumento a favor de utilizar solo los APs de la red del liceo tiene que ver con la implementacin real de un sistema de este tipo, donde uno no puede conar en las seales de redes que uno no controla, por lo que debe restringirse a las seales de su propia red. Parece entonces razonable trabajar solo con los APs de la red Ceibal.

11

Figura 6: RMSE de KNN (izq.) y W-KNN (der.), todos los APs.

Para vericar la hiptesis anterior, se analiza la inuencia de la cantidad de APs considerada para la estimacin de la posicin, utilizando el valor jo de Kopt = 10 para ambos algoritmos. En la gura 7 se muestran los resultados obtenidos. Vale aclarar que el nmero mximo de APs considerado no corresponde a la totalidad de redes visibles en el edicio, sino a la cantidad que se ve en todos los puntos de una trayectoria. Esto explica por ejemplo que las grcas que toman solo los APs de Ceibal lleguen hasta 4 (el AP del patio solo se ve en los salones del fondo) y que en la trayectoria 3 se llegue a nmero mximo menor que para las otras dos.

Figura 7: Nmero de APs vs. RMSE para KNN (arriba) y WKNN (abajo), solo Ceibal (izq.) y todos los APs (der.).

12

Se observa nuevamente que los resultados no varan considerablemente si se consideran todos los APs detectados, o solo los correspondientes a la red Ceibal. Se concluye que considerar los 5 APs del Ceibal con Kopt = 10 es suciente para un buen desempeo de los algoritmos de estimacin esttica, KNN y WKNN. A continuacin se analiza la eleccin de los parmetros Qw y Qv en el modelo para PKF. Por un lado se debe elegir la tolerancia en el modelo de movimiento, la cual se considera igual en ambas direcciones, por lo que la matriz de covarianza queda 2 2 2 Qw = [w 0; 0 w ]. En las pruebas realizadas se utiliz un valor de w = 9. Por otro lado, Qv corresponde al error de los mtodos de estimacin esttica, el cual tambin se considera igual en ambas direcciones, algo que no es del todo correcto dado que las celdas no son cuadradas pero de todas formas aproxima en forma adecuada. En este 2 2 caso la matriz de covarianza queda Qv = [v 0; 0 v ]. Luego de hallar el error para las diversas trayectorias y ciertas pruebas para optimizar el RMSE, se selecciona un valor 2 de v = 36. Finalmente, se analiza la eleccin de los parmetros w y v (ver seccin 2, Qw y PSi respectivamente) en el modelo del algoritmo FKF. El primer parmetro mencionado reere a la desviacin estndar (en pxeles) del ruido del modelo de movimiento 2 2 ]. Por otro lado, 0; 0 w (random walk ), donde la matriz de covarianza es Qw = [w el segundo parmetro representa la desviacin esta ndar (en dBs) inherente a las variaciones de RSS en un punto jo de la grilla. Como se indica anteriormente, la misma se considera uniforme a lo largo de toda la grilla y para todos los APs de la red de Ceibal, 2 2 por lo que la matriz de covarianza queda PSi = PS = [v 0; 0 v ]. A modo de ejemplo, en la gura 8 se observa la evolucin del RMSE al variar v , mientras w = 5.

Figura 8: RMSE vs. v , con w = 5. Se puede observar que los mejores resultados se obtienen para valores de v no muy pequeos pero tampoco excesivamente grandes, particularmente evidente para la trayectoria 3. Esto es razonable, dado que valores extremos de este parmetro denotan excesiva o escasa conanza en los valores de RSS relevados, lo cual impacta directamente en la correccin de la proyeccin de posicin para el paso correspondiente de la iteracin de Kalman. Por otro lado, es tambin interesante ejemplicar como se comporta el RMSE al variar w , cuando v est ja. A modo de ejemplo, para la gura 9 se adopt v = 5. 13

Figura 9: RMSE vs. w , con v = 5.

En este caso se observa que el RMSE presenta un mnimo para todas las trayectorias en w 6. En cuanto a la trayectoria 3, podemos adems notar claramente un salto en el RMSE para w 7. Esto se debe posiblemente a que el modelo de random walk correspondiente tiene en este caso una dinmica ms fuerte que la trayectoria a estimar, lo que se traduce en que la matriz Qw tenga un peso excesivo sobre la proyeccin de P . De hecho, si se visualiza cada huella en la grilla como el varicentro de una celda rectangular, la trayectoria 3 es efectivamente la que contiene la mayor concentracin de puntos relevados por cada celda y por tanto una dinmica ms lenta para el movimiento. De sucesivas iteraciones, surge que los valores ptimos para estos parmetros son de w = 6 y v = 4. Implcitamente, esto quiere decir que estamos considerando un modelo de random walk para el cual la variacin de posicin entre dos pasos sucesivos ser de 2w = 12 pxeles en ambas direcciones con un 95 % de probabilidad, y una variabilidad de 2v = 8 dB para el RSS medido en un punto jo de la grilla, tambin con 95 % de probabilidad. Por ltimo, se compar el desempeo de todos los mtodos para una eleccin ptima de los parmetros en cada uno de los casos. Los resultados obtenidos para las trayectorias 1, 2 y 3 se muestran en la gura 10. En la tabla 1 se muestran los RMSE promedio a lo largo de cada recorrido para todos los mtodos. Se observa que los algoritmos basados en el ltro de Kalman tienen mejor desempeo, obteniendo los mejores resultados para PKF y FKF. A modo de ejemplo, en la gura 11 se puede ver la trayectoria 2 estimada por los algoritmos PKF-KNN, PKF-WKNN y FKF. KNN 3.4226 2.3223 2.4435 WKNN 3.7727 2.6592 2.6552 PKF-KNN 2.7612 1.9513 2.2126 PKF-WKNN 3.0343 2.2161 2.4189 FKF 2.6577 2.7384 2.2121

Trayectoria 1 Trayectoria 2 Trayectoria 3

Cuadro 1: RMSE para las trayectorias 1, 2 y 3.

14

Figura 10: RMSE para las trayectorias estimadas: 1 (arriba), 2 (centro) y 3 (abajo).

15

Figura 11: Estimacin trayectoria 2: PKF-KNN (izq.), PKF-WKNN (centro) y FKF (der.).

Tambin se estudi la tolerancia de los mtodos frente a fallas en algn AP. En este caso se utilizaron trayectorias cticias, en las cuales se elimin el nivel de seal recibida de alguno de los APs (se puso en -100dB la RSS). Se realizaron dos pruebas diferentes para cada una de las trayectorias reales. En la primera de ellas se elimin la seal de un AP ubicado en el segundo piso (MK2). Los resultados obtenidos se muestran en la tabla 4. Se observa que todos los mtodos mostraron resultados peores que para las trayectorias reales. Sin embargo, todos salvo el FKF presentan una robustez aceptable frente a esta falla, con diferencias menores al metro respecto al caso original. KNN 4.3806 2.6013 2.6258 WKNN 4.5458 2.8368 2.7426 PKF-KNN 3.6679 2.1194 2.4001 PKF-WKNN 3.7853 2.3453 2.5238 FKF 4.1600 11.4646 7.0532

Trayectoria 1 Trayectoria 2 Trayectoria 3

Cuadro 2: RMSE para las trayectorias eliminando seal de MK2. En la segunda prueba se elimin la seal de un AP ubicado en el primer piso (MK4). Los resultados obtenidos se muestran en la tabla 4. Nuevamente se obtienen resultados peores para todos los mtodos, en particular el FKF es el menos robusto de todos. Las diferencias respecto al caso original son mayores en esta prueba, lo cual se explica por la importancia que tiene el AP considerado en la estimacin de la posicin. Recordar que mientras el AP MK4 est en el primer piso (donde se realizaron las medidas), el AP MK2 est en el segundo piso.

16

Trayectoria 1 Trayectoria 2 Trayectoria 3

KNN 7.9499 6.5593 7.3134

WKNN 7.8311 6.5032 7.1122

PKF-KNN 7.6365 6.2452 7.1678

PKF-WKNN 7.4306 6.1898 6.9889

FKF 14.3515 7.5725 9.2713

Cuadro 3: RMSE para las trayectorias eliminando seal de MK4.

5.

Conclusiones y trabajo a futuro

En este trabajo se presenta una solucin para posicionamiento en ambientes interiores basada en la seal recibida de diversas redes inalmbricas. Se trata de un problema anlogo al caso en exteriores, pero con el desafo adicional del complejo modelado de la propagacin en este ambiente. Por tal motivo se encara el problema con mtodos basados en huellas, medidas previamete adquiridas para estimar la propagacin en el ambiente donde se desea realizar la localizacin. Se evaluaron diversos algoritmos, basados en tcnicas de clasicacin como vecino ms cercano e incorporando la dinmica en el problema de seguimiento, mediante una solucin basada en el ltro de Kalman. Adems se estudi una variante del ltro de Kalman presentada en [8] enfocada al caso particuar en el que se trabaja con huellas. Se analiz en profundidad el desempeo de cada uno de los mtodos implementados, estudiando la inuencia de todos los parmetros involucrados. Los resultados obtenidos para los diversos algoritmos fueron buenos y comparables a los de la literatura en el tema. Se observa que el desempeo de los mtodos basados en el ltro de Kalman logran errores entre 1 y 8 metros, con valores promedio entre 2 y 3 metros. Tambin se analiz la robustez frente a fallas en algn AP, donde se comprob que los mtodos tienen dicultades frente a este tipo de problemas, ya que su desempeo se degrada en forma notoria cuando el AP que falla es relevante en la estimacin de la posicin. De todas formas se considera que los resultados obtenidos son sucientes para encarar el desarrollo de aplicaciones concretas. Queda pendiente para trabajos futuros la implementacin de un ltro de partculas, que incorpore la restriccin del plano a los movimientos posibles en cada paso del algoritmo. Es posible adems extender el estudio a tres dimensiones, considerando cambios de nivel dentro de un mismo edicio. Tambin se debe profundizar en el anlisis de desempeo de los mtodos en escenarios con variaciones en la propagacin, algo muy factible en ambientes densamente poblados. Esto puede generar problemas en casos donde la orientacin que uno tiene al momento de las medidas cambia, por lo cual habra que estudiar cmo deberan ser las huellas en ese caso de modo que se cubran todas las posibilidades. Por ltimo, mencionar el estudio de la robustez de los mtodos frente a interferencias. Si bien se realizaron algunas pruebas en esta direccin, existe an mucho trabajo por delante.

Referencias
[1] Sistema de posicionamiento global. Wikipedia. [2] Ming Lu, Wu Chen, Xuesong Shen, Hoi-Ching Lam, and Jianye Liu. Positioning and tracking construction vehicles in highly dense urban areas and building construction sites. Automation in Construction, 16(5):647 656, 2007. 17

[3] Hui Liu, Houshang Darabi, Pat Banerjee, and Jing Liu. Survey of Wireless Indoor Positioning Techniques and Systems. IEEE Transactions on Systems, Man and Cybernetics, Part C (Applications and Reviews), 37(6):10671080, November 2007. [4] Ville Honkavirta, Tommi Perl, Simo Ali-Lytty, and Robert Pich. A comparative survey of WLAN location ngerprinting methods. In Proceedings of the 6th Workshop on Positioning, Navigation and Communication 2009 (WPNC09), pages 243251, March 2009. [5] Ville Honkavirta. Location ngerprinting methods in wireless local area networks. M.Sc. thesis, Tampere University of Technology, November 2008. [6] Anthea Wain Sy Au. Rss-based wlan indoor positioning and tracking system using compressive sensing and its implementation on mobile devices. M.Sc. thesis, University of Toronto, 2010. [7] Christos Laoudias. Fingerprint Based Positioning for Indoor Environments. PhD thesis, University of Cyprus, proposal in 2010, work in progress. [8] Simo Ali-Lytty, Tommi Perl, Ville Honkavirta, and Robert Pich. Fingerprint Kalman lter in indoor positioning applications. In 18th IEEE International Conference on Control Applications Part of 3rd IEEE Multi-conference on Systems and Control (MSC 2009), Saint Petersburg, Russia, pages 16781683, July 2009. [9] Frdric Evennou and Franois Marx. Improving positioning capabilities for indoor environments with wi. In Proceedings of the 14th Mobile & Wireless Communications Summit, June 2005.

18