Pozícióbecslés hatékonyságának növelése beltérben

Napjainkban egy átlagember életébe számos, valamilyen hálózathoz csatlakoztatott eszköz lép be. Ezek az eszközök a nap nagy részében velünk vannak, könnyen hozzájuk férhetünk és számos funkció ellátására képesek. Közülük az egyik a GPS, melynek segítségével műholdakhoz kapcsolódhatunk, azaz meghatározhatjuk helyzetünket, megtervezhetjük útvonalunkat. Azonban dacára a mai kor fejlett és a hétköznapi ember számára is elérhető technológiájának, még mindig kérdéses az említett funkció elérése belső térben. Az árnyékolás miatt ezeken a helyeken műholdak nem használhatók, viszont számos esetben rendkívül hasznos lehetne a szolgáltatás elérése. Az egyik ilyen eset a parkolóházakban való navigáció. Felmerülhet a kérdés, miért fontos egy parkolóházban útvonalat tervezni? A válasz azonban a vártnál kézenfekvőbb, hiszen ha a parkolóház átlagosan telített, akkor egy autós, amíg magától megtalálja a számára kedvező szabad helyet (pl. közel a mozi bejáratához), addig jelentősen több káros anyagot bocsájt ki, mintha azt szoftveres segítséggel tette volna, nem is beszélve arról, hogy azzal saját költségeit és a felesleges stresszt is csökkenthette volna.

A GPS helyett WiFi alapú pozicionálás valósítható meg beltérben, mely technológia a legtöbb mobil készülék számára szintén elérhető és előfizetést nem igényel. WiFi technológiát alkalmazva, valamint megfelelően optimalizált algoritmust választva, beltéri helymeghatározó rendszerünk jól kiegészíti a szabadtéri GPS műholdak alkalmazásának előnyeit.

Dolgozatomban az Alle bevásárló központ parkolóházának WiFi-vel támogatott iParking rendszerén végzett méréseket felhasználva futtattam szimulációkat és különböző pozícionáló algoritmusokat. Célom az volt, hogy az egyes algoritmusok becsléseit pontosítani tudjam. Célkitűzésem az volt, hogy mérőszámokkal igazoltan egyre hasznosabb eredményt érjen el az adott algoritmus.

A témában fellelhető helymeghatározási módszercsoportok közül az ujjlenyomat alapút választottam kiindulópontnak. Szimulációs környezetnek a Matlab programrendszert alkalmaztam, amelynek kihasználva pozitív adottságait, egy beépített K-legközelebbi szomszéd kereső algoritmusból (KNN-Search) indultam ki, majd ezt finomítottam lépésről lépésre. Az algoritmus a minta-illesztés módszerét alkalmazza, az adott pozícióban mért jelszintek alapján. A jelszint minták adatbázisát (ujjlenyomat) helyszíni mérések alapján töltöttem fel, melyek referenciapontként szolgáltak a pozícióbecslés során. Dolgozatomban olyan becslésjavító módszereket dolgoztam ki és mutattam be, melyek az alap KNN keresést kiegészítve hatékonyabbá teszik a helymeghatározást. Múltbéli átlagolás, súlyozás, útvonalra illesztés módszerekkel sikerült a döntések helyességén javítani. További ötletem volt a memória használata, valamint a döntési lehetőségek korlátozása távolság alapján. A kidolgozott becslésjavító módszerek hatékonyságának elemzéséhez létrehoztam egy mérőszámot, mely az egyes eredmények közötti számszerű eltérést, eredményességet hivatott megmutatni.

A fenti becslésjavító módszereket alkalmazva lehetőségem volt szimulálni és lemérni az egyes paraméter beállítások, mérési elrendezések eredményeit, melyeket összevetve értékes következtetéseket vontam le a beltéri helymeghatározással kapcsolatosan.

szerző

• 
  Daubner Tibor
  mérnökinformatikus
  nappali

konzulens

• 
  Dr. Huszák Árpád
  , (külső)

helyezés