RADAR/EKAHAU

Um sistema para localização e posicionamento de dispositivos móveis

usando rádio-frequência

O
 

 
Agenda
Ê Tecnologias para localização e posicionamento de
dispositivos móveis
Ê RADAR
Ê Descrição
Ê Diferenças com relação às outras tecnologias
Ê Metodologia de Pesquisa
Ê Métodos para inferir a localização e o posicionamento de dispositivos
móveis
ƥ Método empírico
ƥ Método teórico
Ê Conclusões
Ê EKAHAU
Ê Descrição
Ê Produtos
Ê Screenshots
Tecnologias para localização e
posicionamento de dispositivos móveis
Ê Em ambientes abertos
Ê Time Difference of Arrival (TDoA)
Ê Angle of Arrival (AoA)
Ê GPS
Ê Em ambientes fechados
Ê Infra-vermelho
Ê Rádio-frequência
TDoA e AoA
Ê Utilizam técnicas para inferir a posição do
dispositivo em termos da diferença de
tempo de chegada do sinal entre as
diversas bases e em termos do ângulo de
chegada do sinal
Ê Funcionam bem em ambientes abertos,
mas exibem problemas em ambientes
fechados como:
Ê reflexão do sinal
Ê dificuldade na sincronização do tempo
entre antena e dispositivo
GPS
Ê Utiliza o sistema de
posicionamento global via satélite
para determinar a posição do
dispositivo
Ê Em ambientes abertos é um dos
mais precisos métodos para
determinar a posição do dispositivo
Ê Requer que o dispositivo móvel
seja capaz de receber sinais do
satélite (custo elevado)
Ê Pode não funcionar em ambientes
fechados pois o sinal pode ser
bloqueado
Infra-vermelho
Ê Localização e posicionamento de dispositivos móveis usando sinais
infra-vermelhos
Ê Requer muitos sensores uma vez que essa tecnologia possui
alcanço limitado
Ê Necessita de equipamentos específicos que em geral são usados
somente para localização e não oferecem serviço de transmissão
de dados
Ê Manutenção pode se tornar um problema devido ao elevado
número de sensores
Rádio-frequência
Ê Utiliza sinais de rádio para detectar a posição e localização de
dispositivos
Ê Utiliza a infraestrutura WiFi (802.11a/b/g) para inferir o
posicionamento: mais barato e largamente utilizado
Ê Além de localização, a infraestrutura WiFi provê serviço de
transmissão de dados (10mbps+)
Ê Abrangência do sinal muito maior do que infra-vermelho
RADAR
Descrição
Ê Sistema para localização e posicionamento de dispositivos usando
rádio-frequência
Ê Pesquisa feita por Paramvir Bahl e Venkata Padmanabhan e
patrocinada pela Microsoft
Ê Tem como objetivo demonstrar que o uso de tecnologia WiFi,
largamente adotada, pode ser usada para localização e
posicionamento de dispositivos
Ê Utiliza dados sobre a força do sinal de rádio, coletados em diversos
pontos de acesso, para inferir a posição do dispositivo (através de
triangulação)
Ê A triangulação pode ser feita de um modo empírico ou teórico
Ê EKAHAU é o produto comercial que se baseia indiretamente nessa
pesquisa
Diferenças com relação às outras
tecnologias
Ê Utiliza a rede Wireless para obter dados que são usados para
inferir posicionamento e localização
Ê Não está associado a nenhuma tecnologia proprietária (nem
hardware e nem software)
Ê Pode utilizar um modelo empírico ou um modelo teórico de
propagação de sinal
Metodologia de Pesquisa (1)
Ê Experiência executada no segundo andar de um
prédio
Ê O andar possui as seguintes dimensões: 43.5m
x 22.5m (980 m2)
Ê Além disso o andar possui mais de 50 salas
Ê Foram usadas 3 estações-base
Ê O dispositivo móvel (laptop) recebeu uma placa
de rede com suporte WireLess (tecnologia
wireless antiga ƛ WaveLAN RF LAN da Lucent)
 Metodologia de Pesquisa (2)
Ê Mapa do andar onde os
experimentos foram
conduzidos.
Ê Pontos pretos indicam os
locais onde informação sobre
a intensidade do sinal foi
coletada.
Ê As estrelas grandes indicam
a localização de cada uma
das 3 bases.
Ê A orientação desse mapa é
Norte acima e Leste à direita.
Coletando dados
Ê Coletar informações sobre o sinal de rádio como uma função da
posição do dispositivo (num modo offline e num modo realtime)
Ê Os relógios das bases e do dispositivo móvel são sincronizados
Ê O dispositivo móvel é programado para enviar pacotes UDP (4
pacotes por segundo)
Ê Cada estação base grava a intensidade do sinal registrado em
conjunto com o timestamp
Ê No modo offline, o usuário do dispositivo móvel indica sua posição
(X,Y) clicando no mapa ƛ o timestamp e a posição também são
gravados
Ê A direção para onde o usuário está apontando faz o sinal variar em
aproximadamente 5 dBm ƛ assim, além da posição e timestamp, é
interessante gravar a direção também
Algoritmos e Análise Experimental (1)
Ê Uma premissa dessa pesquisa é que a intensidade do sinal é uma maneira
de se inferir a posição do dispositivo
Ê Isso é razoável pois, conforme o gráfico abaixo, a intensidade do sinal
varia conforme o dispositivo se aproxima ou se afasta de cada base
Ê O gráfico abaixo retrata o dispositivo móvel sendo levado em sentido anti-
horário, começando perto da base 1 e terminando nela (vide slide Layout
do Andar)
Algoritmos e Análise Experimental (2)
Ê A forma de inferir a posição do dispositivo proposta por esta pesquisa é a
triangulação. Para que funcione, algumas etapas devem ser levadas em
conta:
Ê Uma maneira de sumarizar os dados sobre intensidade do sinal
Ê Uma maneira de determinar a posição e direção que mais se aproxima de um
conjunto de valores de intensidade do sinal registrados ƛ duas alternativas são
discutidas nessa pesquisa:
ƥ o método empírico
ƥ o método baseado num modelo de propagação de sinal
Ê Uma maneira de decidir, entre vários possíveis candidatos para uma posição do
dispositivo móvel, qual é o melhor:
ƥ A idéia geral é utilizar a técnica chamada NNSS (Nearest Neighbor(s) in Signal Space)
ƛ calcular a distância entre as intensidades de sinal medidas e as intensidades de
sinal gravadas e escolher a que minimiza essa distância
Método Empírico
Ê Nesse método os dados coletados durante a fase off-line são usados para
estimar a posição do dispositivo
Ê Nos próximos slides, apresentamos alguns testes que ajudam a analisar
esse método:
Ê Análise Básica (NNSS simples)
Ê NNSS com múltiplos vizinhos
Ê Desconsiderando a orientação
Ê Impacto do número de pontos
Ê Impacto do número de amostras
Ê Impacto da orientação do dispositivo
Ê A métrica usada para analisar a precisão do método, é a distância de erro
(distância euclidiana entre a posição real do dispositivo e a posição
estimada)
Análise Básica
Ê Validar a técnica NNSS-simples (somente um vizinho) comparando-a com:
Ê Um método aleatório de escolha de posições
Ê Um método que considera a posição do dispositivo como sendo a mesma posição da base
que registrou o maior sinal
Ê Mostrar que a técnica NNSS apresenta precisão satisfatória
NNSS com múltiplos vizinhos
Ê Utiliza a técnica NNSS considerando os k vizinhos mais próximos (e
não somente o mais próximo)
Ê Nos experimentos, mostrou-se que o uso de k-vizinhos melhora um
pouco a precisão
Ê para k=5: melhoria de 22% (25% de prob.) e uma melhoria de 9%
(50% de prob.)
Ê No entanto, para valores grandes de k, percebe-se uma
degradação na precisão pois posições distantes da real corrompem
a estimativa
Ê A razão pela qual o ganho não é tão significativo diz respeito ao
fato de que k-NNSS, em geral, não são k diferentes pontos ƛ eles
podem ser o mesmo ponto registrado em diferentes orientações
Ê Conclusão: k-NNSS não melhora a estimativa de forma
considerável
 Desconsiderando a orientação
Ê Como pudemos ver, o fator orientação pode
prejudicar a precisão da técnica k-NNSS.
Assim, vejamos o que acontece quando a
orientação não é levada em conta:
Ê Para o conjunto de dados obtidos no modo off-
line, escolhemos somente os pontos com
intensidade de sinal máxima, dentro de uma
mesma orientação
Ê O objetivo é simular a situação onde o sinal
gerado não é obstruído pelo corpo do usuário,
por exemplo
Ê Nas observações percebeu-se que há uma
melhora considerável (percentuais
comparados com a análise básica)
Ê Para k=1: 6% de ganho (25% de prob.) e 9%
de ganho (50% de prob.)
Ê Para k={2..4}: 48% de ganho (25% de prob.) e
28% de ganho (50% de prob.)
Impacto do número de pontos
Ê Todos os testes até o momento foram feitos
usando-se 70 pontos distintos ƛ vejamos o
impacto de utilizar menos de 70 pontos:
Ê Para cada valor de n (variando de 2 a 70),
conduziu-se 20 execuções da análise
Ê A cada execução, n pontos aleatórios foram
escolhidos do conjunto coletado no modo
offline e estes pontos foram usados no
algoritmo NNSS
Ê Para n pequeno (menor ou igual a 5),
percebeu-se que a distância de erro é de 2 a 4
vezes pior que quando utiliza-se n=70.
Ê A distância de erro diminui rapidamente
conforme o n aumenta. Ex.: para n=20 a
distância de erro é 33% pior e para n=40 é
menos de 10% pior.
Ê Percebe-se que existe um limite de número de
pontos onde a melhora não é mais significativa
(em particular para o caso analisado, 40 pontos
distintos são suficientes)
Impacto do número de amostras
Ê Nos testes até o momento utilizou-se a média de todas as
amostras coletadas, para cada combinação de posição+orientação.
Ê Isso pode ser razoável para o modo offline, que é feito uma só vez,
no entanto, para o modo real, podem existir limitações no número
de amostras que se consegue coletar
Ê A análise mostra que apenas uma pequena quantidade de
amostras no modo real é necessária para atingir uma precisão
razoável
Ê Comparando com a análise básica:
Ê Com somente 1 amostra, a distância de erro é 30% pior (50% de
prob.)
Ê Com 2 amostras ela é 11% pior e com 3 amostras é 4% pior
Impacto da orientação do dispositivo
Ê Como pudemos ver, a orientação do dispositivo impacta na
precisão. Para verificar o quanto esse impacto é significativo, o
seguinte teste foi feito:
Ê Considera-se, para o conjunto de dados obtido no modo offline,
somente uma orientação específica (norte, por exemplo)
Ê Para o conjunto de dados obtido em modo real, considera-se a direção
oposta (ex.: sul)
Ê Calcula-se a distância de erro para cada uma das orientações que se
opõe (norte-sul, sul-norte, leste-oeste e oeste-leste)
Ê A análise mostra que (em comparação com a análise básica):
Ê A distância de erro é 54% pior (25% de prob.) e 67% pior (50% de
prob.)
Ê Portanto é muito importante obter amostras para todas as
possíveis direções.
Localizando usuários móveis
Ê Até agora, todos os experimentos feitos levavam em
conta um usuário/dispositivo estacionário. Vejamos as
particularidades para localização de usuários móveis:
Ê O problema de localizar um usuário móvel pode ser definido
como uma sequência de problemas de localizar um usuário
Ơquase-estacionárioơ
Ê Assim, usa-se uma janela deslizante de 10 amostras para
computar a média de intensidade de sinal
Ê Esse valor é usado no método descrito anteriormente para
usuários estacionários
Ê A distância de erro nesse caso é 19% pior que para o
caso estacionário
Método baseado no modelo de
propagação de sinal
Ê Utiliza um modelo teórico de propagação do sinal para gerar o conjunto de
dados que serve de base para o NNSS
Ê Não depende de dados empiricamente coletados durante uma fase off-line
Ê Três modelos foram estudados:
Ê Rayleigh fading model
ƥ É largamente utilizado para descrever um fenômeno denominado multipath fading
mas não é completo pois assume que todos os sinais que chegam ao receptor têm a
mesma intensidade.
Ê Rician distribution model
ƥ É um modelo mais abrangente (o modelo Rayleigh é um caso especial deste) que
descreve a ocorrência de um sinal mais forte imerso em muitos sinais fracos e
dispersos. É bastante completo, no entanto é difícil determinar os parâmetros do
modelo como intensidade da componente dominante, por exemplo.
Ê Wall Attenuation Factor (WAF) model
Wall Attenuation Factor model
Ê Adaptação do modelo Floor Attenuation Factor (FAF) onde o fator de
atenuação dos andares foi trocado pelo fator de atenuação dos obstáculos
(paredes).
Ê É descrito pela seguinte fórmula:

Ê Onde:
Ê n indica a taxa com a qual a intensidade do sinal cai com a distância
Ê P(d0) indica a intensidade do sinal a uma distância de referência d0
Ê d é a distância que separa o transmissor do receptor
Ê C é o número máximo de paredes que fazem diferença sobre o fator de
atenuação
Ê nW é o número de paredes entre o transmissor e o receptor
Ê WAF é o fator de atenuação das paredes
Determinando o fator WAF

Ê Primeiramente a intensidade do sinal é medida entre o receptor e o

emissor quando eles têm linha de visão (sem obstáculos)
Ê Depois uma série de medições são feitas com um número conhecido de
paredes entre o emissor e o receptor
Ê A média da diferença entre os sinais medidos é usada para determinar o
fator WAF
Ê A atenuação começa a ficar cada vez menor conforme o número de
paredes entre o receptor e o emissor aumenta (isso indica que a perda por
distância domina a perda por obstáculos quando o receptor e o emissor
estão distantes e existem muitos obstáculos entre eles)
Ê Os testes empíricos mostram que o fator WAF é de aproximadamente 3.1
dBm e o parâmetro C é de 4 paredes (número máximo de paredes que
fazem diferença na atenuação)
Variação do Sinal

Ê Acima podemos ver a diferença entre a intensidade dos sinais registrados

sem (à esquerda) e com (à direita) o fator WAF.
Ê No gráfico à esquerda, percebe-se uma diferença de 10 dBm entre duas
localidades afastadas aproximadamente 36m do receptor ƛ isso se deve ao
fato de que, provavelmente, uma das localidades possui linha de visão
com o receptor e a outra encontra-se atrás de algumas paredes.
Ê No gráfico à direita, já podemos perceber uma distribuição mais
homogênea devido à correção proporcionada pelo fator WAF ƛ esse
gráfico muito se assemelha ao de perda de sinal por distância em
ambientes abertos.
Determinando os parâmetros n e P(d ) 0

Ê Com os valores de intensidade do sinal medidos em diversas posições e corrigidos

com o fator WAF, basta fazer uma regressão linear e obter os parâmetros restantes.
Ê Os dados obtidos por regressão linear foram:

Ê Podemos ver que os valores n e P(d0) não são muito discrepantes entre as bases, o
que sugere que eles não estão associados a um local fixo.
Ê Além disso, o valor final combinado para as três bases é útil pois permite a inclusão
de novas bases no sistema sem necessidade de recálculo.
Ê Os coeficientes R² e MSE são respectivamente o coeficiente de determinação e o
erro quadrado médio que indicam a precisão da regressão linear.
Resultados do modelo de propagação
de sinal
Ê Para determinar a precisão desse modelo, uma série de medidas foram
feitas utilizando a fórmula descrita anteriormente. Esses valores foram
usados como base para o algoritmo NNSS.
Ê O modelo de propagação de sinal apresentou distância de erro de 4,3m
(50% de prob.) e 1,86m (???) (25% de prob.).
Ê Abaixo, mostramos um gráfico comparando os valores previstos pelo
modelo e os valores reais medidos:
Conclusões finais sobre os dois
modelos
Ê Como visto através dos dados, o modelo empírico é muito mais
preciso do que o modelo teórico.
Ê No entanto, o modelo empírico é mais caro na preparação pois a
base para o algoritmo NNSS precisa ser construída manualmente.
Já o modelo teórico apresenta uma maneira direta através da
fórmula apresentada.
Ê Além disso, numa realocação das bases (ou inclusão de novas), o
modelo empírico requer todo o trabalho de setup novamente. Isso
não acontece no modelo teórico.
Ê Além de coletar dados sobre a intensidade do sinal, parece ser
interessante combinar dados sobre o perfil do usuário como
padrões de movimento, horários, etc.
Ê O objetivo dessa pesquisa era mostrar que, mesmo sucetível a
interferência, reflexão, atenuação, etc, o sinal de rádio pode ser
usado como base para as técnicas de localização de dispositivos
móveis.
EKAHAU
Descrição
Ê EKAHAU é uma empresa que desenvolve ferramentas para
localização e posicionamento de dispositivos móveis usando a
infraestrutura Wireless (802.11abg).
Ê Apesar de pertencer a uma vertente diferente de pesquisa,
Complex Systems Computation Group da Universidade de Helsinki,
o EKAHAU muito se assemelha ao modelo empírico descrito pela
pesquisa RADAR.
Ê Os produtos pertencentes à suíte EKAHAU são:
Ê EKAHAU Positioning Engine
Ê EKAHAU T101 Wi-Fi Tag
Ê EKAHAU Site Survey
Ê EKAHAU Client
Positioning Engine
Ê É o software que gerencia o posicionamento de dispositivos.
Ê Trabalha com diversos tipos de dispositivos como WiFi Tags,
laptops, PDAs e outros dispositivos 802.11a/b/g.
Ê Possui precisão média de 1m, usando técnicas para calibrar o local
em que será usado.
Ê Apresenta dois tipos de interface para que outros programas se
comuniquem com o engine:
Ê Uma API em Java que permite obter informações como posição x,y do
dispositivo, velocidade, andar em que se encontra, direção, etc.
Ê Um protocolo denominado YAX que permite a comunicação via sockets
com o engine
T101 Wi-Fi Tag
Ê São dispositivos pertencentes ao padrão 802.11 que podem ser
usados como etiquetas para localização de pessoas, equipamentos,
containers, etc.
Ê Funcionam de forma transparente no sistema de posicionamento
EKAHAU.
Ê Não necessitam de infraestrutura de hardware proprietária.
EKAHAU Site Survey
Ê Essa é uma poderosa ferramenta para gravar,
visualizar, analisar, otimizar e verificar a performance
de sua rede sem fio.
Ê Possui basicamente um visualizador e editor do mapa
da região onde a rede sem fio está instalada.
Ê Com essa ferramenta, um administrador de rede sem
fio pode ter as seguintes informações da rede:
intensidade do sinal em diversos pontos, taxa de
transmissão de dados, localização dos APs, utilitário
para melhor posicionamento de APs, interferência, AP
mais forte, entre outras.
EKAHAU Client
Ê Software que deve ser instalado nos dispositivos móveis
como laptops e PDAs para que eles se tornem passíveis
de localização e posicionamento através do Positioning
Engine.
Ê Além disso, com esse software instalado, laptops e
PDAs tornam-se capazes de gerar dados para o Site
Survey, ajudando na obtenção de estatísticas sobre o
local onde a rede sem fio será instalada.
Screenshots ƛ Positioning Engine
Screenshots ƛ Client
Screenshots ƛ Site Survey
Screenshots ƛ Site Survey
Screenshots ƛ Site Planner
ë&A