Sistemas de Localização baseados em 802.11 Fernando Ney da Costa Nascimento ney@inf.puc-rio.br

Roteiro Motivação Aplicações Alternativas e Problemas Localização baseada em 802.11 Metodologia Algoritmos Conclusões

Motivação Crescente aumento de comunicação sem fio Pré-requisito para serviços baseados em localização Soluções tradicionais não funcionam

Aplicações Location-Awareness Segurança Robôs Móveis Localização de Pessoas Dispositivos Inteligentes Roteamento Wireless Segurança Localização de intrusos Robôs Móveis Exploração Construção automática de mapas Navegação

Propriedades de Sistemas de Localização Posição Física x Simbólica Localização Absoluta x Relativa Localização Remota ou Auto-Localização Exatidão e Precisão Escala Reconhecimento de dispostivos Custo Limitações

Alternativas Outdoor GPS Indoor Infrared (IR) Radio Frequency (RF)

GPS Altamente disseminado Cada vez mais baratos Não funcionam em ambientes indoor

Infra-Vermelho Grande precisão (curtas distâncias, linha reta entre emissor e receptor) Baixa escalabilidade Requer hardware especializado Ex: Active Badge

Rádio Frequência Granularidade a nível de célula Alta Escalabilidade Não requer hardware especializado

Problemas com propagação de sinais Indoor Propagação não linear Ruído Propagação Multi-Caminho Interferência Absorção Temperatura do ar Absorção por pessoas (freqüência resonante da água)

Localização baseada em 802.11 Hardware já presente no ambiente Custo reduzido Complexidade reduzida

Ideía Usar medidas de força do sinal para determinar a localização.

Categorias Técnicas Determinísticas Técnicas Probabilísticas

Algoritmos para Localização Fase 1: Geração dos dados – Construção de um espaço de busca. Geração por modelos de propagação Geração empírica Fase 2: Recepção de um dado real e busca da posição nos dados gerados na fase 1. Busca probabilística Busca por diferença/semelhança

Técnicas de Localização Representação do Espaço Representação do Sinal Algorimtos de Inferência de Localização

Representação do Espaço Representação da localização e direção

Representação do Sinal Ponto de Acesso Valor do sinal medido

Algoritmos de Inferência Nearest Neighbor Multiple Nearest Neighbor Modelo de Propagação de ondas de rádio Kernel Method Histogram Method Inferência Probabilística

Nearest Neighbor (CHOICE, RADAR) A localização é determinada usando um função de distância. Ex.: Distância Euclidiana Resolução de 3.20 metros em média

Multiple Nearest Neighbor (RADAR) São considerados as k amostras mais “perto”. Resolução de 2.75 (k=5)metros em média

Multiple Nearest Neighbor (cont.) Escolha de k k pequeno melhora, mas não significativamente k grande piora,pois pontos distantes são levados em consideração k não melhora significativamente porque são os mesmos pontos com diferentes orientações

Modelo de propagação de ondas de rádio Usado para determinar as amostras Teórico x Empírico Diversos modelos de propagação Resultados variáveis devido a propagação de sinais em ambientes indoor Reduz a dependência de dados empirícos

Modelo de propagação de ondas de rádio Resolução de 4.3 metros em média

Regra de Bayes Função de Probabilidade Probabilidade Anterior Distribuição Posterior

Kernel Method (Ekahau) Regra de Bayes Distribuição posterior Uso de distribuição Gaussiana

Kernel Method Função de Probabilidade

Kernel Method

Histogram Method (Ekahau, Rover, Nibble) Função de Probabilidade Determinada através de caixas Caixas com tamanhos diferentes ou iguais

Histogram Method

Inferência Probabilística Resolução de 1.5 metros em média

Sistemas de Localização Algoritmos Precisão Sistemas Nearest Neighbor ~ 3.20 RADAR, CHOICE Kernel ~ 2.30 Ekahau Histogram Ekahau, Rover, Nibble Inferência Probabilística ~ 1.50 Rice University

Variações Número de pontos amostrados Número de amostras por pontos Orientação do usuário Número vetores de observação utilizados Número de Pontos de Acesso

Vantagens Orientação Custo Escalável Não tão preciso como posição Infraestrutura já existente Escalável Limitação por custo computacional

Desvantagens Dependência do Ambiente Geração de dados Movimentação de pessoas e objetos Outros dispositivos 2.4 GHz Geração de dados Tempo necessário para geração

Conclusões A inferência varia com fatores externos Os melhores resultados têm sido obtidos com estratégias probabilísticas É possível a construção de diversas aplicações com a precisão descrita