ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ &
ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ & ΥΠΟΛΟΓΙΣΤΩΝ
Προσδιορισμός Θέσης
σε Κλειστούς Χώρους μέσω
Δικτύων Wifi
Σύνταξη:
Επίβλεψη:
Χατζάρας Γεράσιμος
Καθ. Χατζηλεοντιάδης
Λεόντιος
Νοέμβριος 2014
Στην μνήμη του πατέρα μου, Δημήτρη.
Ευχαριστίες
Αρχικά, θα ήθελα να ευχαριστήσω τον επιβλέποντα της παρούσας
διπλωματικής εργασίας, κ. Λεόντιο Χατζηλεοντιάδη, ο οποίος μοιράστηκε
τις ιδέες του μαζί μου, μου πρότεινε ένα πολύ ενδιαφέρον project και ήταν
δίπλα μου από το ξεκίνημα μέχρι και την ολοκλήρωσή του. Θεωρώ πως
στάθηκα ιδιαίτερα τυχερός που είχα την ευκαιρία να συνεργαστώ μαζί του.
Επίσης θα ήθελα να ευχαριστήσω την οικογένειά μου που ήταν πάντα
δίπλα μου κι έκανε θυσίες χρόνων για να μου δώσει την δυνατότητα να
σπουδάσω και να καταφέρω αυτή τη στιγμή να είμαι ένα βήμα πριν την
λήψη του πτυχίου.
Περίληψη
Η παρούσα διπλωματική εργασία ασχολείται με την δημιουργία μίας εφαρμογής
προσδιορισμού θέσης σε ένα περιβάλλον κλειστού χώρου. Για την επίτευξη αυτού του
σκοπού, εξετάζονται οι τεχνολογίες στις οποίες μπορεί να βασιστεί ένα τέτοιο σύστημα
και μελετώνται οι τεχνικές και οι αλγόριθμοι οι οποίοι θα μπορούσαν να
χρησιμοποιηθούν. Ως πεδίο εφαρμογής του συστήματος επιλέγεται ο χώρος της
Πολυτεχνικής Σχολής του ΑΠΘ, το μεγαλύτερο μέρος του οποίου καλύπτεται από
ασύρματη δικτύωση Wifi και για τον λόγο αυτό επιλέγεται να δημιουργηθεί ένα σύστημα
βασισμένο σε αυτή την τεχνολογία. Ωστόσο, λόγω της ιδιάζουσας μορφής του κτηριακού
συγκροτήματος, οι προϋπάρχουσες μέθοδοι δεν παρέχουν ικανοποιητική ακρίβεια, και
για τον λόγο αυτό δημιουργείται ένας υβριδικός αλγόριθμος που βασίζεται στην τεχνική
των αποτυπωμάτων σε συνδυασμό με τη μέθοδο multilateration. Η μέση ακρίβεια που
έχει επιτευχθεί είναι τα 6.85 μέτρα, η οποία θα μπορούσε να βελτιωθεί περισσότερο εάν
υπήρχε καλύτερη κάλυψη δικτύου σε ορισμένα σημεία του κτηρίου. Παράλληλα, στην
υλοποίηση δημιουργείται κι ένα είδους οδηγού σπουδών που αφορά το Τμήμα
Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, ο οποίος παρέχει ένα σύνολο
πληροφοριών σχετικά με τα μαθήματα, τις αίθουσες, το διδακτικό και διοικητικό
προσωπικό, όπως επίσης και το εβδομαδιαίο πρόγραμμα διδασκαλίας. Έτσι, εκτός από
την δημιουργία ενός νέου συστήματος προσδιορισμού θέσης εσωτερικού χώρου,
παρέχεται ένα χρήσιμο εργαλείο τόσο για την πανεπιστημιακή κοινότητα όσο και για
τους επισκέπτες του χώρου.
Abstract
The current project deals with the design and creation of an indoor positioning system.
For this reason, the technologies where such a system could be based on have been
examined, as well as the pre-existing techniques and algorithms that could be used. The
School of Engineering of the Aristotle’s University of Thessaloniki was selected to be the
target location for this project, since it is almost entirely covered by Wifi network and
there is no need for the installation of any new hardware. So, wifi was selected to be the
technology on which the software would be based on. Unfortunately, although a wide
variety of methods was found in the literature about WPS, none of them was completely
satisfactory, because of the complexity of the building’s structure. For this reason, a new
technique was created, which combines both the fingerprinting and the multilateration
methods. Thus, a quite good level of accuracy was achieved, that is 6.85 meters. It should
be mentioned, though, that the accuracy could be enhanced even more if there was a
better wifi coverage in some sites of the building. Apart from the positioning system, the
application was also designed to function as a student guide for the department of
Electrical and Computer Engineering. The users would have access to a variety of
information concerning the campus, such as the courses, the staff, the places of interest
as well as the weekly schedule of the classes. So this project except for creating a new wifi
positioning system, it will also provide the academic community with a very useful
service.
Περιεχόμενα
Κεφάλαιο 1
Εισαγωγή ...............................................................................................................................1
1.1
Γενικά .................................................................................................................... 1
1.2
Ορισμός Προβλήματος .......................................................................................... 1
1.3
Προσέγγιση παρούσας εργασίας .......................................................................... 2
1.4
Δομή εγγράφου ..................................................................................................... 3
Κεφάλαιο 2
2.1
Σχετική Έρευνα ..................................................................................................................5
Indoor Positioning Platforms ................................................................................ 5
2.1.1
InfSoft ............................................................................................................. 5
2.1.2
Wifarer............................................................................................................ 7
2.1.3
RedPin............................................................................................................. 8
Κεφάλαιο 3
Θεωρητικό Υπόβαθρο ................................................................................................... 11
3.1
Εισαγωγή ............................................................................................................. 11
3.2
IP Address Location ............................................................................................. 11
3.3
GSM localization .................................................................................................. 12
3.3.1
Cell-Identification ......................................................................................... 12
3.3.2
Τεχνική Fingerprinting................................................................................. 14
3.3.3
Modeling-based Techniques ........................................................................ 15
3.4
Bluetooth localization ......................................................................................... 16
3.4.1
Received Signal Strength Indicator .............................................................. 17
3.4.2
Trilateration ................................................................................................. 17
3.4.3
Fingerprinting .............................................................................................. 20
3.4.4
Συμπεράσματα ............................................................................................. 21
3.5
Wifi Positioning System (WPS) ........................................................................... 21
3.5.1
Τριγωνοποίηση ............................................................................................ 22
3.5.1.1
Τεχνικές Πολυπλευρισμού .................................................................... 22
3.5.1.2
Μέθοδος των γωνιών (AOA Estimation) .............................................. 29
3.5.2
Scene Analysis .................................................................................................. 30
3.5.3
Proximity.......................................................................................................... 33
Κεφάλαιο 4
4.1
Παρούσα Υλοποίηση ..................................................................................................... 35
Γενική περιγραφή................................................................................................ 35
4.2
Τεχνολογίες που χρησιμοποιήθηκαν .................................................................. 35
4.2.1
Βάση Δεδομένων .......................................................................................... 36
4.2.2
Επικοινωνία client με database ................................................................... 37
4.3
Αλγόριθμος εντοπισμού θέσης ........................................................................... 38
4.3.1
4.3.1.1
Αρχική Διερεύνηση και Επιλογή Αλγορίθμων ..................................... 38
4.3.1.2
Διαδικασία Λήψης Μετρήσεων ............................................................. 41
4.3.1.3
Αλγόριθμος Fingerprinting ................................................................... 43
4.3.1.4
Εντοπισμός του Τρέχοντος Κτηρίου .................................................... 43
4.3.1.5
Multilateration ...................................................................................... 46
4.3.2
4.4
Wifi Positioning ............................................................................................ 38
Εναλλαγή μεταξύ WPS και GPS .................................................................... 47
Λοιπές λειτουργίες εφαρμογής ........................................................................... 48
Κεφάλαιο 5
Μετρήσεις και Αποδοτικότητα Αλγορίθμου ..................................................... 53
5.1
Γενικά .................................................................................................................. 53
5.2
Μετρήσεις και αποτελέσματα............................................................................. 53
5.3
Σχόλια .................................................................................................................. 57
Κεφάλαιο 6
Βελτιώσεις, Μελλοντικές Επεκτάσεις και Συμπεράσματα ......................... 59
6.1
Γενικά .................................................................................................................. 59
6.2
Βελτιώσεις ........................................................................................................... 59
6.3
Μελλοντικές Επεκτάσεις ..................................................................................... 61
6.4
Συμπεράσματα .................................................................................................... 61
Λίστα Εικόνων
Εικόνα 1 Στιγμιότυπο εφαρμογής της InSoft σε λειτουργία Indoor Positioning...................5
Εικόνα 2 Στιγμιότυπο εφαρμογής της InSoft σε λειτουργία πλοήγησης ...................................6
Εικόνα 3 Στιγμιότυπο λειτουργίας AR της εφαρμογής της InSoft ................................................6
Εικόνα 4 Στιγμιότυπα της εφαρμογής Wifarer ......................................................................................8
Εικόνα 5 Οι κύκλοι συμβολίζουν τα σημεία λήψης των μετρήσεων, ενώ τα νούμερα
αποτελούν τα αναγνωριστικά των δωματίων ...................................................................9
Εικόνα 6 Κατανομή των συχνοτήτων ενός δικτύου κινητής τηλεφωνίας σε κελιά .......... 13
Εικόνα 7 Ροή πληροφορίας κατά τον προσδιορισμό θέσης μίας συσκευής με την μέθοδο
Fingerprinting.................................................................................................................................. 15
Εικόνα 8 Μέθοδος Τριπλευρισμού ............................................................................................................ 18
Εικόνα 9 Positioning βασιζόμενο σε μετρήσεις TOA/RTOF.......................................................... 22
Εικόνα 10 Positioning βασισμένο σε μετρήσεις TDOA .................................................................... 24
Εικόνα 11 RSS-Positioning, όπου LS1,LS2 και LS3 υποδηλώνουν τις αποστάσεις του
κινητού από τα σταθερά σημεία αναφοράς ..................................................................... 26
Εικόνα 12 Προσδιορισμός θέσης βάσει της φάσης του σήματος ............................................... 27
Εικόνα 13 Προσδιορισμός θέσης με την τεχνική ΑΟΑ ..................................................................... 29
Εικόνα 14 Σχεσιακό Διάγραμμα Βάσης Δεδομένων ........................................................................... 37
Εικόνα 15 Στιγμιότυπο Εφαρμογής ScanAPs ........................................................................................ 39
Εικόνα 16 Τα Wifi Access Points της Πολυτεχνικής Σχολής που χρησιμοποιούνται από
την εφαρμογή .................................................................................................................................. 40
Εικόνα 17 Στιγμιότυπο Εφαρμογής Wifi Tracking ............................................................................ 41
Εικόνα 18 Αλγόριθμος Προσδιορισμού Θέσεως ................................................................................. 42
Εικόνα 19 Κάλυψη δικτύου Wifi από εξωτερικά Access Points της Γ' Πτέρυγας της
Πολυτεχνικής Σχολής ................................................................................................................... 44
Εικόνα 20 Διάγραμμα ροής του αλγορίθμου προσδιορισμού κτηρίου ..................................... 45
Εικόνα 21 Άξονες συμμετρίας των βασικών κτηρίων της Πολυτεχνικής Σχολής και
προβολή ενός σημείου που βρισκόταν σε εξωτερικό χώρο ................................... 47
Εικόνα 22 Δομή αναζήτησης μέσω πλοήγησης στην εφαρμογή................................................. 48
Εικόνα 23 Στιγμιότυπα εφαρμογής κατά την αναζήτηση με την χρήση λέξης κλειδιού 49
Εικόνα 24 Στιγμιότυπο της εφαρμογής με τις πληροφορίες καθηγητή.................................. 50
Εικόνα 25 Στιγμιότυπο της εφαρμογής όπου εμφανίζεται η λίστα με τα δεδομένα RSS
.............................................................................................................................................................. 50
Εικόνα 26 Στιγμιότυπα πλοήγησης του χρήστη στον χώρο του Πολυτεχνείου έχοντας
κάποιον προορισμό .................................................................................................................... 51
Εικόνα 27 Τα σημεία λήψης μετρήσεων κατά την πειραματική διαδικασία ........................ 54
Εικόνα 28 Αποτελέσματα μετρήσεων για χρήση παρελθοντικών δεδομένων ηλικίας
ενός δευτερολέπτου................................................................................................................... 55
Εικόνα 29 Αποτελέσματα μετρήσεων για χρήση παρελθοντικών δεδομένων ηλικίας
τριών δευτερολέπτων............................................................................................................... 55
Εικόνα 30 Αποτελέσματα μετρήσεων για χρήση παρελθοντικών δεδομένων ηλικίας
πέντε δευτερολέπτων ............................................................................................................... 56
Εικόνα 31 Κάλυψη ασύρματου δικτύου Wifi στους εσωτερικούς χώρους του
Πολυτεχνείου ................................................................................................................................ 57
Λίστα Πινάκων
Πίνακας 1 Συγκεντρωτικά αποτελέσματα μετρήσεων ................................................................... 57
Κεφαλαιο 1
Εισαγωγη
1.1
Γενικά
Τα τελευταία χρόνια έχει παρατηρηθεί ότι η είσοδος των έξυπνων τηλεφώνων ή
αλλιώς smartphones στην αγορά γίνεται με καλπάζοντες ρυθμούς. Πλέον, ένας στους
πέντε ανθρώπους παγκοσμίως έχει στην κατοχή του έναν μικρό υπολογιστή τσέπης ο
οποίος μεταξύ άλλων έχει την δυνατότητα να συνδέεται στο διαδίκτυο, να επικοινωνεί
με δορυφόρους, να προσανατολίζεται και να εντοπίζει την τοποθεσία του.
Παράλληλα, η καθιέρωση της χρήσης ασύρματων δικτύων Wifi τόσο σε οικιακό
όσο και σε δημόσιο περιβάλλον καθώς και η εξέλιξη των δικτύων κινητής τηλεφωνίας σε
3G-4G έχουν καταστήσει καθολική πια την πρόσβαση στο διαδίκτυο μέσω κινητού. Όλα
αυτά έχουν δημιουργήσει τις απαραίτητες προϋποθέσεις ώστε να αναπτυχθεί ένα νέο
σύνολο υπηρεσιών που λειτουργούν σε πραγματικό χρόνο και βασίζονται στην
τοποθεσία του χρήστη.
1.2
Ορισμός Προβλήματος
Εδώ και αρκετά χρόνια το κύριο μέσο εντοπισμού θέσης ήταν το GPS. Στην τυπική
λειτουργία, ένας δέκτης GPS μπορεί να προσδιορίσει με μεγάλη ακρίβεια την θέση του αν
έχει οπτική επαφή με τουλάχιστον τέσσερις δορυφόρους. Πριν την εμφάνιση των
smartphones ο μόνος τρόπος χρήσης της υπηρεσίας ήταν με συσκευές που είχαν σαν
μόνη λειτουργία τον εντοπισμό και απεικόνιση σε χάρτη της θέσης του δέκτη και ίσως
κάποιων επιπλέον πληροφοριών όπως η ταχύτητα, η κατεύθυνση κίνησης και το
υψόμετρο.
Σήμερα, όλα τα smartphones είναι εξοπλισμένα με την εν λόγω τεχνολογία,
πράγμα που έχει οδηγήσει στην ανάπτυξη μιας πληθώρας εφαρμογών. Πλέον κάθε
χρήστης μπορεί να γνωρίζει την τοποθεσία του ανά πάσα στιγμή, να πληροφορείται
1
σχετικά με αντικείμενα που βρίσκονται κοντά του αλλά και να λαμβάνει οδηγίες για το
πώς θα φτάσει στον προορισμό του.
Ωστόσο όλα αυτά δεν μπορούν να επιτευχθούν μονάχα με τη χρήση του GPS, αφού
έχει το σοβαρό μειονέκτημα να μην μπορεί να χρησιμοποιηθεί μέσα σε κλειστούς
χώρους, από τη στιγμή που η λειτουργία του εξαρτάται άμεσα από την οπτική επαφή
του δέκτη με τους δορυφόρους. Ήδη έχουν εμφανιστεί διάφορες μέθοδοι θεσιθεσίας που
μπορούν να το υποκαταστήσουν, όπως το WPS, το IP Address, Bluetooth και GSM
Positioning Systems, ωστόσο θέτουν κι αυτά περιορισμούς είτε στην χωρική έκταση
στην οποία δύνανται να χρησιμοποιηθούν, είτε στην ακρίβεια που μπορούν να
παράσχουν.
1.3
Προσέγγιση παρούσας εργασίας
Όπως αφέθηκε να εννοηθεί νωρίτερα, η εργασία αυτή θα ασχοληθεί με την
εύρεση εναλλακτικής λύσης ώστε να καταστεί δυνατή η λειτουργία του εντοπισμού
θέσης μιας συσκευής μέσα σε κλειστούς χώρους, όπου η χρήση του GPS δεν επαρκεί.
Το μοντέλο που θα χρησιμοποιηθεί είναι ουσιαστικά υβριδικό και συνδυάζει
αμφότερες τις τεχνολογίες GPS και WPS και θα τεθεί σε εφαρμογή στον χώρο της
Πολυτεχνικής Σχολής του Αριστοτέλειου Πανεπιστημίου Θεσσαλονίκης. Ο χώρος αυτός
επιλέχθηκε αφενός γιατί αποτελείται από μία αρκετά σύνθετη κτηριακή δομή η οποία
καλύπτεται σχεδόν συνολικά από ασύρματο δίκτυο Wifi κι αφετέρου γιατί η εφαρμογή
της εργασίας αυτής θα αποτελέσει ένα χρήσιμο εργαλείο για να κατατοπίζονται τόσο οι
πρωτοετείς φοιτητές όσο και εκείνοι που επισκέπτονται τον χώρο για πρώτη φορά.
Συγκεκριμένα, οι αλγόριθμοι που αφορούν τον εντοπισμό θέσης θα
ενσωματωθούν σε μία εφαρμογή για smartphones σε περιβάλλον Android. Η εφαρμογή
αυτή θα σχετίζεται άμεσα με το Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών
Υπολογιστών του Α.Π.Θ. (που από εδώ και στο εξής θα αναφέρεται και ως ΤΗΜΜΥ). Θα
έχει τη δυνατότητα να εντοπίζει σε πραγματικό χρόνο την τρέχουσα θέση του κινητού,
στο μεγαλύτερο μέρος της Πολυτεχνικής Σχολής και μάλιστα με προσέγγιση λίγων μόνο
μέτρων. Παράλληλα, στους εξωτερικούς χώρους των κτηρίων, όπου είναι εφικτή η
λειτουργία του GPS, θα λαμβάνονται υπόψιν και οι ενδείξεις του τελευταίου, με
2
αποτέλεσμα να παρέχεται μια ολοκληρωμένη υπηρεσία εντοπισμού θέσης τόσο για
εσωτερικούς όσο και για εξωτερικούς χώρους. Επιπρόσθετα στην πλατφόρμα αυτή θα
ενσωματωθεί το πρόγραμμα σπουδών του ΤΗΜΜΥ καθώς και πληροφορίες σχετικά με
το διδακτικό προσωπικό και τους χώρους του τμήματος. Έτσι, η παρούσα εργασία, εκτός
των άλλων, θα αποτελέσει μια προσφορά προς την πανεπιστημιακή κοινότητα του
προαναφερθέντος τμήματος, αλλά και έναυσμα για υιοθέτησή της και στα υπόλοιπα
τμήματα του πανεπιστημίου.
1.4
Δομή εγγράφου
Πέραν του παρόντος κεφαλαίου που αποτελεί την εισαγωγή της, η εργασία αυτή
έχει επιμεριστεί σε 5 επιπλέον κεφάλαια, το περιεχόμενο των οποίων παρατίθεται
περιληπτικά παρακάτω.
Στο 2ο κεφάλαιο γίνεται μια έρευνα σχετικά με προϋπάρχουσες εφαρμογές που
λειτουργούν σε κινητά τηλέφωνα και ασχολούνται με το αντικείμενο του εντοπισμού
θέσης σε εσωτερικούς χώρους, τις τεχνολογίες που χρησιμοποιούν και το σύνολο των
υπηρεσιών που προσφέρουν.
Το 3ο κεφάλαιο αναλύει τις σημαντικότερες μεθόδους με τις οποίες μπορούν να
λειτουργήσουν τα Indoor Positioning Systems. Επίσης, παρουσιάζεται το θεωρητικό
υπόβαθρο σχετικά με τα WPS, τις βασικές πρακτικές υλοποίησής τους αλλά και εξηγείται
γιατί επιλέχθηκε αυτή η μέθοδος στην παρούσα διπλωματική εργασία.
Κατόπιν, το 4ο κεφάλαιο περιγράφει την υλοποίηση του προγράμματος που έχει
γίνει στα πλαίσια της εργασίας. Παρουσιάζει τα βήματα που ακολουθήθηκαν για το
χτίσιμο της εφαρμογής, τις επιμέρους λειτουργίες της, όπως επίσης και τη συνολική
εμπειρία που θα απολαμβάνει ο τελικός χρήστης, όταν την εγκαταστήσει στο κινητό του
τηλέφωνο.
Το επόμενο κεφάλαιο, συνιστά το πειραματικό μέρος της εργασίας. Παρατίθενται
τα αποτελέσματα των μετρήσεων που έγιναν ύστερα από δοκιμαστικούς περιπάτους
στους χώρους του Πολυτεχνείου. Βάσει αυτών εξάγονται συμπεράσματα σχετικά με την
ακρίβεια του προσδιορισμού θέσης και την εξάρτησή της τόσο από την χωρική
3
ανομοιομορφία, όσο κι από την θέση και πυκνότητα των ασύρματων APs που είναι
εγκατεστημένα στον χώρο.
Τέλος, στο 6ο κεφάλαιο εξετάζονται οι επικείμενες βελτιώσεις που επιδέχεται η
εφαρμογή κι επίσης περιγράφονται ιδέες για την περεταίρω εξέλιξή της σε
διαφορετικούς χώρους και περιβάλλοντα.
4
Κεφαλαιο 2
Σχετικη ερευνα
2.1
Indoor Positioning Platforms
Έπειτα από έρευνα στην παγκόσμια αγορά λογισμικού για κινητά τηλέφωνα
γίνεται εύκολα αντιληπτό ότι τα τελευταία χρόνια οι τεχνολογίες που σχετίζονται με τον
εντοπισμό θέσης σε εσωτερικούς χώρους αναπτύσσονται με τάχιστους ρυθμούς. Την
τελευταία πενταετία κυρίως, έχουν αναπτυχθεί ορισμένα αξιοσημείωτα πακέτα
λογισμικού
που
προσφέρουν
location-aware
υπηρεσίες.
Οι
κυριότερες
θα
παρουσιαστούν παρακάτω, ενώ θα γίνει αναφορά στις τεχνολογίες στις οποίες
βασίζονται.
2.1.1 InfSoft
Η εταιρία InfSoft [1] έχει αναπτύξει μια πλατφόρμα η οποία χρησιμοποιεί ένα
σύνολο μετρήσεων που μπορεί να παρέχει μια συσκευή για τον εντοπισμό θέσης, από τη
στιγμή που τα smartphones τελευταίας γενιάς είναι εξοπλισμένα με μια πληθώρα
αισθητήρων οι οποίοι παρέχουν σημαντικές πληροφορίες για τέτοιου είδους εφαρμογές.
Εικόνα 1 Στιγμιότυπο εφαρμογής της InSoft σε λειτουργία Indoor Positioning
5
Συγκεκριμένα, όπου είναι εφικτό χρησιμοποιούνται μετρήσεις από το δίκτυο κινητής
τηλεφωνίας GSM, το ασύρματο δίκτυο Wifi, την πυξίδα, το επιταχυνσιόμετρο, το
Bluetooth LE και φυσικά το GPS. Κατά την εγκατάσταση του συστήματος είναι
απαραίτητη η διαδικασία εκπαίδευσής του, η οποία γίνεται λαμβάνοντας μετρήσεις του
επιπέδου της ισχύος των διαθέσιμων σημάτων σε κάθε περιοχή. Συνδυάζοντας τα
δεδομένα αυτά επιτυγχάνει σε πραγματικό χρόνο τον εντοπισμό μιας συσκευής με
ακρίβεια ορισμένων μέτρων, όπως φαίνεται και στην Εικόνα 1. Επιπρόσθετα, παρέχει τη
δυνατότητα παροχής οδηγιών, όταν κάποια τοποθεσία επιλεγεί ως επιθυμητός
προορισμός. Εφόσον είναι γνωστή η θέση του χρήστη, υπολογίζεται ποια είναι η
βέλτιστη διαδρομή και εμφανίζεται η διαγραφή της προτεινόμενης πορείας στον χάρτη
αλλά και κάποιες συμβουλές πλοήγησης με μορφή στην κειμένων ή σχημάτων. Επίσης
είναι δυνατή η επιλογή διαφορετικής διαδρομής ανάλογα με τις προτιμήσεις του χρήστη
ή σε περίπτωση που ο ίδιος είναι άτομο με κινητικά προβλήματα. Όπως φαίνεται και
στην Εικόνα 2. δύναται να προσδιορίσει την θέση της συσκευής και στην τρίτη διάσταση,
δηλαδή τον όροφο του κτηρίου στο οποίο βρίσκεται.
Εικόνα 2 Στιγμιότυπο εφαρμογής της
InSoft σε λειτουργία πλοήγησης
Εικόνα 3 Στιγμιότυπο λειτουργίας AR της
εφαρμογής της InSoft
Τελευταίο και πιο εντυπωσιακό, είναι το Augmented Reality Mode της
εφαρμογής. Όταν τεθεί σε λειτουργία η κάμερα της συσκευής, τότε εμφανίζονται ως
επικαλύπτοντα επίπεδα, οδηγίες πλοήγησης που απαρτίζονται από δείκτες αποστάσεως
ή κατεύθυνσης και περιγραφές των κοντινότερων σημείων ενδιαφέροντος. Έτσι ο
χρήστης απολαμβάνει μια πιο διαδραστική και ευχάριστη εμπειρία.
6
Εν κατακλείδι, εκτός από τις υπηρεσίες που απευθύνονται σε κάθε χρήστη
ατομικά, υπάρχουν και εκείνες για τους διαχειριστές των αντίστοιχων εγκαταστάσεων.
Με λίγα λόγια είναι στατιστικά δεδομένα που σχετίζονται με όλες τις διαδικασίες που
λαμβάνουν χώρα σε ένα μέρος και λαμβάνονται είτε από τους δρομολογητές που
καλύπτουν το Wifi δίκτυο είτε με τη χρήση ειδικού hardware που εντοπίζει τις κινητές
συσκευές μέσα σε ένα χώρο, κάτι που όμως απαιτεί επιπλέον κόστος εγκατάστασης. Τα
στοιχεία αυτά μπορεί να φανούν ιδιαίτερα χρήσιμα για τον προσδιορισμό σημείων με
πολύ μεγάλη επισκεψιμότητα, την βελτίωση της διαρρύθμισης ενός κτηρίου όπως
επίσης και για λόγους ασφαλείας.
2.1.2 Wifarer
Το software της Wifarer [2] είναι παρόμοιο με εκείνο που παρουσιάστηκε
παραπάνω. Είναι λογισμικό που μπορεί εύκολα να υιοθετηθεί από ήδη υπάρχουσες
εφαρμογές Android και iOS ή και να χρησιμοποιηθεί για την δημιουργία νέων. Ο
προσδιορισμός της θέσης μιας συσκευής, πέραν του GPS μπορεί να γίνει με τη χρήση
δεδομένων Bluetooth LE ή ασύρματου δικτύου Wifi, ανάλογα με το είδος της δικτυακής
υποδομής του κτηρίου. Η μέθοδος με την οποία γίνεται η εκπαίδευση του αλγορίθμου
εντοπισμού είναι κυρίως το fingerprinting, το οποίο θα αναλυθεί λεπτομερέστερα στο
επόμενο κεφάλαιο.
Η λειτουργία θεσιθεσίας της εφαρμογής δεν θα μπορούσε να μην συνοδεύεται
από ένα ολοκληρωμένο σύστημα πλοήγησης, που υποστηρίζει και πολυώροφες
κτηριακές δομές. Παρέχονται πληροφορίες τόσο για την απόσταση όσο και για τον χρόνο
που θα διαρκέσει η διαδρομή μέχρι τον τελικό προορισμό. Επίσης, κατά τη διάρκεια της
πλοήγησης είναι δυνατή η εμφάνιση πολυμέσων στον χρήστη. Για παράδειγμα, το υλικό
αυτό θα μπορούσε να περιλαμβάνει ειδοποιήσεις σχετικά με προσφορές από
καταστήματα που βρίσκονται κοντά του, πληροφορίες για προσεχείς εκδηλώσεις ή και
προειδοποιήσεις ασφαλείας. Ενδεικτικά στιγμιότυπα της εφαρμογής φαίνονται στην
Εικόνα 4.
Σε συνδυασμό με τις παραπάνω υπηρεσίες παρέχονται και στατιστικές
πληροφορίες στους διαχειριστές. Συλλέγονται δεδομένα από τις αναζητήσεις που
7
γίνονται κάθε στιγμή μέσω της εφαρμογής όπως επίσης και από το είδος του
περιεχομένου που προβάλλεται πιο συχνά.
Εικόνα 4 Στιγμιότυπα της εφαρμογής Wifarer
2.1.3 RedPin
To RedPin [3] είναι ένα IPS ανοιχτού κώδικα, το οποίο αναπτύχθηκε στο
Pervasive Computing Institute του ETH στην Ελβετία και σχεδιάστηκε με σκοπό να
παρέχει κατ’ ελάχιστον ακρίβεια σε επίπεδο δωματίου και να μην απαιτεί την χρονοβόρα
διαδικασία της εκπαίδευσης του αλγορίθμου. Οι client εφαρμογές είναι διαθέσιμες τόσο
για Android όσο και για iOS.
Για τον προσδιορισμό της θέσης μίας συσκευής γίνεται μια διασταύρωση
πληροφοριών που προέρχονται από διαφορετικές τεχνολογίες [4]. Συγκεκριμένα
λαμβάνονται μετρήσεις της έντασης του σήματος από το ενεργό GSM κελί, τα επίπεδα
ισχύος όλων των Wifi δικτύων που είναι ορατά καθώς και όλα τα σήματα Bluetooth από
τις μη-κινητές Bluetooth συσκευές που υπάρχουν στον χώρο. Το GPS δεν
χρησιμοποιείται καθόλου μιας και το σύστημα αυτό αφορά μονάχα εσωτερικούς
χώρους.
8
Κατά κύριο λόγο το RedPin είναι ένα σύστημα το οποίο δεν παρέχει απόλυτες
γεωγραφικές συντεταγμένες αλλά συμβολικά αναγνωριστικά για κάθε χώρο, όπως για
παράδειγμα ο αριθμός ή το όνομα ενός δωματίου (Εικόνα 5) και είναι βασισμένο σε μια
Εικόνα 5 Οι κύκλοι συμβολίζουν τα σημεία λήψης των μετρήσεων, ενώ
τα νούμερα αποτελούν τα αναγνωριστικά των δωματίων
ιδιαίτερη μέθοδο fingerprinting. Όπως προαναφέρθηκε, δεν απαιτείται μια ξεχωριστή
διαδικασία εκπαίδευσης, μιας και η τελευταία γίνεται κατά την εκτέλεση της εφαρμογής
από τον χρήστη. Συγκεκριμένα εάν το σύστημα δεν μπορέσει να εντοπίσει την τρέχουσα
θέση του ή αν υπάρχει μεγάλο σφάλμα εντοπισμού, τότε ο χρήστης μπορεί να
δημιουργήσει μια νέα τοποθεσία η οποία θα αποθηκευτεί σε μια online βάση δεδομένων,
μαζί με τα επίπεδα των σημάτων που είναι ορατά εκείνη τη στιγμή από τη συσκευή. Αυτό
σημαίνει πως η εφαρμογή εύκολα υιοθετείται σε νέους χώρους και συνεχώς
προσαρμόζεται σε αλλαγές του περιβάλλοντος, όπως για παράδειγμα η αλλαγή κάποιου
Wifi AP. Το μόνο που απαιτείται είναι η διάθεση των χρηστών να ασχοληθούν και να
βελτιώσουν οι ίδιοι την εφαρμογή που χρησιμοποιούν.
9
10
Κεφαλαιο 3
Θεωρητικο Υποβαθρο
3.1
Εισαγωγή
Καθώς τα κινητά τηλέφωνα πλέον έχουν μετατραπεί σε απανταχού παρούσες
επεξεργαστικές μηχανές, είναι έντονη πια η ανάγκη δημιουργίας υπηρεσιών που
σχετίζονται με το περιβάλλον στο οποίο βρίσκεται μια συσκευή. Μια από τις
σημαντικότερες πληροφορίες που σχετίζεται με το περιβάλλον αυτό είναι η γνώση της
τοποθεσίας, κάτι που οδηγεί σε ένα σύνολο εφαρμογών, όπως είναι οι εφαρμογές
πλοήγησης, κοινωνικής δικτύωσης και ασφαλείας. Η βασικότερη τεχνική εντοπισμού
θέσης θεωρείται το GPS, ωστόσο εκ φύσεως έχει το μειονέκτημα να μην είναι
λειτουργικό σε κλειστούς χώρους κι επίσης το hardware που είναι απαραίτητο για τη
λειτουργία του είναι αρκετά ενεργοβόρο. Για το λόγο αυτό στο επίκεντρο της έρευνας
βρίσκεται η εύρεση νέων μεθόδων για τον προσδιορισμό της θέσης μιας κινητής
συσκευής. Οι βασικότερες πρακτικές που ακολουθούνται σήμερα θα παρουσιαστούν
παρακάτω.
3.2
IP Address Location
Μια μέθοδος εντοπισμού της τοποθεσίας μίας συσκευής είναι μέσω της
διεύθυνσης IP που της έχει εκχωρηθεί όταν συνδέεται στο διαδίκτυο. Η τεχνική αυτή έχει
άμεση εφαρμογή στα κινητά τηλέφωνα από τη στιγμή που η πλειοψηφία τους πλέον έχει
τη δυνατότητα σύνδεσης στο Internet μέσω Wifi.
Στο σημείο αυτό είναι απαραίτητο να γίνει μια αναφορά στον τρόπο
διευθυνσιοδότησης των συσκευών που έχουν πρόσβαση στο διαδίκτυο. Η διεύθυνση
που αντιστοιχίζεται σε ένα τερματικό του διαδικτύου είναι μοναδική και ορίζεται από
έναν εκ των πέντε RIR που υπάρχουν παγκοσμίως. Οι RIR είναι οργανισμοί που
διαχειρίζονται την κατανομή των διευθύνσεων αυτών ανά γεωγραφική περιοχή και
αποτελούν την κύρια πηγή πληροφοριών σχετικά με την κάθε IP address, όπως είναι η
11
χώρα, η πόλη, η διεύθυνση, ο ταχυδρομικός κώδικας ακόμα και το όνομα του ISP. Εκτός
των RIR υπάρχουν κι άλλες, δευτερεύουσες μέθοδοι πρόσβασης σε αυτά τα δεδομένα,
όπως είναι η απευθείας αναζήτηση στους ISP η σε άλλες βάσεις δεδομένων που
αντιστοιχίζουν διευθύνσεις IP με τοποθεσίες κυρίως μέσω data-mining.
Επομένως, όταν κάποιο κινητό συνδέεται στο διαδίκτυο μέσω κάποιας
συνδρομητικής γραμμής είναι πολύ εύκολος ο προσδιορισμός της διεύθυνσης στην οποία
βρίσκεται. Βέβαια, αυτό δεν είναι επαρκές για εφαρμογές IPS, όπου απαιτείται ακρίβεια
σε επίπεδο δωματίου ή ακόμα και σε επίπεδο λίγων μόνο μέτρων. Επίσης, η μέθοδος αυτή
έχει σαν προαπαιτούμενο τη σύνδεση της συσκευής στο διαδίκτυο και μάλιστα μέσω
Wifi, οπότε δεν μπορεί να έχει καθολικό χαρακτήρα.
3.3
GSM localization
Μιας και η παρούσα εργασία πραγματεύεται το ζήτημα του εντοπισμού θέσης για
κινητά τηλέφωνα, είναι απαραίτητη η διερεύνηση μεθόδων που βασίζονται στο δίκτυο
της κινητής τηλεφωνίας – GSM. Παρακάτω θα παρουσιαστούν οι σημαντικότερες
μέθοδοι που υπάρχουν στη βιβλιογραφία.
3.3.1 Cell-Identification
Ένα απλό σύστημα εντοπισμού θέσης είναι το Cell-ID ή αλλιώς Cell Of Origin
(COO). Βασίζεται στο γεγονός ότι τα δίκτυα κινητής τηλεφωνίας μπορούν
προσεγγιστικά να προσδιορίσουν την θέση στην οποία βρίσκεται μία συσκευή
γνωρίζοντας ποιο κελί στο δίκτυο χρησιμοποιεί τη συγκεκριμένη χρονική στιγμή [6] –
[8].
Τα δίκτυα κινητής τηλεφωνίας είναι κυψελοειδή, δηλαδή είναι χωρισμένα σε
μικρότερα τμήματα, τα επονομαζόμενα κελιά (cells). Ουσιαστικά ένα κελί αποτελεί το
τμήμα ενός δικτύου που αντιστοιχεί στην περιοχή που μπορεί να καλύψει ένας πομπός.
Η βασική ιδέα πίσω από ένα κυψελοειδές σύστημα είναι η χρήση πομπών χαμηλής ισχύος
σε κάθε κελί, έτσι ώστε να καθίσταται ικανή η αποδοτική επαναχρησιμοποίηση των
διαθέσιμων συχνοτήτων. Στην πραγματικότητα αυτό που συμβαίνει είναι ότι, από τη
στιγμή που οι πομποί είναι χαμηλής ισχύος, το σήμα τους δεν μπορεί να διαδοθεί πολύ
12
μακριά κι επομένως η συχνότητα που χρησιμοποιείται σε ένα κελί μπορεί να
επαναχρησιμοποιηθεί σε ένα άλλο κελί
που βρίσκεται λίγο μακρύτερα. Έτσι, οι
συχνότητες που παραχωρούνται σε κάθε δίκτυο κατανέμονται κατάλληλα σε μια ομάδα
κελιών και στη συνέχεια η κατανομή αυτή επαναλαμβάνεται σε ολόκληρη την περιοχή
κάλυψης του δικτύου (Εικόνα 6). Η λειτουργία αυτή ονομάζεται frequency-reuse [5] και
χρησιμοποιείται από όλα τα σύγχρονα δίκτυα κινητής τηλεφωνίας.
Εικόνα 6 Κατανομή των συχνοτήτων ενός
δικτύου κινητής τηλεφωνίας σε κελιά
Γνωρίζοντας, λοιπόν, ανά πάσα στιγμή με ποια κεραία είναι συνδεδεμένη μία
συσκευή, αυτόματα είναι γνωστό σε ποιο κελί του δικτύου βρίσκεται, άρα και σε ποια
τοποθεσία. Τα κυριότερα πλεονεκτήματα της μεθόδου αυτής είναι ότι αφενός
υποστηρίζεται απ’ όλα τα κινητά τηλέφωνα κι αφετέρου ότι δεν απαιτούνται ενέργειες
ειδικά και μόνο για την γνώση του cell-id, αφού μια απλή φωνητική κλήση ή μία σύνδεση
δεδομένων αυτόματα παρέχει αυτήν την πληροφορία. Από την άλλη πλευρά, το βασικό
μειονέκτημά της είναι πως η ακρίβεια που παρέχει είναι αλληλένδετη με το μέγεθος του
εκάστοτε κελιού. Επομένως, η μέθοδος αυτή δεν μπορεί να λειτουργήσει αποδοτικά για
ένα Indoor Positioning System, αν αναλογιστεί κανείς ότι τα κελιά σε αστικές περιοχές
έχουν μεγέθη της τάξης από αρκετές δεκάδες μέτρα έως και μερικά χιλιόμετρα.
13
3.3.2 Τεχνική Fingerprinting
Μία άλλη μέθοδος για τον προσδιορισμό της θέσης ενός κινητού είναι το Scene
Analysis. Η τεχνική αυτή σε συνδυασμό με το αναγνωριστικό του GSM κελιού στο οποίο
συνδέεται η συσκευή, χρησιμοποιεί και άλλες πληροφορίες, όπως είναι το επίπεδο της
ισχύος του λαμβανόμενου σήματος ή η χρονική καθυστέρηση στην επικοινωνία μεταξύ
πομπού και δέκτη [8]. Απαραίτητη είναι η ύπαρξη ενός location-server και μίας βάσης
δεδομένων, η οποία περιλαμβάνει τους συσχετισμούς ανάμεσα σε κάποια τοποθεσία και
σε ένα σύνολο από μετρήσεις που αναφέρονται σε χαρακτηριστικά του δικτύου, που
μετρήθηκαν σε εκείνη την περιοχή, τα λεγόμενα fingerprints.
Για τη δημιουργία της βάσης δεδομένων πρέπει να προηγηθεί μια διαδικασία
εκπαίδευσης.
Στην
περιοχή
ενδιαφέροντος
επιλέγονται
ορισμένα
σημεία
δειγματοληψίας. Τα σημεία αυτά οφείλουν να είναι αρκετά πυκνά ώστε να είναι το
δυνατόν καλύτερη η διακριτικότητα του αλγορίθμου και επίσης να είναι γνωστές οι
γεωγραφικές τους συντεταγμένες. Με κάθε μέτρηση που λαμβάνει χώρα εξάγεται μία
RSSI υπογραφή, δηλαδή το αναγνωριστικό του κελιού GSM στο οποίο συνδέεται η
συσκευή εκείνη τη στιγμή και την ισχύ του σήματος που λαμβάνεται. Εάν η τεχνολογία
της συσκευής με την οποία γίνεται η μέτρηση το επιτρέπει, τότε λαμβάνονται υπόψιν όχι
μόνο οι μετρήσεις που σχετίζονται με την κεραία με την οποία υπάρχει σύνδεση την
τρέχουσα χρονική στιγμή, αλλά και εκείνες που αφορούν και όλες τις υπόλοιπες κεραίες
που είναι ορατές. Έτσι γίνεται μια αντιστοίχιση ενός σημείου του χώρου με τα επίπεδα
σημάτων που υφίστανται εκεί.
Επομένως, το πρόβλημα του προσδιορισμού μίας θέσης ανάγεται σε μια
διαδικασία αναζήτησης της βάσης δεδομένων με κριτήριο μία RSSI υπογραφή, όπως
φαίνεται και στην Εικόνα 7. Μια κοινή πρακτική [9] είναι η σύγκριση της παραπάνω
υπογραφής με όλες εκείνες που προέρχονται από την διαδικασία της εκπαίδευσης. Τότε
υπολογίζεται η ευκλείδεια απόσταση (στον χώρο της λαμβανόμενης ισχύος ενός
σήματος) με κάθε διαθέσιμο αποτύπωμα. Έπειτα, επιλέγονται οι k-καλύτερες
υπογραφές της βάσης δεδομένων ως πιθανοί δείκτες της τρέχουσας τοποθεσίας της
συσκευής και η προσέγγιση του τελικού αποτελέσματος προκύπτει από τον μέσο όρο
των γεωγραφικών συντεταγμένων των k-καλύτερων αποτυπωμάτων (Αλγόριθμος KNearest Neighbors [9]).
14
Η ακρίβεια της μεθόδου αυτής είναι άμεσα εξαρτημένη από την πυκνότητα των
αποτυπωμάτων στο χώρο. Μια προτεινόμενη πυκνότητα είναι της τάξης του ενός
δείγματος ανά τετραγωνικό μέτρο [9], πράγμα που σημαίνει ότι απαιτείται η αφιέρωση
πολλών ωρών για τη διαδικασία της εκπαίδευσης. Παράλληλα, η μέγιστη ακρίβεια που
μπορεί να επιτευχθεί είναι της τάξης των δεκάδων μέτρων, οπότε η παρούσα τεχνική δεν
μπορεί να φανεί χρήσιμη για τον προσδιορισμό θέσης μίας συσκευής σε κλειστούς
χώρους όπου η προσέγγιση θέσης πρέπει να είναι μονοψήφιος αριθμός.
Εικόνα 7 Ροή πληροφορίας κατά τον προσδιορισμό θέσης μίας συσκευής με την
μέθοδο Fingerprinting
3.3.3 Modeling-based Techniques
Οι τεχνικές αυτές αποπειρώνται να εκφράσουν την σχέση της λαμβανόμενης
ισχύος ενός σήματος με την απόσταση χρησιμοποιώντας κάποιο μαθηματικό μοντέλο.
Έτσι με τη χρήση αυτού του μοντέλου ένας αλγόριθμος, εφόσον έχει διαθέσιμη την
λαμβανόμενη ισχύ του σήματος ενός κινητού μπορεί να υπολογίσει μία προσέγγιση της
τρέχουσας θέσης του.
15
Μία ενδιαφέρουσα προσέγγιση αυτής της τεχνικής [9] χρησιμοποιεί μία Gaussian
διαδικασία για να εκφράσει την σχέση ανάμεσα στα δύο μεγέθη, υποθέτοντας ότι η
λαμβανόμενη ισχύς του σήματος yi στην τοποθεσία xi είναι:
yi = f (xi) + ei
(1)
όπου ei είναι το αθροιστικό γκαουσιανό σφάλμα, μηδενικής μέσης τιμής με γνωστή
τυπική απόκλιση σn2 .
Το χτίσιμο ενός τέτοιου εκτιμητή απαιτεί τη διαδικασία λήψης fingerprints όπως
και στην προηγούμενη μέθοδο, αλλά δεν είναι απαραίτητη μια τόσο πυκνή
δειγματοληψία στον χώρο. Αυτά τα αποτυπώματα χρησιμοποιούνται για τον
υπολογισμό των παραμέτρων του μοντέλου και για να υπολογιστεί το
f(xn) για κάθε
τοποθεσία xn. Αυτό μειώνει, όπως προαναφέρθηκε, το απαιτούμενο σύνολο των
αποτυπωμάτων και παρέχει έναν μηχανισμό ώστε να επεκταθεί ένα αραιό σύνολο
μετρήσεων σε ένα πυκνότερο, αφού υπολογίζει τιμές RSS για οποιοδήποτε ενδιάμεση
τοποθεσία.
Η ακρίβεια που μπορεί να παρέχει η μέθοδος αυτή, ωστόσο, δεν είναι καλύτερη
από την μέθοδο fingerprinting. Εκτός αυτού, η τεχνική αυτή απαιτεί αυξημένη
επεξεργαστική ισχύ, που σημαίνει δυσκολία προσαρμογής της σε κινητά τηλέφωνα,
όπου η εξοικονόμηση ενέργειας είναι πολύ σημαντική. Επίσης, το μοντέλο αυτό
ενδέχεται να μην προσεγγίζει ικανοποιητικά το πραγματικό περιβάλλον οπότε το
σφάλμα να είναι ακόμα πιο μεγάλο.
3.4
Bluetooth localization
Μια ενδιαφέρουσα αντιμετώπιση στο πρόβλημα του indoor localization είναι η
χρήση της τεχνολογίας Bluetooth. Εδώ και αρκετά χρόνια, όλα τα κινητά τηλέφωνα είναι
εξοπλισμένα με την διεπαφή αυτή για την διευκόλυνση αποστολής αρχείων ή για την
επικοινωνία με άλλες περιφερειακές συσκευές. Τελευταία μάλιστα, που έχει εμφανιστεί
η τεχνολογία Bluetooth LE ή αλλιώς Bluetooth Smart, που χαρακτηρίζεται από πολύ
χαμηλή κατανάλωση ισχύος, το Bluetooth έχει γίνει αρκετά δημοφιλές και σε εφαρμογές
πέρα των κινητών τηλεφώνων. Αυτή η κατάσταση επιτρέπει τη δημιουργία δικτύων
16
αισθητήρων BT σε κλειστούς χώρους για υπηρεσίες εντοπισμού θέσης. Παρακάτω θα
παρουσιαστούν οι βασικότερες τεχνικές που χρησιμοποιούνται σήμερα.
3.4.1 Received Signal Strength Indicator
To RSSI μπορεί να χρησιμοποιηθεί για την γεωμετρική προσέγγιση του
προσδιορισμού της τοποθεσίας ενός αντικειμένου. Η τεχνική αυτή βασίζεται στην
μέτρηση της απόσβεσης ενός σήματος, δηλαδή της έντασης με την οποία φτάνει σε έναν
δέκτη σε σχέση με την ένταση εκπομπής. Η εξασθένιση του σήματος οφείλεται κυρίως
στην απόσταση την οποία έχει διανύσει μέσα στον χώρο, επομένως μπορεί να
χρησιμοποιηθούν μαθηματικές εξισώσεις που περιγράφουν την αναμενόμενη μείωση
της ισχύος ενός σήματος βάσει της απόστασης που διανύει [11] για τον προσδιορισμό
θέσης. Μια τέτοια προσέγγιση, ωστόσο, δεν είναι από μόνη της αποδοτική, λόγω του ότι
δεν λαμβάνει υπόψιν τους υπόλοιπους παράγοντες εξασθένισης ενός σήματος, όπως για
παράδειγμα είναι η ανομοιομορφία του μέσου μετάδοσης, κι επίσης η ακρίβεια της θέσης
ανάγεται στην περιφέρεια ενός κύκλου με κέντρο το σημείο εγκατάστασης του πομπού
και ακτίνα την απόσταση που έχει υπολογιστεί παραπάνω. Θα μπορούσε βέβαια να
φανεί χρήσιμη κυρίως σε συστήματα που έχουν σχεδιαστεί να παρέχουν ακρίβεια σε
επίπεδο δωματίου.
3.4.2 Trilateration
Αυτός ο αλγόριθμος χρησιμοποιεί αρχικά ένα μαθηματικό μοντέλο διάδοσης
ηλεκτρομαγνητικού σήματος, ώστε να υπολογίσει την απόσταση ενός σημείου από τρεις
σταθερούς κόμβους που το περιβάλλουν και η τοποθεσία τους είναι εκ των προτέρων
γνωστή [12].
Στη βιβλιογραφία [13] το μαθηματικό μοντέλο για τον υπολογισμό απόστασης
γνωρίζοντας την ένταση του λαμβανόμενου σήματος που μπορεί να εφαρμοστεί σε
σήματα Bluetooth είναι το παρακάτω:
𝑑
𝑃 (𝑑 ) = 𝑃(𝑑o) − 10 𝑛 log ( )
𝑑o
17
(2)
Όπου 𝑃 (𝑑 ) είναι το λαμβανόμενο σήμα, 𝑃 (𝑑o) είναι η ισχύς του σήματος σε κάποιο
σημείο αναφοράς και n είναι η σταθερά απόσβεσης που σχετίζεται με το μέσο
μετάδοσης. Για μετρήσεις σε εσωτερικούς χώρους η τιμή της μεταβλητής n κυμαίνεται
από 1 έως 4.
Επομένως, έχοντας εκφράσει την ισχύ των λαμβανόμενων σημάτων από τους
τρεις περιβάλλοντες πομπούς σε απόσταση, μπορεί να χρησιμοποιηθεί η διαδικασία του
τριπλευρισμού ώστε να προσδιορισθεί η θέση της κινητής συσκευής. Για να γίνει
κατανοητή η μέθοδος, ας τεθεί υπόψιν η Εικόνα 8, όπου εμφανίζεται η περίπτωση τριών
σταθερών κόμβων Ν0, Ν1, Ν2 των οποίων οι χωρικές συντεταγμένες είναι γνωστές (Χ 0,
Εικόνα 8 Μέθοδος Τριπλευρισμού
Υ0), (Χ1, Υ1) και (Χ2, Υ2) κι επίσης γνωστές είναι οι αποστάσεις ενός κινητού σημείου
Μ(x,y) με τους τρεις κόμβους, εδώ D0, D1 και D2.
Έχοντας γνωστά τα παραπάνω μπορεί να υπολογιστούν οι συντεταγμένες του σημείου
M με το ακόλουθο μοντέλο. Από την εξίσωση που περιγράφει τα σημεία της περιφέρειας
ενός κύκλου προκύπτει:
𝐷𝑖2 = (𝑥 − 𝑋𝑖 )2 + (𝑦 − 𝑌𝑖 )2
(3)
για i = 0, 1, ... , m – 1
όπου m είναι το σύνολο των διαθέσιμων κόμβων, εδώ m = 3
Είναι εφικτό, λοιπόν, να σχηματιστεί ένα γραμμικό σύστημα εξισώσεων δύο αγνώστων
18
𝐴𝑥⃗ = 𝑏⃗⃗
(4)
Όπου:
𝛢= [
2(𝑋1 − 𝑋0 )
2(𝑋2 − 𝑋0 )
2(𝑌1 − 𝑌0 )
]
2(𝑌2 − 𝑌0 )
𝑥
𝑥
⃗⃗⃗⃗ = [𝑦]
(𝑋1 2 − 𝑋0 2) + (𝑌1 2 + 𝑌0 2 ) − (𝐷1 2 + 𝐷0 2 )
⃗⃗
𝑏= [ 2
]
(𝑋2 − 𝑋0 2 ) + (𝑌2 2 + 𝑌0 2) − (𝐷2 2 + 𝐷0 2 )
(5)
(6)
(7)
Η λύση των εξισώσεων μπορεί να είναι το διάνυσμα (x’,y’) που ελαχιστοποιεί το δ της
σχέσης (8)
𝑇
𝛿 = (𝛢𝑥⃗ ′ − 𝑏⃗⃗) (𝛢𝑥⃗ ′ − 𝑏⃗⃗)
(8)
𝑥′
𝑥
⃗⃗⃗⃗′ = [ ]
𝑦′
(9)
το οποίο με Ελαχιστοποίηση Μέσου Τετραγωνικού Σφάλματος (MMSE) μπορεί τελικά να
εκφραστεί ως:
𝑥
⃗⃗⃗⃗′ = (𝛢𝛵 𝛢)−1𝛢𝛵 𝑏⃗⃗
(10)
Με την παραπάνω σχέση μπορεί να υπολογιστεί η θέση στην οποία βρίσκεται το κινητό
σημείο Μ ή με άλλα λόγια ο χρήστης μιας συσκευής Bluetooth.
19
Βασική προϋπόθεση για την λειτουργία του αλγορίθμου αυτού είναι να είναι
ορατό το σήμα από τουλάχιστον τρεις διαφορετικές πηγές. Επομένως, είναι αναγκαία η
τοποθέτηση πολλών πομπών BT σε ένα κτήριο ώστε ανά πάσα χρονική στιγμή να είναι
ορατοί τουλάχιστον τρεις. Επίσης, μιας και η εμβέλεια αυτών των σημάτων δεν είναι
πολύ μεγάλη, αλλά της τάξης των 5 με 15 μέτρων, πρέπει να αυξηθεί ακόμα περισσότερο
ο αριθμός τους, όταν το περιβάλλον αποτελείται από μία σύνθετη κτηριακή δομή.
Ωστόσο με αυτή την τεχνική η ακρίβεια που έχει επιτευχθεί είναι περίπου τα 4.5 μέτρα
[14], η οποία είναι πολύ καλύτερη από όλες τις μεθόδους που παρουσιάστηκαν στο
παρόν έγγραφο μέχρι στιγμής.
3.4.3 Fingerprinting
Η μέθοδος αυτή είναι παρόμοια με εκείνη που χρησιμοποιείται στην ενότητα
3.3.2 και γι’ αυτό δεν θα αναλυθεί εις βάθος. Ο πιο διαδεδομένος αλγόριθμος είναι ο KNN, ο οποίος απαρτίζεται από δύο φάσεις. Η πρώτη είναι η offline φάση της εκπαίδευσης,
κατά την οποία ο χώρος καρατομείται σε ένα τετραγωνικό πλέγμα και σε κάθε κομμάτι
αυτού γίνονται μετρήσεις RSSI. Από την διαδικασία αυτή σχηματίζεται ένας πίνακας
διανυσμάτων, τα οποία περιέχουν όλα τα RSSI των σημάτων που εντοπίστηκαν σε ένα
κομμάτι του πλέγματος, καθώς και τις χωρικές συντεταγμένες του αντίστοιχου σημείου.
Η δεύτερη είναι η online φάση του αλγορίθμου η οποία συγκρίνει τα RSSI που είναι
διαθέσιμα εκείνη τη στιγμή με εκείνα που προϋπάρχουν από το offline στάδιο της
διαδικασίας. Έτσι εντοπίζονται οι k-καλύτεροι γείτονες των οποίων οι συντεταγμένες
συμψηφίζονται ώστε να υπολογιστεί η τρέχουσα θέση της συσκευής.
Η μέθοδος αυτή μπορεί να επιτύχει πολύ καλύτερη ακρίβεια σε σχέση με τον
τριπλευρισμό. Συγκεκριμένα οι ερευνητές στο [12] πέτυχαν μέσο σφάλμα 3.37 μέτρα.
Ωστόσο, το βασικότερο μειονέκτημα αυτής της τεχνικής είναι το γεγονός ότι η offline
διαδικασία είναι πολύ χρονοβόρα, και μπορεί να καταστεί απαγορευτική για κτήρια με
πολύ μεγάλη επιφάνεια.
20
3.4.4 Συμπεράσματα
Οι τεχνικές που παρουσιάστηκαν παραπάνω δείχνουν ότι η τεχνολογία Bluetooth
είναι αποδοτική εάν επιλεγεί να ενσωματωθεί σε εφαρμογές προσδιορισμού θέσης για
εσωτερικούς χώρους, αφού μπορεί να γίνει με μέσο σφάλμα της τάξης των λίγων μέτρων.
Παρόλα αυτά, δεν αποτελεί ιδεατή λύση για το πρόβλημα που καλείται να αντιμετωπίσει
η εφαρμογή της παρούσας διπλωματικής εργασίας, αφού ο χώρος του πανεπιστημίου,
όπου και θα λειτουργήσει η υπηρεσία αυτή, είναι πολύ μεγάλος με αποτέλεσμα να
απαιτείται η εγκατάσταση μεγάλου αριθμού συσκευών Bluetooth. Επίσης, η
Πολυτεχνική Σχολή καλύπτεται σχεδόν ολοκληρωτικά από ασύρματο δίκτυο Wifi, οπότε
είναι απαραίτητο να εξεταστεί εάν αυτή η τεχνολογία μπορεί να παρέχει παρόμοια ή
καλύτερη ακρίβεια στον εντοπισμό της θέσης μίας συσκευής. Αυτή η διερεύνηση
ακολουθεί στην αμέσως επόμενη ενότητα.
3.5
Wifi Positioning System (WPS)
Ιδανική προσέγγιση στο πρόβλημα του προσδιορισμού θέσης θα ήταν η
κατασκευή ενός μοντέλου που να περιγράφει την διάδοση του ηλεκτρομαγνητικού
σήματος στον χώρο. Κάτι τέτοιο, ωστόσο, δεν είναι εφικτό μέχρι στιγμής [15], λόγω του
έντονου πολυδιαδρομικού φαινομένου (multipath), της μικρής πιθανότητας να υπάρχει
άμεση οπτική επαφή (LOS) δέκτη-πομπού και των ειδικών χωρικών παραμέτρων, όπως
είναι τα κινούμενα αντικείμενα, οι πολυώροφες κτηριακές δομές και οι πολλαπλές
κατοπτρικές επιφάνειες. Εκτός από την παραδοσιακή μέθοδο της τριγωνοποίησης,
έχουν αναπτυχθεί αλγόριθμοι που βασίζονται στην σχηματική ανάλυση ή στην εγγύτητα
και χρησιμοποιούνται ώστε να μετριαστεί το σφάλμα θέσης [32].
Η ενότητα αυτή, λοιπόν, θα αναλύσει τον τρόπο λειτουργίας των συστημάτων
εντοπισμού θέσης μέσω ασύρματου δικτύου Wifi ή αλλιώς WPS και θα παρουσιάσει τις
σημαντικότερες τεχνικές που συναντώνται αυτήν τη στιγμή στη βιβλιογραφία.
21
3.5.1 Τριγωνοποίηση
Η τριγωνοποίηση κάνει χρήση των γεωμετρικών ιδιοτήτων των τριγώνων ώστε
να προσεγγίσει μία τοποθεσία και χωρίζεται σε δύο μέρη, τον πολυπλευρισμό
(multilateration) και την μέτρηση γωνιών (angulation). Η πρώτη μέθοδος υπολογίζει την
θέση ενός αντικειμένου γνωρίζοντας τις αποστάσεις του από πολλαπλά σημεία
αναφοράς. Οι αποστάσεις αυτές δεν μπορούν να μετρηθούν άμεσα και για τον λόγο αυτό
χρησιμοποιούνται δευτερογενείς μετρήσεις, όπως είναι η ισχύς του λαμβανόμενου
σήματος (RSS), ο χρόνος αφίξεως (TOA) και η διαφορά του χρόνου αφίξεως (TDOA) ενός
σήματος. Έτσι η απόσταση μπορεί να βρεθεί είτε μέσω υπολογισμού της απόσβεσης του
εκπεμπόμενου σήματος, είτε πολλαπλασιάζοντας την ταχύτητα διάδοσής του με τον
χρόνο άφιξης. Επίσης κάποια συστήματα χρησιμοποιούν το RTOF (Roundtrip Time Of
Flight) ή τη μέθοδο που βασίζεται στην φάση του λαμβανόμενου σήματος. Από την άλλη,
η μέθοδος των γωνιών εντοπίζει αντικείμενα αφού υπολογίσει πρώτα τις σχετικές
γωνίες ανάμεσα στα σημεία αναφοράς.
3.5.1.1 Τεχνικές Πολυπλευρισμού
i) TOA: Η απόσταση ενός κινητού αντικειμένου από ένα σημείο αναφοράς το
οποίο λαμβάνει τις μετρήσεις, είναι ανάλογη με τον χρόνο διάδοσης του
σήματος μέσα στον χώρο. Για να είναι δυνατός ο προσδιορισμός θέσης στις δύο
διαστάσεις, TOA μετρήσεις πρέπει να γίνονται αναφορικά με σήματα από
τουλάχιστον τρία σημεία αναφοράς [17], όπως φαίνεται στην Εικόνα 9. Στα
Εικόνα 9 Positioning βασιζόμενο σε μετρήσεις TOA/RTOF
συστήματα αυτά γίνεται μέτρηση του χρόνου διάδοσης και υπολογίζεται έτσι
η απόσταση μεταξύ πομπού και δέκτη. Τα κυριότερα προβλήματα που
22
δημιουργούνται με τη χρήση αυτής της μεθόδου είναι αφενός το γεγονός ότι
όλοι οι πομποί και οι δέκτες του συστήματος οφείλουν να είναι συγχρονισμένοι
και αφετέρου το σήμα πρέπει να περιέχει ένα timestamp σχετικό με την
χρονική στιγμή που μεταδόθηκε, ώστε η μονάδα μετρήσεων να μπορεί να
υπολογίσει τον χρόνο διάδοσης.
Μία προσέγγιση για τον υπολογισμό των σημείων τομής των κύκλων ΤΟΑ
είναι η χρήση γεωμετρικής μεθόδου. Ωστόσο, η θέση ενός αντικειμένου μπορεί
επίσης να υπολογιστεί ελαχιστοποιώντας το άθροισμα των τετραγώνων μιας
μη γραμμικής συνάρτησης κόστους, όπως για παράδειγμα ο αλγόριθμος
ελαχίστων τετραγώνων [17], [18], ο οποίος θεωρεί ότι το κινητό τερματικό
που βρίσκεται στο σημείο (x0, y0) εκπέμπει ένα σήμα τη χρονική στιγμή t0 και
οι Ν κόμβοι που βρίσκονται στα σημεία (x1, y1), (x2, y2),…, (xΝ, yΝ) το λαμβάνουν
τις χρονικές στιγμές t1, t2,…,tΝ αντίστοιχα. Έτσι η συνάρτηση κόστους μπορεί
να σχηματιστεί ως
𝑁
𝐹⃗ (𝑥⃗ ) = ∑ 𝑎𝑖2 𝑓𝑖2(𝑥⃗)
𝑖=1
(11)
όπου ai μπορεί να επιλεγεί τέτοιο ώστε να αποδίδει την αξιοπιστία του
λαμβανόμενου σήματος στον κόμβο i και 𝑓𝑖 (𝑥⃗) όπως ακολούθως:
𝑓𝑖 (𝑥⃗ ) = 𝑐(𝑡𝑖 − 𝑡) − √(𝑥𝑖 − 𝑥 )2 + (𝑦𝑖 − 𝑦)2
(12)
όπου c είναι η ταχύτητα του φωτός, και 𝑥⃗ = (𝑥, 𝑦, 𝑡)𝑇 . Η συνάρτηση αυτή
σχηματίζεται για κάθε κόμβο i του συστήματος που λαμβάνει τις μετρήσεις και
μπορεί να ισούται με μηδέν με την κατάλληλη επιλογή των x, y και t. Έτσι ο
προσδιορισμός της θέσης μπορεί να επιτευχθεί ελαχιστοποιώντας την
συνάρτηση 𝐹⃗ (𝑥⃗).
Υπάρχουν κι άλλοι αλγόριθμοι βασισμένοι στην τεχνική TOA όπως είναι ο
αλγόριθμος του κοντινότερου γείτονα (CN) και ο Residual Weighting RWGH
23
[18]. Ο πρώτος προσεγγίζει την θέση ενός χρήστη θεωρώντας πως αυτή
συμπίπτει με τη θέση του κοντινότερου στον χρήστη πομπού ή σημείου
αναφοράς. Ο δεύτερος μπορεί να θεωρηθεί ως μία μορφή αλγορίθμου
σταθμισμένου μέσου τετραγωνικού σφάλματος και είναι ιδανικός για
συνθήκες δικτύου LOS, NLOS και συνδυασμό LOS/NLOS.
ii) TDOA: Η βασική ιδέα του TDOA είναι να εξακριβώσει τη σχετική θέση ενός
κινητού πομπού εξετάζοντας την χρονική διαφορά κατά την οποία το σήμα
φθάνει σε πολλαπλά σημεία μέτρησης, παρά την απόλυτη καθυστέρηση που
χρησιμοποιεί ο ΤΟΑ. Σε κάθε μέτρηση, ο πομπός πρέπει να βρίσκεται σε ένα
υπερβολοειδές με διαφορά σταθερού εύρους μεταξύ των δύο κόμβων/σημείων
μέτρησης. Η εξίσωση του υπερβολοειδούς δίνεται παρακάτω:
𝑅𝑖,𝑗 = √(𝑥𝑖 − 𝑥)2 + (𝑦𝑖 − 𝑦)2 + (𝑧𝑖 − 𝑧)2
− √(𝑥𝑗 − 𝑥)2 + (𝑦𝑗 − 𝑦)2 + (𝑧𝑗 − 𝑧)2
(12)
όπου (𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 ) και (𝑥𝑗 , 𝑦𝑗 , 𝑧𝑗 ) αντιπροσωπεύουν τους σταθερούς δέκτες i
και j και (𝑥, 𝑦, 𝑧) τις συντεταγμένες του κινητού [16]. Εκτός από τις ακριβείς
λύσεις της εξίσωσης (12) μέσω μη γραμμικής παλινδρόμησης, μια επίλυση είναι
με τη γραμμικοποίηση της (12) αναπτύσσοντάς την σε σειρά Taylor κι έπειτα
με τη δημιουργία ενός επαναληπτικού αλγορίθμου [19].
Για τον προσδιορισμό μίας θέσης στον δισδιάστατο χώρο απαιτούνται δύο
τομές μεταξύ δύο ή και περισσοτέρων TDOA μετρήσεων, όπως φαίνεται και
Εικόνα 10 Positioning βασισμένο σε
μετρήσεις TDOA
24
στην Εικόνα 10. Δύο υπερβολές σχηματίζονται από δύο μετρήσεις TDOA σε
τρία σταθερά σημεία (A,B και C) ώστε να παρέχουν ένα σημείο τομής, που
αντιστοιχεί στο κινητό τερματικό P.
Η συμβατική μέθοδος για τον υπολογισμό TDOA προσεγγίσεων είναι η
χρήση τεχνικών που βασίζονται σε συσχετίσεις. Ο χρόνος ΤDOA μπορεί να
προσεγγισθεί από την ετεροσυσχέτιση μεταξύ των σημάτων που λαμβάνονται
σε ένα ζεύγος κόμβων. Ας υποτεθεί ότι για το εκπεμπόμενο σήμα s(t), το
λαμβανόμενο σήμα στον κόμβο i είναι xi(t). Επίσης ας θεωρηθεί ότι το xi(t) έχει
αλλοιωθεί από τον θόρυβο ni(t) και έχει υποστεί καθυστέρηση di , οπότε και
𝑥𝑖 (𝑡) = 𝑠(𝑡 − 𝑑𝑖 ) + 𝑛𝑖 (𝑡)
(13)
Ομοίως, το σήμα που φθάνει στον κόμβο j μπορεί να εκφραστεί ως
𝑥𝑗 (𝑡) = 𝑠(𝑡 − 𝑑𝑗 ) + 𝑛𝑗 (𝑡) .
(14)
Η συνάρτηση ετεροσυσχέτισης αυτών των δύο σημάτων δίνεται παρακάτω,
εάν Τ είναι η χρονική περίοδος.
1 𝛵
𝑅̂𝑥𝑖,𝑥𝑗 (𝜏) = ∫0 𝑥𝑖 (𝑡)𝑥𝑗 (𝑡 − 𝜏)𝑑𝑡 .
𝑇
(15)
H προσέγγιση TDOA είναι η τιμή τ που μεγιστοποιεί την 𝑅𝑥𝑖 ,𝑥𝑗 (𝜏). Αυτή η
μέθοδος απαιτεί οι κόμβοι που λαμβάνουν τις μετρήσεις να είναι απόλυτα
συγχρονισμένοι, κάτι που όμως δεν είναι απαραίτητο και για το κινητό μέρος
που καλείται να εντοπιστεί. Για τον υπολογισμό του τ χρησιμοποιούνται
υπολογιστικές τεχνικές στο πεδίο της συχνότητας.
25
iii) RSS - Based Method: Τα δύο προηγούμενα συστήματα που αναφέρθηκαν έχουν
ορισμένα μειονεκτήματα. Σε indoor περιβάλλοντα είναι δύσκολο να βρεθεί ένα
κανάλι LOS μεταξύ ενός πομπού κι ενός δέκτη, και επίσης η διάδοση του
σήματος πάσχει από έντονα πολυδιαδρομικά φαινόμενα. Ο χρόνος και η γωνία
ενός λαμβανόμενου σήματος επηρεάζεται σημαντικά από τα φαινόμενα αυτά,
οπότε η ακρίβεια του αλγορίθμου μειώνεται σημαντικά. Μια εναλλακτική
αντιμετώπιση είναι ο προσδιορισμός της απόστασης ενός κινητού
αντικειμένου από ένα σύνολο σταθερών κόμβων με τη χρήση της απόσβεσης
της λαμβανόμενης ισχύος (RSS) του σήματος. Αυτή η μέθοδος αποπειράται να
Εικόνα 11 RSS-Positioning, όπου LS1,LS2 και LS3 υποδηλώνουν τις
αποστάσεις του κινητού από τα σταθερά σημεία αναφοράς
εκφράσει την ισχύ ενός σήματος σε απόσταση χρησιμοποιώντας θεωρητικά
και εμπειρικά μοντέλα, όπως φαίνεται στην Εικόνα 11.
Λόγω του έντονου multipath fading και shadowing effect στους κλειστούς
χώρους, τα μοντέλα αυτά δεν είναι πάντα επαρκή. Οι παράμετροί τους είναι
αλληλένδετα συνδεδεμένες με κάποια συγκεκριμένη περιοχή και εν γένει δεν
μπορούν να χρησιμοποιηθούν αλλού. Η ακρίβεια της μεθόδου αυτής, βέβαια,
μπορεί να βελτιωθεί χρησιμοποιώντας προϋπολογισμένες RSS καμπύλες
κεντραρισμένες στον δέκτη [20] ή πολλαπλές μετρήσεις που έχουν γίνει σε
πολλούς σταθερούς κόμβους. Ένας αλγόριθμος βασισμένος στην ασαφή
λογική παρουσιάζεται στο [21] και μπορεί να βελτιώσει αισθητά την ακρίβεια
ενός τέτοιου συστήματος.
26
iv) RTOF: Η μέθοδος αυτή αναφέρεται στον χρόνο που χρειάζεται ένα σήμα για να
ταξιδέψει από τον πομπό στον δέκτη και να επιστρέψει πίσω στον πομπό
(Εικόνα 9). Εδώ, δεν είναι τόσο αυστηρή η προϋπόθεση ότι οι σταθεροί κόμβοι
(δηλαδή τα σημεία λήψης των μετρήσεων), οφείλουν να είναι απόλυτα
συγχρονισμένοι, καθώς η λειτουργία τους μοιάζει περισσότερο με εκείνη ενός
κοινού radar. Ένα κινητό αντικείμενο δέχεται το σήμα του πομπού και απαντά
άμεσα με την εκπομπή ενός άλλου σήματος, με αποτέλεσμα να μπορεί να
μετρηθεί ο συνολικός χρόνος αυτής της διαδικασίας. Ωστόσο, είναι δύσκολο
για τους κόμβους να γνωρίζουν τον ακριβή χρόνο που χρειάζεται η κινητή
συσκευή για να επεξεργαστεί το αίτημά τους και να προβεί σε εκπομπή του
αντίστοιχου σήματος. Σε συστήματα μεγάλου ή μεσαίου χρονικού πλαισίου η
καθυστέρηση αυτή μπορεί να θεωρηθεί αμελητέα σε σχέση με τον χρόνο
διάδοσης του σήματος. Σε συστήματα, όμως, μικρού βεληνεκούς δεν μπορεί να
Εικόνα 12 Προσδιορισμός θέσης βάσει της
φάσης του σήματος
αγνοηθεί και συνήθως είναι ένας παράγοντας αύξησης του τελικού σφάλματος
της μεθόδου. Ένας αλγόριθμος για την μέτρηση του RTOF για ασύρματα LAN
πακέτα παρουσιάζεται στο [22] με σφάλμα εκτίμησης λίγων μέτρων.
Επιπρόσθετα, όσοι αλγόριθμοι υπολογισμού θέσης εφαρμόζονται για ΤΟΑ
μπορούν αυτούσιοι να εφαρμοστούν και για RTOF συστήματα.
v) Received Signal Phase Mode: Η μέθοδος αυτή χρησιμοποιεί την φάση του
φέροντος (ή απλά τη διαφορά φάσης) για να προσδιορίσει την απόσταση ενός
δέκτη από τον πομπό και συναντάται στη βιβλιογραφία και ως POA [15].
Αρχικά θεωρείται πως όλοι οι σταθεροί σταθμοί – πομποί εκπέμπουν
ημιτονοειδή σήματα της ίδιας συχνότητας f με μηδενική αρχική φάση ώστε να
είναι δυνατός ο εντοπισμός της διαφοράς φάσης από έναν δέκτη. Το σήμα
27
αυτό, από τη στιγμή της εκπομπής μέχρι την λήψη από τον δέκτη απαιτεί ένα
πεπερασμένο χρόνο διάδοσης. Στην Εικόνα 12 οι σταθμοί εκπομπής Α – D είναι
τοποθετημένοι σε συγκεκριμένες θέσεις εντός ενός φανταστικού κτηρίου σε
σχήμα κύβου. Η καθυστέρηση το σήματος εκφράζεται ως ένα κλάσμα του
μήκους κύματος και εκφράζεται με το σύμβολο φi
𝜑𝑖 = (2𝜋𝑓𝐷𝑖 )/𝑐
(15)
𝑆𝑖 (𝑡) = 𝑠𝑖𝑛(2𝜋𝑓𝑡 + 𝜑𝑖 )
(16)
στην εξίσωση
όπου i ∈ (A,B,C,D) και c είναι η ταχύτητα του φωτός. Όσο ισχύει η προϋπόθεση
ότι το μήκος κύματος του εκπεμπόμενου σήματος να είναι μεγαλύτερο της
διαγωνίου του κτηρίου, δηλαδή 0 < φi < 2π, μπορεί να υπολογισθεί η εκτίμηση
της απόστασης ως
𝐷𝑖 =
𝑐𝜑𝑖
.
2𝜋𝑓
(17)
Έπειτα έχοντας πλέον τις αποστάσεις του δέκτη από όλους τους σταθερούς
σταθμούς μπορεί να εφαρμοστούν οι αλγόριθμοι προσδιορισμού θέσης της
μεθόδου TOA. Ο δέκτης, επίσης, μπορεί να μετρά διαφορές φάσεως μεταξύ δύο
σημάτων που προέρχονται από ζεύγη πομπών, έτσι ώστε να δύνανται να
υιοθετηθούν οι αλγόριθμοι εντοπισμού θέσης που χρησιμοποιούνται και στην
μέθοδο TDOA.
Σε ένα σύστημα θεσιθεσίας για εσωτερικούς χώρους είναι δυνατό να
χρησιμοποιηθεί η μέθοδος διαφοράς φάσης ταυτόχρονα με τις μεθόδους
TOA/TDOA ή RSS ώστε να βελτιωθεί η ακρίβεια. Ωστόσο, η παρούσα τεχνική
αντιμετωπίζει ένα σημαντικό πρόβλημα, εκείνο των αμφιλεγόμενων
μετρήσεων φάσης φέροντος που οφείλονται στο φαινόμενο πολυδιαδρομικής
διάδοσης. Εάν δεν υπάρχει μία LOS διαδρομή, μπορεί να προκληθούν
28
περισσότερα σφάλματα με τη χρήση αυτής της μεθόδου παρά να επιτευχθεί
βελτίωση.
3.5.1.2 Μέθοδος των γωνιών (AOA Estimation)
Στη μέθοδο αυτή, η θέση ενός επιθυμητού στόχου μπορεί να εντοπισθεί από την
τομή ενός αριθμού ζευγών από κατευθυντήριες ευθείες που σχηματίζονται από την
ακτινική απόσταση του στόχου με τους σταθερούς σταθμούς. Όπως φαίνεται στην
Εικόνα 13 οι τεχνικές ΑΟΑ χρειάζονται τουλάχιστον δύο γνωστά σημεία αναφοράς Α και
Β και δύο μετρήσεις γωνιών τις θ1 και θ2 για να παράγουν το 2-D στίγμα της θέσης ενός
αντικειμένου P. Ο προσδιορισμός της γωνίας άφιξης μπορεί να επιτευχθεί είτε με τη
χρήση κατευθυντικών κεραιών είτε με τη χρήση συστοιχίας πολλών κεραιών.
Τα πλεονεκτήματα της μεθόδου αυτής είναι πως δεν απαιτείται μεγάλος αριθμός
σημείων αναφοράς για τον επιτυχή προσδιορισμό της θέσης ενός κινητού. Συγκεκριμένα
απαιτούνται τρία σημεία για 3-D positioning και μόλις δύο για 2-D positioning. Επίσης,
δεν απαιτείται συγχρονισμός μεταξύ των σταθερών μονάδων του συστήματος. Από την
άλλη τα μειονεκτήματα της είναι κυρίως πως απαιτείται σύνθετο και ακριβό hardware
αλλά και η ακρίβεια του αλγορίθμου μειώνεται αισθητά όταν ο κινητός στόχος
Εικόνα 13 Προσδιορισμός θέσης με
την τεχνική ΑΟΑ
απομακρύνεται αρκετά από τα σταθερά σημεία αναφοράς. Για ακριβή προσδιορισμό
θέσης, οι γωνίες που θα μετρηθούν πρέπει κι αυτές να είναι το δυνατόν πιο σωστές, αλλά
στα ασύρματα δίκτυα αυτό δεν είναι συχνά εφικτό, αφού η ακρίβεια των μετρήσεων
μειώνεται από τα φαινόμενα πολυδιαδρομικών ανακλάσεων και shadowing που
συμβαίνουν σε περιβάλλοντα κλειστών χώρων. Περισσότερες λεπτομέρειες για τα
χαρακτηριστικά και τους αλγορίθμους ΑΟΑ μπορούν να αντληθούν στα [23]-[25]
29
3.5.2 Scene Analysis
Η σχηματική ανάλυση σχετικά με συστήματα WPS αναφέρεται σε εκείνους τους
αλγορίθμους οι οποίοι αρχικά συλλέγουν δεδομένα (αποτυπώματα) σε ένα σύνολο
θέσεων και έπειτα προσδιορίζουν την τοποθεσία ενός αντικειμένου συγκρίνοντας τις
τρέχουσες μετρήσεις με τα ήδη υπάρχοντα αποτυπώματα. Το πιο δημοφιλές μέτρο που
χρησιμοποιείται είναι το RSS.
Το location fingerprinting αναφέρεται σε τεχνικές που συνδυάζουν το
αποτύπωμα ενός χαρακτηριστικού ενός σήματος που είναι εξαρτώμενο από την
τοποθεσία. Οι τεχνικές αυτές χωρίζονται σε δύο στάδια, το offline και το run-time ή
online στάδιο. Κατά τη διάρκεια του offline stage διενεργείται μια διερεύνηση στον
εστιαζόμενο χώρο και οι συντεταγμένες/αναγνωριστικά κάθε σημείου συνδέονται με τις
αντίστοιχες τιμές της λαμβανόμενης ισχύος των γειτονικών σταθμών. Στην online φάση,
μία τεχνική προσδιορισμού θέσης χρησιμοποιεί τις τρέχουσες τιμές RSS που
παρατηρούνται εκείνη τη στιγμή και σε συνδυασμό με εκείνες που υπάρχουν από την
offline διαδικασία προσδιορίζει την θέση του κινητού. Η μόνη πρόκληση που
αντιμετωπίζει η τεχνική αυτή είναι το γεγονός ότι η ισχύς του λαμβανόμενου σήματος
μπορεί να επηρεάζεται έντονα από ανακλάσεις, περιθλάσεις ή σκεδάσεις που οφείλονται
στην διάδοση μέσα σε κλειστούς χώρους.
Υπάρχουν τουλάχιστον πέντε αλγόριθμοι που βασίζονται στην παραπάνω
τεχνική μέχρι στιγμής και περιλαμβάνουν την πιθανοτική μέθοδο, τον αλγόριθμο των kκοντινότερων γειτόνων K-NN,τα νευρωνικά δίκτυα, την μέθοδο support vector machine
(SVM) και την τεχνική του μικρότερου πολυγώνου Μ-ακμών (SMP), οι οποίοι
παρουσιάζονται αμέσως μετά.
i) Πιθανοτική μέθοδος: Η μέθοδος αυτή ανάγει τον εντοπισμό θέσης σε ένα
πρόβλημα κατηγοριοποίησης. Αν θεωρηθεί ότι υπάρχουν n υποψήφιες
τοποθεσίες L1, L2, L3 ,… , Ln και s είναι το διάνυσμα που περιέχει την
λαμβανόμενη ισχύ των διαθέσιμων σημάτων που προέρχεται από την online
διαδικασία τότε μπορεί να χρησιμοποιηθεί ο παρακάτω κανόνας λήψης
αποφάσεων:
30
Επέλεξε την θέση Li αν P( Li | s ) > P( Lj | s ) ,
για i, j = 1, 2, 3, … , n,
(18)
j ≠ i.
Εδώ P( Li | s ) εκφράζει την πιθανότητα πως ένας κινητός κόμβος βρίσκεται
στην τοποθεσία Li , έχοντας σαν δεδομένο πως το διάνυσμα των λαμβανόμενων
σημάτων είναι το s. Επίσης ας θεωρηθεί ότι P(Li) είναι η πιθανότητα απλώς
ένας κινητός κόμβος να βρίσκεται στην τοποθεσία Li. Ο παραπάνω κανόνας
βασίζεται σε δεσμευμένες πιθανότητες. Με χρήση της φόρμουλας του Bayes
τώρα, και θεωρώντας πως P(Li) = P(Lj) για i, j = 1, 2, 3, … , n προκύπτει ο
ακόλουθος κανόνας που βασίζεται στο ενδεχόμενο ότι η P( s | Li ) είναι η
πιθανότητα ότι το διάνυσμα s σχηματίστηκε δεδομένου ότι ο κινητός κόμβος
βρίσκεται στην τοποθεσία Li.
Επέλεξε την θέση Li αν P( s | Li ) > P( s | Lj ) ,
για i, j = 1, 2, 3, … , n,
(19)
j ≠ i.
Μια άλλη αντιμετώπιση θεωρεί πως η πιθανότητα της κάθε υποψήφιας
τοποθεσίας ακολουθεί την Gaussian κατανομή, κι έτσι η μέση τιμή και η τυπική
της απόκλιση μπορεί να υπολογιστεί. Εάν οι μονάδες που λαμβάνουν τις
μετρήσεις είναι ανεξάρτητες, τότε μπορεί να υπολογισθεί η συνολική
πιθανότητα μίας συγκεκριμένης τοποθεσίας, πολλαπλασιάζοντας τις εκάστοτε
πιθανότητες όλων των μονάδων μεταξύ τους. Έτσι η πιθανότητα της κάθε
υποψήφιας τοποθεσίας μπορεί να υπολογιστεί από τις τιμές RSS που
προέρχονται από την online φάση και τέλος ο προσδιορισμός της θέσης του
κινητού να βρεθεί με χρήση του προηγούμενο κανόνα (σχέση 19). Ωστόσο αυτή
η τεχνική μπορεί να εφαρμοστεί μόνο για υποψήφιες τοποθεσίες οι οποίες
είναι διακριτές στον χώρο, ενώ ένα κινητό αντικείμενο θα μπορούσε να βρεθεί
σε όλες τις δυνατές θέσεις που υπάρχουν. Η προσεγγιστική δισδιάστατη θέση
(𝑥̂, 𝑦̂) που δίνεται στην σχέση (20) μπορεί να δώσει πιο ακριβή αποτελέσματα.
Συγκεκριμένα χρησιμοποιείται ο σταθμισμένος μέσος όλων των πιθανών
τοποθεσιών:
31
𝑛
(𝑥̂, 𝑦̂) = ∑(𝑃(𝐿𝑖 |𝑠)(𝑥𝐿𝑖 , 𝑦𝐿𝑖 )
𝑖=1
(20)
ii) kNN: Για τον αλγόριθμο αυτόν έγινε περιγραφή στην ενότητα 3.3.2. Ο kNN
χρησιμοποιεί τα online RSS δεδομένα ώστε να αναζητήσει τις k πιο ταιριαστές
θέσεις συγκριτικά με εκείνες που βρίσκονται σε μια βάση δεδομένων που
σχηματίστηκε σύμφωνα με την αρχή του μέσου τετραγωνικού σφάλματος.
Υπολογίζεται, έτσι, ο μέσος όρος αυτών των k θέσεων με ή χωρίς να
υιοθετηθούν οι RSS αποστάσεις ως βάρη και χρησιμοποιείται από τον
σταθμισμένο ή μη σταθμισμένο kNN αντίστοιχα ώστε να εξαχθεί μια τελική
προσέγγιση της θέσης του κινητού αντικειμένου. Σε αυτόν τον σχεδιασμό η
παράμετρος k είναι μέσο ρύθμισης της επίδοσης του αλγορίθμου.
iii) Νευρωνικά Δίκτυα: Κατά το offline στάδιο, τα RSS και οι αντίστοιχες
συντεταγμένες χρησιμοποιούνται σαν είσοδοι και έξοδοι για τη διαδικασία
εκπαίδευσης. Μετά την εκπαίδευση του νευρωνικού δικτύου παράγονται τα
κατάλληλα
βάρη.
Συνήθως,
για
neural-based
positioning
systems
χρησιμοποιείται ένα πολυεπίπεδο δίκτυο perceptron (MLP) με ένα κρυφό
επίπεδο. Το διάνυσμα εισόδου που περιέχει τις τιμές της λαμβανόμενης
ισχύος πολλαπλασιάζεται αρχικά με τον πίνακα των βαρών που προέρχεται
από την διαδικασία της εκπαίδευσης και προστίθεται στις πολώσεις του
input layer εάν αυτό είναι επιθυμητό. Το αποτέλεσμα καταλήγει στην
συνάρτηση μεταφοράς του κρυφού επιπέδου, η έξοδος της οποίας
πολλαπλασιάζεται με τον πίνακα των βαρών του κρυφού επιπέδου κι έπειτα
προστίθεται στον αντίστοιχο πίνακα των πολώσεων εάν αυτό επιλεγεί. Η
έξοδος του συστήματος είναι ένα διάνυσμα δύο ή τριών στοιχείων, που
σχηματίζουν την προσέγγιση μίας 2-D ή 3-D τοποθεσίας αντίστοιχα.
iv) SVM (Support Vector Machine): Η μέθοδος αυτή είναι σχετικά νέα και πολλά
υποσχόμενη στον τομέα της ταξινόμησης δεδομένων και της παλινδρόμησης.
Είναι ένα εργαλείο που χρησιμοποιείται στην στατιστική ανάλυση και σε
εφαρμογές machine-learning με ιδιαίτερα καλή συμπεριφορά και έχει
32
χρησιμοποιηθεί σε μία ευρεία γκάμα εφαρμογών στις επιστήμες και την
ιατρική [26], [27]. Η θεωρία της τεχνικής αυτής παρουσιάζεται στα [28] και
[29]. Επίσης, παραδείγματα χρήσης της σε προβλήματα εντοπισμού θέσης με
fingerprinting υπάρχουν στα [30] και [31].
v) SMP (Smallest M-vertex Polygon): Η τεχνική SMP χρησιμοποιεί τις online τιμές
RSS για να βρει τις πιθανές τοποθεσίες (στον χώρο RSS) αναφορικά με τον
κάθε πομπό ξεχωριστά. Δημιουργούνται πολύγωνα Μ-ακμών επιλέγοντας
τουλάχιστον μία τοποθεσία από κάθε πομπό (θεωρώντας πως ο αριθμός των
πομπών είναι Μ). Έπειτα, επιλέγεται το πολύγωνο που έχει την μικρότερη
περίμετρο και υπολογίζεται ο μέσος όρος των συντεταγμένων των ακμών
του. Το αποτέλεσμα της παραπάνω διαδικασίας είναι η εκτιμώμενη θέση.
3.5.3 Proximity
Οι αλγόριθμοι που στηρίζονται στην ιδιότητα της εγγύτητας παρέχουν σχετικές συμβολικές πληροφορίες θέσης. Συνήθως βασίζονται σε ένα πυκνό πλέγμα κεραιών οι
οποίες έχουν καλά ορισμένες τοποθεσίες. Όταν ένα κινητό αντικείμενο εντοπίζεται από
μία μόνο κεραία γίνεται η εκτίμηση ότι βρίσκεται στην ίδια θέση με την κεραία αυτή.
Όταν περισσότερες της μίας κεραίες εντοπίσουν το κινητό τότε θεωρείται ότι το
τελευταίο συμπίπτει με την θέση εκείνης που λαμβάνει το πιο ισχυρό σήμα.
Η μέθοδος αυτή είναι σχετικά απλή ως προς την υλοποίησή της και μπορεί να
υποστηρίξει ένα ευρύ φάσμα τεχνολογιών. Για παράδειγμα οι τεχνολογίες IR και RFID
χρησιμοποιούν κυρίως αυτήν την τεχνική. Επίσης δημοφιλής είναι για μεθόδους
αναγνώρισης κελιού (Cell-ID).
33
34
Κεφαλαιο 4
Παρουσα υλοποιηση
4.1
Γενική περιγραφή
Όπως έχει αναφερθεί στα προηγούμενα κεφάλαια, στόχος της εργασίας αυτής,
εκτός του να υλοποιήσει έναν αλγόριθμο εντοπισμού θέσης για περιβάλλοντα
εσωτερικών χώρων, είναι και η παροχή μίας υπηρεσίας που θα φανεί χρήσιμη στην
πανεπιστημιακή
κοινότητα
των
Ηλεκτρολόγων
Μηχανικών
και
Μηχανικών
Υπολογιστών. Επίσης, θα εξυπηρετήσει ιδιαίτερα τους επισκέπτες αλλά και τους
πρωτοετείς φοιτητές του τμήματος που δεν έχουν εγκλιματιστεί ακόμα στον χώρο του
Πολυτεχνείου. Αυτό το κεφάλαιο θα περιγράψει τις τεχνολογίες που συνδυάστηκαν για
την υλοποίηση της εφαρμογής, τους αλγορίθμους στους οποίους βασίζεται κι επίσης τις
επιμέρους λειτουργίες της.
4.2
Τεχνολογίες που χρησιμοποιήθηκαν
Η επιλογή των τεχνολογιών για το χτίσιμο της εφαρμογής έγινε κυρίως βάσει του
target operating system. Αρχικά εξετάστηκαν τα τρία πιο δημοφιλή λειτουργικά
συστήματα κινητών τηλεφώνων: Microsoft Windows Phone 8, Apple iOS και Google
Android. Το λειτουργικό της Microsoft αποκλείστηκε πρώτο αφενός λόγω της μικρής
διείσδυσης που έχει στην αγορά και αφετέρου λόγω των σοβαρών περιορισμών που
θέτει σε έναν developer. Πιο συγκεκριμένα, η πολιτική ασφαλείας του λειτουργικού
αυτού δεν παρέχει τα κατάλληλα δικαιώματα σε κάποιον προγραμματιστή ώστε να
εκμεταλλευτεί πλήρως τις δυνατότητες του hardware. Όσον αφορά την παρούσα
διπλωματική εργασία, το Wifi interface του WP8 δεν παρέχει ουσιαστικές πληροφορίες
σχετικά με τα ασύρματα δίκτυα που εντοπίζονται κάθε στιγμή, όπως για παράδειγμα το
BSSID,η MAC address και το RSS. Κάτι τέτοιο αποτελεί τροχοπέδη για την ανάπτυξη ενός
λογισμικού που βασίζεται σε τέτοιου είδους δεδομένα. Από την άλλη πλευρά, το
λειτουργικό της Apple δεν παρουσιάζει τα παραπάνω εμπόδια, αλλά υστερεί στον τομέα
35
της δημοτικότητας, αφού δεν είναι τόσο δημοφιλές όσο το Android. Το δεύτερο είναι
αυτή τη στιγμή το πιο διαδεδομένο λειτουργικό σύστημα κινητών αφού χρησιμοποιείται
τόσο στα smartphones πολλών κατασκευαστών όσο και στην πλειοψηφία των tablets.
Εφόσον ορίσθηκε το λειτουργικό έμενε να σχεδιαστεί η δομή της εφαρμογής. Οι
σημαντικότερες λειτουργικές απαιτήσεις, πέρα από τον εντοπισμό της θέσης του
κινητού μέσα στον χώρο της Πολυτεχνικής Σχολής, είναι να δίνεται η δυνατότητα στον
χρήστη να αναζητήσει πρόσωπα, τοποθεσίες, μαθήματα και διαλέξεις που σχετίζονται
με το Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, να λαμβάνει
πληροφορίες για το πού βρίσκονται όλα αυτά κι επίσης να δέχεται ενημερώσεις και νέα
που πιθανώς να τον ενδιαφέρουν. Οι απαιτήσεις αυτές καθόρισαν το είδος της
αρχιτεκτονικής που θα χρησιμοποιηθεί. Έτσι υιοθετήθηκε το μοντέλο πελάτη –
διακομιστή (client – server), αφού είναι αναγκαία η ύπαρξη μιας πηγής πληροφοριών
που θα ανανεώνεται κεντρικά κι αόρατα ως προς τον τελικό χρήστη και θα είναι
ανεξάρτητη από την client εφαρμογή. Οπότε επιλέχθηκε να σχεδιαστεί μία βάση
δεδομένων η οποία θα παρέχει όλες τις απαραίτητες πληροφορίες. Οι τεχνολογίες που
χρησιμοποιήθηκαν για την βάση δεδομένων και τη σύνδεσή της με τον client είναι MySQL
σε συνδυασμό με PHP, γιατί είναι ευρέως διαδεδομένες και παρέχουν APIs ώστε να είναι
εύκολη η υιοθέτησή τους σε μια τεράστια γκάμα εφαρμογών, κάτι που είναι θεμιτό για
την μετέπειτα εξέλιξη της παρούσας.
4.2.1 Βάση Δεδομένων
Η βάση δεδομένων σχεδιάστηκε σύμφωνα με τις βασικές οντότητες που
απαρτίζουν το ΤΗΜΜΥ. Οι οντότητες αυτές, όπως φαίνεται και στην Εικόνα 14 είναι οι
Αίθουσες, τα Μαθήματα, οι Τομείς, τα Εξάμηνα, οι Καθηγητές και το Λοιπό Προσωπικό.
Αυτά είναι τα βασικά tables της βάσης. Υπάρχουν επιπλέον ορισμένοι βοηθητικοί
πίνακες για την καλύτερη δόμηση της πληροφορίας, ωστόσο δεν κρίθηκε αναγκαίο να
παρουσιαστούν στα πλαίσια αυτού του εγγράφου. Εφόσον, υπάρχουν πολλαπλές
συσχετίσεις μεταξύ των οντοτήτων της βάσης, δημιουργήθηκαν και οι πίνακες
συσχετίσεων (ρόμβοι με κόκκινο χρώμα στην Εικόνα 14). Στο σημείο αυτό, όμως, είναι
απαραίτητο να σημειωθεί πως η βάση δεν δημιουργήθηκε με σκοπό να εξυπηρετεί την
λειτουργία εντοπισμού θέσης. Όλα τα δεδομένα σχετικά με τα Access Points και γενικά
36
με τα δίκτυα Wifi περιέχονται στην client εφαρμογή, ώστε ο εντοπισμός θέσης να είναι
δυνατός ακόμα και όταν ο χρήστης δεν είναι συνδεδεμένος με το διαδίκτυο.
Τα δεδομένα, λοιπόν, που αφορούν πρόσωπα όπως για παράδειγμα τους
καθηγητές, μέλη ΔΕΠ ή προσωπικό γραμματείας, αντλήθηκαν από την επίσημη
ιστοσελίδα του τμήματος [33]. Από την ίδια πηγή αντλήθηκαν και πληροφορίες σχετικά
με το πρόγραμμα σπουδών και το εβδομαδιαίο πρόγραμμα μαθημάτων. Λοιπά δεδομένα
που είναι χρήσιμα για την εφαρμογή και δεν ήταν διαθέσιμα πουθενά, όπως για
παράδειγμα η τοποθεσία του γραφείου του εκάστοτε καθηγητή βρέθηκαν έπειτα από
προσωπική έρευνα του συντάκτη στον χώρο του πανεπιστημίου.
Εικόνα 14 Σχεσιακό Διάγραμμα Βάσης Δεδομένων
4.2.2 Επικοινωνία client με database
Η επικοινωνία της εφαρμογής με τη βάση δεδομένων δεν γίνεται απευθείας, αλλά
με την χρήση ενός ενδιάμεσου επιπέδου. Το επίπεδο αυτό είναι ένα web-service
υλοποιημένο σε php, που τρέχει στον διακομιστή και λειτουργεί σαν μεσάζων στις
συναλλαγές δεδομένων μεταξύ του client και του server. Η υπηρεσία αυτή εκτελεί τις
αιτήσεις του client για δεδομένα. Η ροή των δεδομένων από τη βάση δεδομένων είναι
μονόδρομη, δηλαδή ο χρήστης μπορεί μόνο να διαβάσει δεδομένα από τη βάση και δεν
έχει καμία πρόσβαση ώστε να εγγράψει ή να αλλάξει κάποια προϋπάρχουσα τιμή. Από
τη στιγμή που ο client αποστείλει ένα αίτημά του στο web-service εκείνο εκκινεί μία νέα
37
συνεδρία κατά την οποία θα εκτελεστούν συναλλαγές με τη βάση. Για λόγους ασφαλείας
και για την αποφυγή διαρροής ή απώλειας δεδομένων, τα ερωτήματα στα οποία θα
κληθεί ν’ απαντήσει ο server είναι προεκχωρημένα στο php script και η εκτέλεσή τους
γίνεται μόνο με τη χρήση ενός id. Έτσι ακόμα κι αν κάποιος καταφέρει να συνδεθεί με
το script δεν θα δύναται να τρέξει κώδικα SQL που θα αλλοιώσει την βάση.
4.3
Αλγόριθμος εντοπισμού θέσης
Για τον προσδιορισμό της θέσης χρησιμοποιούνται αμφότερες οι τεχνολογίες Wifi
και GPS. Για την ακρίβεια ο εντοπισμός της θέσης της συσκευής μέσα σε κλειστό χώρο
γίνεται με χρήση των μετρήσεων Wifi αφού το GPS δεν είναι διαθέσιμο, ενώ όταν ο
χρήστης βρεθεί εκτός κτηρίου λαμβάνονται υπόψιν τα δεδομένα GPS. Έτσι παρέχεται
μία ολοκληρωμένη υπηρεσία που καλύπτει τόσο τους εσωτερικούς όσο και τους
εξωτερικούς χώρους. Οι αλγόριθμοι στους οποίους βασίζεται η εφαρμογή
παρουσιάζονται στις επόμενες ενότητες.
4.3.1 Wifi Positioning
Ο προσδιορισμός της θέσης της συσκευής μέσα στο κτηριακό συγκρότημα της
Πολυτεχνικής Σχολής βασίζεται στην τεχνολογία Wifi. Η επιλογή αυτή έγινε γιατί το
μεγαλύτερο μέρος του Πολυτεχνείου καλύπτεται από ασύρματη δικτύωση κι έτσι δεν
απαιτείται καμία αλλαγή ή προσθήκη σε επίπεδο υποδομής.
4.3.1.1 Αρχική Διερεύνηση και Επιλογή Αλγορίθμων
Οι βασικότερες πληροφορίες που απαιτούνταν ώστε να ξεκινήσει η υλοποίηση
της εφαρμογής σχετίζονταν με τα access points του Πολυτεχνείου. Πιο συγκεκριμένα
έπρεπε να εξακριβωθεί πόσα υπάρχουν συνολικά, ποιο είναι το αναγνωριστικό BSSID
τους και πού βρίσκεται το κάθε ένα. Δυστυχώς αυτές οι πληροφορίες δεν ήταν
διαθέσιμες οπότε χρειάστηκε να γίνει διερεύνηση. Για το λόγο αυτό, δημιουργήθηκε η
εφαρμογή ScanAPs η οποία εντοπίζει όλα τα ασύρματα δίκτυα που είναι διαθέσιμα κι
εμφανίζει τις ζητούμενες πληροφορίες σε φθίνουσα σειρά ως προς την ισχύ του
38
λαμβανόμενου σήματος RSS, όπως φαίνεται στην Εικόνα 15. Επομένως, έπειτα από
σάρωση του χώρου καταγράφηκαν τα BSSIDs όλων των APs και αναγνωρίστηκε η
τοποθεσία τους (Εικόνα 16).
Εικόνα 15 Στιγμιότυπο Εφαρμογής ScanAPs
Επιπροσθέτως, για τον καθορισμό του είδους των αλγορίθμων εντοπισμού θέσης
που θα χρησιμοποιηθούν ήταν αναγκαία η διενέργεια δειγματοληψίας των σημάτων Wifi
σε ολόκληρο τον χώρο. Γι’ αυτή τη διαδικασία ήταν απαραίτητο ένα λογισμικό το οποίο
σαρώνει ανά τακτά χρονικά διαστήματα τα ασύρματα δίκτυα και καταγράφει σε ένα
αρχείο τα δεδομένα που προκύπτουν. Αν και υπάρχει μια μεγάλη γκάμα εφαρμογών
διαθέσιμη στο App Store της Google, προτιμήθηκε η λειτουργία αυτή να ενσωματωθεί
στην εφαρμογή ScanAPs η οποία ταιριάζει ακριβώς στις απαιτήσεις της παρούσας
εργασίας. Τα δεδομένα που καταγράφει η εφαρμογή είναι το όνομα του δικτύου, το
BSSID, ο δείκτης ισχύος RSSI και η ημερομηνία και ώρα της μέτρησης. Η διαδικασία
δειγματοληψίας έγινε αρκετές φορές και περιλάμβανε παράλληλα την χειρόγραφη
39
καταγραφή της θέσης όπου λαμβάνονταν οι μετρήσεις. Έτσι ουσιαστικά σχηματίστηκαν
fingerprints που συνέδεαν την θέση της μέτρησης με τα αντίστοιχα επίπεδα RSS.
Για να μελετηθούν τα δεδομένα αυτά, ωστόσο, ήταν απαραίτητη η οπτική
αναπαράστασή τους σε έναν χάρτη. Για τον λόγο αυτό υλοποιήθηκε η εφαρμογή Wifi
Tracking σε Java η οποία εμφανίζει για κάθε χρονική στιγμή μέτρησης, το επίπεδο ισχύος
των λαμβανόμενων σημάτων στο σημείο που βρίσκεται το αντίστοιχο access point στον
χάρτη. Επίσης δίπλα από το RSSI εμφανίζεται και το id του ορόφου στον οποίο βρίσκεται
το συγκεκριμένο AP. Όλα αυτά γίνονται ευκολότερα αντιληπτά στην Εικόνα 17 που
Εικόνα 16 Τα Wifi Access Points της Πολυτεχνικής Σχολής που χρησιμοποιούνται από
την εφαρμογή
αποτελεί ένα στιγμιότυπο της εφαρμογής σε μέτρηση που έγινε έξω από την αίθουσα 8
του ΤΗΜΜΥ.
40
Εικόνα 17 Στιγμιότυπο Εφαρμογής Wifi Tracking
Μελετώντας έπειτα τα δεδομένα αυτά δημιουργήθηκαν ορισμένοι εμπειρικοί
κανόνες που συνδέουν την απόσταση με το επίπεδο της λαμβανόμενης ισχύος ενός
σήματος. Για την ακρίβεια παρατηρήθηκε πως όταν η απόλυτη τιμή του RSSI ενός
σήματος είναι μικρότερη του 55 dB τότε η απόσταση μεταξύ πομπού και δέκτη είναι
περίπου 2 – 4 μέτρα. Επίσης, όταν |RSSI|<65 dB τότε η απόστασή τους είναι μικρότερη
από 10 μέτρα, αλλά για μεγαλύτερες τιμές του |RSSI| δεν μπορεί να εξαχθεί ασφαλές
συμπέρασμα, λόγω των έντονων multipath & shadowing effects. Μία μέθοδος που θα
μπορούσε να χρησιμοποιηθεί είναι η μέθοδος multilateration με τιμές RSS που
παρουσιάστηκε στο 3.5.1.1, ωστόσο δεν μπορεί να επιτευχθεί πλήρης μοντελοποίηση
της σχέσης RSS – απόστασης άρα η μέθοδος αυτή από μόνη της δεν είναι επαρκής. Για να
ξεπεραστεί αυτό το εμπόδιο, σε συνδυασμό με την τεχνική multilateration
χρησιμοποιήθηκαν δύο ακόμη μέθοδοι, η μέθοδος των αποτυπωμάτων (scene analysis)
σε συνδυασμό με έναν νέο αλγόριθμο αναγνώρισης του τρέχοντος κτηρίου.
4.3.1.2 Διαδικασία Λήψης Μετρήσεων
Η Εικόνα 18 περιέχει το διάγραμμα ροής της διαδικασίας προσδιορισμού θέσης.
Αρχικά γίνεται σάρωση των διαθέσιμων ασύρματων δικτύων τα οποία αποθηκεύονται
41
σε έναν buffer. Έπειτα γίνεται συγχώνευση των τελευταίων μετρήσεων που
αντιστοιχούν σε κάθε Access Point με τον υπολογισμό απλού μέσου όρου για την
ομαλότερη λειτουργία του αλγορίθμου. Για την ακρίβεια, η διαδικασία της σάρωσης
επαναλαμβάνεται κάθε δευτερόλεπτο ενώ ο buffer, ο οποίος είναι μεταβλητής
χωρητικότητας, ώστε να μην φθάσει ποτέ σε κατάσταση κορεσμού και υπάρξει απώλεια
Εικόνα 18 Αλγόριθμος Προσδιορισμού Θέσεως
πολύτιμων μετρήσεων, έχει σχεδιαστεί έτσι ώστε να περιέχει όλες τις μετρήσεις που
έγιναν τα τελευταία τρία δευτερόλεπτα. Αυτό επειδή παρατηρήθηκε ότι στιγμιαία
μπορεί να εμφανιστούν έντονες διακυμάνσεις στις τιμές RSS, κάτι που οφείλεται κυρίως
στην ανομοιογένεια του χώρου. Οπότε, εάν χρησιμοποιηθούν μόνο οι τιμές της
τελευταίας μέτρησης είναι πολύ πιθανό να εμφανιστούν έντονες μεταβολές στην
42
υπολογιζόμενη θέση του χρήστη. Έτσι, κρατώντας ένα μικρό ιστορικό των
παρελθοντικών μετρήσεων βελτιώνεται η αξιοπιστία του αλγορίθμου αφού μειώνεται
κατά πολύ ο βαθμός επιρροής που μπορεί να έχει μία λανθασμένη μέτρηση στο τελικό
αποτέλεσμα. Στο επόμενο κεφάλαιο γίνεται εκτενέστερη ανάλυση αυτού του ζητήματος
μέσω πειραματικών μετρήσεων.
4.3.1.3 Αλγόριθμος Fingerprinting
Η επόμενη κίνηση, από τη στιγμή που είναι διαθέσιμες οι μετρήσεις RSS των
τελευταίων δευτερολέπτων, θα ήταν να χρησιμοποιηθεί κάποιος αλγόριθμος που θα τις
χρησιμοποιήσει ώστε να προσδιορίσει την θέση του κινητού. Ωστόσο, παρατηρήθηκε ότι
υπάρχουν ορισμένα σημεία στον χώρο, όπως για παράδειγμα ο κεντρικός διάδρομος του
Πολυτεχνείου, τα οποία έχουν περιορισμένη κάλυψη Wifi, δηλαδή αν και εντοπίζονται
κάποια σήματα, αυτά έχουν πολύ χαμηλό επίπεδο ισχύος, άρα δεν μπορεί να εξαχθεί ένα
ασφαλές συμπέρασμα για την τρέχουσα θέση. Για τον λόγο αυτό χρησιμοποιείται μία
ειδική περίπτωση αλγορίθμου fingerprinting.
Η offline διαδικασία έχει ως εξής: Σε κάθε σημείο ανεπαρκούς κάλυψης έγινε λήψη
μετρήσεων RSS οι οποίες σε συνδυασμό με τις αντίστοιχες χωρικές συντεταγμένες του
σημείου αυτού σχημάτισαν ένα αποτύπωμα. Τα δεδομένα των αποτυπωμάτων αυτών
συγκεντρώθηκαν και αποθηκεύτηκαν σε κάποια μεταβλητή της client εφαρμογής. Έτσι
στην online φάση του αλγορίθμου, όταν ξεκινάει μία επανάληψη της διαδικασίας του
προσδιορισμού θέσεως, πρώτα γίνεται έλεγχος εάν οι μετρήσεις που λαμβάνονται εκείνη
τη χρονική στιγμή ταιριάζουν με κάποιο από τα γνωστά αποτυπώματα (Εικόνα 17). Εάν
αυτό ισχύει τότε η θέση του χρήστη θεωρείται πως συμπίπτει με τις συντεταγμένες της
θέσης του συγκεκριμένου αποτυπώματος.
4.3.1.4 Εντοπισμός του Τρέχοντος Κτηρίου
Όπως φαίνεται στον χάρτη της Εικόνας 16, η Πολυτεχνική σχολή αποτελείται από
μία σύνθετη κτηριακή δομή και συγκεκριμένα από πάνω από δέκα διαφορετικά κτήρια.
Έτσι, είναι σημαντικό η εφαρμογή να μπορεί να διακρίνει ποιο είναι το κτήριο στο οποίο
βρίσκεται ο χρήστης κι αυτό για δύο λόγος. Από την μία πλευρά γιατί ορισμένες φορές
43
μπορεί ν’ αποκλειστεί κάποια λανθασμένη εκτίμηση θέσης και από την άλλη επειδή
υπάρχουν κτήρια που χρήζουν ειδικής αντιμετώπισης λόγω του ιδιόμορφου τρόπου με
τον οποίο καλύπτονται δικτυακά. Αξίζει να σημειωθεί ότι το μέρος στο οποίο απαιτείται
η καλύτερη δυνατή ακρίβεια, δηλαδή η πτέρυγα των Ηλεκτρολόγων Μηχανικών και
Μηχανικών Υπολογιστών, αποτελεί μία ιδιάζουσα περίπτωση αφού είναι η μόνη από τις
τρείς πτέρυγες της Πολυτεχνικής στην οποία χρησιμοποιείται μονάχα ένα εσωτερικό AP,
ενώ για να επιτευχθεί κάλυψη σε αποδεκτά επίπεδα υπάρχουν επιπλέον δύο εξωτερικοί
δρομολογητές, ο καθένας στοχεύοντας σε μία πλευρά της (Εικόνα 19). Για τον λόγο αυτό
Εικόνα 19 Κάλυψη δικτύου Wifi από εξωτερικά Access Points της Γ' Πτέρυγας της
Πολυτεχνικής Σχολής
δημιουργήθηκε ένας αλγόριθμος ο οποίος ελέγχει αν μπορεί να εξαχθεί ασφαλές
συμπέρασμα σχετικά με το κτήριο στο οποίο βρίσκεται ο χρήστης. Αρχικά εντοπίζονται
οι καλύτερες μετρήσεις RSS. Εάν υπάρχει μέτρηση της οποίας η απόλυτη τιμή είναι
μικρότερη από 65dB τότε υπάρχει μία έγκυρη θέση και βρίσκεται εντός του κτηρίου
εκείνου στο οποίο βρίσκεται το αντίστοιχο access point. Εάν, από την άλλη, δεν υπάρχει
τόσο καλή μέτρηση, απαριθμούνται οι μετρήσεις που βρίσκονται μεταξύ (-85 dB, -65 dB)
και ακολουθούνται τα εξής βήματα:
i) Εάν έχουν απαριθμηθεί περισσότερες της μίας τιμές που περιέχονται στα
παραπάνω όρια, τότε ελέγχεται αν όλες τους προέρχονται από δρομολογητές
που βρίσκονται στο ίδιο κτήριο, οπότε και συνάγεται πως υπάρχει μία έγκυρη
τοποθεσία και βρίσκεται μέσα στο κτήριο αυτό.
44
ii) Εάν δεν προέρχονται όλα από το ίδιο κτήριο τότε θεωρείται πως δεν υπάρχει
έγκυρη τοποθεσία.
iii)Από την άλλη, αν υπάρχει μόνο μία μέτρηση μεταξύ (-85 dB, -65 dB) τότε η θέση
του χρήστη είναι μέσα στο αντίστοιχο κτήριο, αλλά μόνο εφόσον αυτό ίσχυε
και κατά τις τελευταίες πέντε επαναλήψεις του αλγορίθμου.
Τέλος, εάν τα λαμβανόμενα επίπεδα ισχύος είναι μεταξύ (-90 dB, -85 dB) τότε έγκυρη
θέση υπάρχει μόνο εάν η μέτρηση είναι μοναδική και δεν εντοπίζεται κανένα άλλο
ασύρματο δίκτυο. Για καλύτερη κατανόηση της λειτουργίας του αλγορίθμου αυτού
παρατίθεται το διάγραμμα ροής της Εικόνας 20.
Εικόνα 20 Διάγραμμα ροής του αλγορίθμου προσδιορισμού κτηρίου
45
4.3.1.5 Multilateration
Εφόσον έχει προσδιοριστεί το κτήριο στο οποίο βρίσκεται ο χρήστης μένει να
υπολογιστεί η τρέχουσα θέση του. Για να γίνει αυτό ακολουθείται μία μέθοδος που
βασίζεται στην τεχνική του πολυπλευρισμού (multilateration). Η σύνδεση μεταξύ
απόστασης και τιμής RSS γίνεται με την εξαγωγή ενός σταθμισμένου μέσου όρου. Για την
ακρίβεια χρησιμοποιούνται οι μετρήσεις RSS από όλα τα διαθέσιμα access points. Αρχικά
οι RSS τιμές μετατρέπονται σε θετικούς αριθμούς μετά από πρόσθεση με το 100, και οι
θετικές αυτές τιμές αποτελούν τα βάρη του σταθμισμένου μέσου. Έπειτα, οι
συντεταγμένες του κάθε δρομολογητή πολλαπλασιάζονται με τα αντίστοιχα βάρη και
υπολογίζεται ο σταθμισμένος μέσος, ο οποίος αποτελεί μία προσέγγιση της τρέχουσας
θέσης του χρήστη και θα μπορούσε να χρησιμοποιηθεί αυτούσιος για την απεικόνιση
στον χάρτη.
Όμως παρατηρήθηκε ότι η θέση αυτή αρκετές φορές ήταν εκτός κτηρίου, κι αυτό
λόγω της ιδιάζουσας μορφολογίας της Πολυτεχνικής Σχολής, η οποία αποτελείται από
συγκροτήματα μικρότερων κτηρίων και πολλές φορές είναι ορατά τα σήματα από
δρομολογητές που βρίσκονται σε γειτονικά κτήρια. Εκτός αυτού, όπως προαναφέρθηκε,
έχουν τοποθετηθεί και ορισμένα εξωτερικά access points για να καλύψουν δικτυακά
κάποιους εσωτερικούς χώρους. Άρα οι μέχρι τώρα υπολογισμοί, αν και έδιναν μία καλή
προσέγγιση της πραγματικής θέσης του χρήστη στον χώρο, δεν μπορούσαν να
χρησιμοποιηθούν ως έχουν. Για τον λόγο αυτό, σχηματίστηκαν οι ευθείες που αποτελούν
τους άξονες συμμετρίας όλων των κτηρίων (Εικόνα 21). Έτσι γνωρίζοντας κάθε φορά
ποιο είναι το τρέχον κτήριο, η θέση του χρήστη μπορεί να υπολογισθεί μέσω προβολής
του σημείου πάνω στην αντίστοιχη ευθεία. Με την μέθοδο αυτή ξεπεράστηκε το
πρόβλημα του προσδιορισμού λανθασμένων εξωτερικών θέσεων με ταυτόχρονη
διατήρηση ικανοποιητικής ακρίβειας.
46
Εικόνα 21 Άξονες συμμετρίας των βασικών κτηρίων της Πολυτεχνικής Σχολής και
προβολή ενός σημείου που βρισκόταν σε εξωτερικό χώρο
4.3.2 Εναλλαγή μεταξύ WPS και GPS
Η μέθοδος WPS ωστόσο, αν και παρέχει καλά αποτελέσματα σχετικά με το indoor
positioning δεν μπορεί να λειτουργήσει όταν ο χρήστης βρεθεί σε εξωτερικό χώρο.
Βέβαια όταν βρίσκεται σε κοντινή απόσταση από την Πολυτεχνική Σχολή και κάποια
Wifi σήματα είναι ακόμα διαθέσιμα, τότε είναι πιθανό να λειτουργήσει το σύστημα WPS
και η εφαρμογή να δείχνει πως ο χρήστης βρίσκεται ακόμα μέσα σε κάποιο κτήριο. Για
να αποφευχθεί αυτή η περίπτωση αλλά για να παρέχεται στον χρήστη μία πιο
ολοκληρωμένη υπηρεσία εντοπισμού θέσης έγινε ενσωμάτωση και του συστήματος GPS.
Όταν ένας χρήστης ενεργοποιήσει τον δέκτη GPS της συσκευής του, τότε ο
προσδιορισμός θέσης γίνεται συνδυάζοντας τις τεχνολογίες GPS και Wifi. Το GPS μπορεί
να λειτουργήσει όταν η συσκευή βρίσκεται σε εξωτερικό χώρο ή ορισμένες φορές ακόμα
και σε εσωτερικούς χώρους όταν ο δέκτης βρίσκεται κυρίως κοντά σε παράθυρα. Έτσι η
εφαρμογή όταν εντοπίσει ότι υπάρχει διαθέσιμη πληροφορία GPS τότε τίθεται σε
λειτουργία ένας αλγόριθμος ο οποίος αποφασίζει πότε και αν θα γίνει εναλλαγή της
πηγής πληροφορίας. Πιο συγκεκριμένα πρέπει να τηρούνται ορισμένες προϋποθέσεις
ώστε να επιλεγεί το GPS σαν κύρια πηγή πληροφορίας. Αρχικά ελέγχεται αν η τελευταία
47
τοποθεσία που λήφθηκε από το GPS είναι πρόσφατη, δηλαδή αν δεν είναι παλαιότερη
των δέκα δευτερολέπτων κι έπειτα αν στο χρονικό διάστημα αυτό έχει ληφθεί
τουλάχιστον άλλη μία πληροφορία θέσης. Εφόσον ισχύουν τα παραπάνω τότε σημαίνει
ότι είναι το GPS παρέχει εγκυρότερες πληροφορίες θέσης από ότι οι αλγόριθμοι Wifi.
Εικόνα 22 Δομή αναζήτησης μέσω πλοήγησης στην εφαρμογή
4.4
Λοιπές λειτουργίες εφαρμογής
Πέρα από την υπηρεσία του προσδιορισμού της θέσης ενός χρήστη τόσο μέσα όσο
κι έξω από τον χώρο της Πολυτεχνικής Σχολής του Α.Π.Θ., η εφαρμογή σχεδιάστηκε ώστε
να προσφέρει ένα σύνολο λειτουργιών ώστε να εξυπηρετούνται οι επισκέπτες του
χώρου, αλλά και οι φοιτητές του τμήματος. Ιδιαίτερα χρήσιμη θεωρείται ότι θα φανεί
στους τους πρωτοετείς φοιτητές που έρχονται για πρώτη φορά σε επαφή με το
πανεπιστήμιο. Έτσι σχεδιάστηκε ένας mobile-οδηγός σπουδών, του οποίου οι βασικές
λειτουργίες είναι η παροχή πληροφοριών σχετικά τη σχολή και το πρόγραμμα σπουδών,
48
η παροχή ενημέρωσης με νέα και ανακοινώσεις όπως επίσης και η πλοήγηση μέσω χάρτη
ώστε ο χρήστης να μπορεί να κατευθυνθεί εύκολα στον προορισμό του.
Ο σχεδιασμός του τρόπου αναζήτησης δεδομένων έγινε βάσει του κριτηρίου εάν
ο χρήστης γνωρίζει τι ακριβώς θέλει να δει ή όχι. Συγκεκριμένα, για την περίπτωση που
γνωρίζει επακριβώς για ποιο αντικείμενο επιθυμεί να πληροφορηθεί, υλοποιήθηκε η
αναζήτηση μέσω λέξης κλειδιού, όπου όταν πληκτρολογηθεί κάποιο keyword τότε
εκτελείται μία αναζήτηση στην βάση δεδομένων και εμφανίζονται όλες οι εκχωρήσεις
της που συμφωνούν με αυτό το κλειδί (Εικόνα 23) μαζί με όλα τα σχετικά δεδομένα. Για
Εικόνα 23 Στιγμιότυπα εφαρμογής κατά την αναζήτηση με την χρήση λέξης
κλειδιού
παράδειγμα, εάν η αναζήτηση δώσει ως αποτέλεσμα το όνομα κάποιου καθηγητή θα
εμφανιστεί μία καρτέλα με στοιχεία επικοινωνίας και με μαθήματα τα οποία διδάσκει κι
επίσης θα δοθεί η δυνατότητα να προβληθεί στον χάρτη η τοποθεσία του γραφείου του
(Εικόνα 24). Από την άλλη μπορεί να υπάρξει περίπτωση στην οποία ο χρήστης να μην
γνωρίζει επακριβώς τι θέλει να αναζητήσει. Αυτό, για παράδειγμα, θα μπορούσε να
συμβεί όταν επιθυμεί να πληροφορηθεί σχετικά με κάποιο μάθημα ή καθηγητή, αλλά δεν
θυμάται το όνομά του. Για τον λόγο αυτό, υλοποιήθηκε η ιεραρχική δομή που φαίνεται
49
στην Εικόνα 22, οπότε είναι δυνατή πλέον η αναζήτηση πληροφορίας ξεκινώντας από
ένα υψηλό, πιο αφαιρετικό επίπεδο.
Εικόνα 25 Στιγμιότυπο της
εφαρμογής όπου εμφανίζεται η
λίστα με τα δεδομένα RSS
Εικόνα 24 Στιγμιότυπο της
εφαρμογής με τις πληροφορίες
καθηγητή
Παράλληλα, η υπηρεσία της ενημέρωσης εμφανίζει όλες τις τελευταίες
ανακοινώσεις που προέρχονται από την γραμματεία του τμήματος και στηρίζεται σε
δεδομένα που αντλούνται από την επίσημη ιστοσελίδα του ΤΗΜΜΥ [33] και πιο
συγκεκριμένα από το RSS feed [34]. Με λίγα λόγια το RSS είναι μια προτυποποιημένη
μέθοδος ανταλλαγής ψηφιακού πληροφοριακού περιεχομένου στηριγμένη στην
πρότυπη, καθιερωμένη και ευρέως υποστηριζόμενη γλώσσα σήμανσης XML. Με την
χρήση αυτής της μεθόδου οι πληροφορίες αντλούνται άμεσα και γρήγορα και
εμφανίζονται σε μία λίστα όπως φαίνεται στο στιγμιότυπο της εφαρμογής στην Εικόνα
25.
Τέλος, εφόσον οι χρήστες είναι πολύ πιθανό να μην γνωρίζουν καλά τους χώρους
της Πολυτεχνικής Σχολής, είναι ιδιαίτερα σημαντικό να πληροφορούνται σχετικά με
αυτούς με την χρήση ενός χάρτη. Για τον λόγο αυτό όλες οι αίθουσες διδασκαλίας του
τμήματος, τα αμφιθέατρα, οι χώροι διεξαγωγής εργαστηρίων, τα γραφεία της
50
γραμματείας, οι νησίδες υπολογιστών αλλά και τα γραφεία των καθηγητών μπορούν να
απεικονιστούν πάνω στον χάρτη της σχολής. Έτσι όταν για παράδειγμα κάποιος
επιθυμεί να κατευθυνθεί σε μία αίθουσα διδασκαλίας τότε πάνω στον χάρτη θα
σχεδιαστεί αφενός το στίγμα του χρήστη κι αφετέρου ο προορισμός του, όπως φαίνεται
στην Εικόνα 26. Έτσι με έναν απλό και κατανοητό τρόπο μπορεί κάποιος να πλοηγηθεί
μέσω της εφαρμογής σε οποιοδήποτε σημείο ενδιαφέροντος.
Εικόνα 26 Στιγμιότυπα πλοήγησης του χρήστη στον χώρο του Πολυτεχνείου
έχοντας κάποιον προορισμό
51
52
Κεφαλαιο 5
Μετρησεις και αποδοτικοτητα
αλγοριθμου
5.1
Γενικά
Το πόσο εφικτό είναι, για ένα σύστημα εντοπισμού θέσης, να τεθεί σε εφαρμογή
σε κάποιο περιβάλλον εξαρτάται άμεσα από την ακρίβεια που μπορεί να παρέχει. Ειδικά
σε περιβάλλοντα εσωτερικών χώρων ένα τέτοιο σύστημα θα είναι χρήσιμο μόνο όταν το
μέσο σφάλμα θέσης είναι της τάξης των λίγων μέτρων ώστε στην χειρότερη περίπτωση
να γίνεται τουλάχιστον αναγνώριση σε επίπεδο δωματίου. Αν και οι δοκιμαστικοί
περίπατοι που έγιναν μέσα στην Πολυτεχνική Σχολή έδειξαν πως το στίγμα του χρήστη
στον χάρτη ακολουθεί ικανοποιητικά την πραγματική του θέση, ήταν απαραίτητη η
διενέργεια πειραμάτων τόσο για να γίνει καταλληλότερη επιλογή και παραμετροποίηση
των αλγορίθμων, όσο και για να υπολογισθεί η ακρίβεια της μεθόδου.
5.2
Μετρήσεις και αποτελέσματα
Κατά το σχεδιασμό της εφαρμογής δύο ήταν οι βασικότερες παράμετροι που
έπρεπε να επιλεγούν αναφορικά με τον προσδιορισμό θέσης. Η πρώτη ήταν το χρονικό
διάστημα που μεσολαβεί ανάμεσα σε δύο διαδοχικές σαρώσεις δικτύων και η δεύτερη
για πόσο χρόνο μία παρελθοντική σάρωση θα μπορεί να επηρεάσει την εκτίμηση της
τρέχουσας θέσης του χρήστη.
Για την καλύτερη απόδοση του αλγορίθμου χρειάζεται να ληφθούν όσο το
δυνατόν περισσότερες μετρήσεις σε μικρό χρονικό διάστημα. Αυτό για να μπορεί η
εφαρμογή ν΄ αντιλαμβάνεται την κίνηση του χρήστη όταν κινείται γρήγορα αλλά κυρίως
για να μην επηρεάζουν σημαντικά το αποτέλεσμα οι τιμές RSS που εμφανίζονται
στιγμιαία και οφείλονται σε multipath και shadowing φαινόμενα. Στον αντίποδα, η
διεξαγωγή σαρώσεων με πολύ μεγάλη συχνότητα έχει ως αποτέλεσμα την αύξηση της
κατανάλωσης ισχύος της συσκευής εφόσον ο επεξεργαστής απασχολείται περισσότερο
53
και επίσης επειδή το Wifi κύκλωμα είναι σχετικά ενεργοβόρο. Για τον λόγο αυτό
ορίστηκε πως η αναζήτηση δικτύων θα γίνεται με περίοδο ενός δευτερολέπτου.
Από την άλλη πλευρά η επιλογή της δεύτερης παραμέτρου δεν ήταν τόσο εύκολη
και απαιτήθηκε η λήψη πειραματικών μετρήσεων για τον προσδιορισμό της. Εφόσον οι
διαθέσιμες μετρήσεις RSS ανά δευτερόλεπτο δεν είναι απεριόριστες αποφασίσθηκε να
λαμβάνονται υπόψιν και παρελθοντικές μετρήσεις. Έτσι η συγχώνευσή τους με τις
τρέχουσες θα επέφερε καλύτερη συνοχή στο αποτέλεσμα με αποφυγή αλμάτων θέσης
στον χάρτη. Η επιλογή ωστόσο της παραμέτρου αυτής έπρεπε να γίνει συνετά γιατί η
επιλογή μίας μεγάλης τιμής σημαίνει αύξηση του μέσου σφάλματος θέσης όταν ο
χρήστης κινείται ενώ η επιλογή πολύ μικρής πρακτικά δεν επιφέρει καμία βελτίωση. Για
την αποσαφήνιση αυτού του ζητήματος έγιναν τρεις δοκιμαστικοί περίπατοι στην
Πολυτεχνική Σχολή όπου η εφαρμογή είχε ρυθμιστεί να λαμβάνει υπόψιν παρελθοντικά
δεδομένα για Τ = 1sec, 3sec και 5sec αντίστοιχα. Κάθε πείραμα έγινε σε συνολικά εξήντα
σημεία του χώρου των οποίων οι συντεταγμένες βρέθηκαν μέσω της υπηρεσίας google
maps [35] χειροκίνητα (Εικόνα 27). Όταν το κινητό βρισκόταν σε ένα από αυτά τα
Εικόνα 27 Τα σημεία λήψης μετρήσεων κατά την πειραματική διαδικασία
σημεία, τότε οι συντεταγμένες της εκτιμώμενης θέσης καταγράφονταν σε ένα αρχείο,
ώστε να γίνει αργότερα η σύγκριση μ’ εκείνες της πραγματικής θέσης. Τα αποτελέσματα
της σύγκρισης φαίνονται στα διαγράμματα που ακολουθούν. Εδώ αξίζει να σημειωθεί
πως οι μετρήσεις και για τους τρεις περιπάτους έγιναν με την ίδια ακριβώς σειρά ώστε
να μπορεί να γίνει καλύτερη σύγκριση μέσω των διαγραμμάτων.
54
Η επιλογή του ενός δευτερολέπτου δεν παρείχε ιδιαίτερα καλά αποτελέσματα
αφού το μέσο σφάλμα θέσης ήταν 10.21 m. Εκτός αυτού, ορισμένες μετρήσεις είχαν πολύ
μεγάλο στιγμιαίο σφάλμα, της τάξης των 30-35 μέτρων, πράγμα που σημαίνει ότι
κάποιες στιγμές εμφανίστηκαν αναπηδήσεις του στίγματος του χρήστη στον χάρτη,
παρόλες τις προσπάθειες για την αποφυγή του φαινομένου αυτού. Αυτό φαίνεται
καλύτερα στο αντίστοιχο ραβδόγραμμα της Εικόνας 28.
Εικόνα 28 Αποτελέσματα μετρήσεων για χρήση παρελθοντικών δεδομένων ηλικίας ενός
δευτερολέπτου
Εικόνα 29 Αποτελέσματα μετρήσεων για χρήση παρελθοντικών δεδομένων ηλικίας
τριών δευτερολέπτων
55
Όταν ορίστηκε όμως T = 3sec τότε η απόδοση βελτιώθηκε αισθητά, όπως
φαίνεται και στην Εικόνα 29. Για την ακρίβεια το μέσο σφάλμα μειώθηκε στα 6.85 μέτρα
και το φαινόμενο των αναπηδήσεων εμφανίστηκε ελάχιστα, αφού το στιγμιαίο μέγιστο
σφάλμα θέσης μειώθηκε αισθητά.
Τέλος όταν επιλέχθηκαν τα πέντε δευτερόλεπτα, το μέσο σφάλμα θέσης έφτασε
τα 8.64 μέτρα. Αυτό έγινε γιατί τα δεδομένα που χρησιμοποιήθηκαν είχαν σχετικά
μεγάλη ηλικία και συνεχώς λάμβαναν υπόψιν τις παρελθοντικές θέσεις του χρήστη. Σε
αυτήν την περίπτωση το σφάλμα θα μειωθεί αισθητά μόνο όταν ο χρήστης κινείται με
πολύ μικρή ταχύτητα στον χώρο, πράγμα που δεν μπορεί να θεωρηθεί δεδομένο. Από
την άλλη βέβαια μειώθηκε ακόμη περισσότερο το φαινόμενο των αναπηδήσεων, αφού
το μέγιστο στιγμιαίο σφάλμα ήταν μικρότερο των 20 μέτρων (Εικόνα 30). Άρα όντως,
όπως ήταν αναμενόμενο, διαπιστώθηκε πως μεγάλες τιμές τις παραμέτρου αυτής
μειώνουν το φαινόμενο αναπηδήσεων.
Εικόνα 30 Αποτελέσματα μετρήσεων για χρήση παρελθοντικών δεδομένων ηλικίας πέντε
δευτερολέπτων
Έπειτα από μελέτη των στοιχείων αυτών έγινε επιλογή της τιμής των τριών
δευτερολέπτων η οποία επιφέρει την καλύτερη ακρίβεια του αλγορίθμου. Επίσης, για να
αντιμετωπιστούν τα φαινόμενα αναπηδήσεων, στα σημεία όπου εμφανίστηκαν τα
μέγιστα σφάλματα, δηλαδή εκεί που η κάλυψη δικτύου είναι ανεπαρκής, ορίστηκε να
εμφανίζεται το στίγμα του χρήστη με μία μεγαλύτερη ακτίνα ακρίβειας. Στον Πίνακα 1
δίνονται τα συγκεντρωτικά στοιχεία των παραπάνω πειραμάτων.
56
1 sec
Μέγιστο Σφάλμα (m)
3 sec
5 sec
38,13 20,18 18,64
Ελάχιστο Σφάλμα (m) 0,39
0,29
0,35
Μέσο Σφάλμα (m)
10,21 6,85
8,64
Τυπική Απόκλιση (m)
8,09
5,19
5,66
Πίνακας 1 Συγκεντρωτικά αποτελέσματα μετρήσεων
5.3
Σχόλια
Η ακρίβεια των 6.96 μέτρων που επιτεύχθηκε κρίνεται ικανοποιητική ώστε να
εφαρμοστεί η παρούσα υλοποίηση στον χώρο του Πολυτεχνείου, αλλά δεν μπορεί να
θεωρηθεί πως είναι η καλύτερη δυνατή που θα μπορούσε να επιτευχθεί. Σημαντικό ρόλο
στο γεγονός αυτό παίζει η κακή κάλυψη δικτύου που υπάρχει σε ορισμένα σημεία του
χώρου. Στην Εικόνα 31 παρουσιάζεται ένα heatmap που δημιουργήθηκε με τις μετρήσεις
που έγιναν κατά την πειραματική διαδικασία και δείχνει καθαρά τα σημεία όπου υπάρχει
ανεπαρκής κάλυψη δικτύου, με καλύτερο παράδειγμα τον κεντρικό διάδρομο και τους
χώρους του τριγώνου και του κυλικείου. Στον αντίποδα, στο ισόγειο της πτέρυγας Γ’
όπου υπάρχει ικανοποιητική κάλυψη δικτύου το μέσο σφάλμα που υπολογίσθηκε ήταν
μόλις 2.7 m, ενώ στο ισόγειο της πτέρυγας Α’ 3.1 m. Επομένως, είναι βέβαιο πως ένας
διαφορετικός σχεδιασμός της τοποθέτησης των access points στο κτήριο θα
συνεπαγόταν μεγάλη βελτίωση στην ακρίβεια.
Εικόνα 31 Κάλυψη ασύρματου δικτύου Wifi στους εσωτερικούς χώρους του
Πολυτεχνείου
57
58
Κεφαλαιο 6
Βελτιωσεις, Μελλοντικες Επεκτασεις
και Συμπερασματα
6.1
Γενικά
Η εφαρμογή υλοποιήθηκε στα πλαίσια της διπλωματικής εργασίας και για τον
λόγο αυτό ο χρόνος ο οποίος ήταν διαθέσιμος για την ανάπτυξή της δεν ήταν
απεριόριστος. Έτσι, αν και υπήρξαν αρκετές ιδέες για την περεταίρω βελτίωση και
επέκτασή της, η υλοποίησή τους δεν ήταν δυνατή και το project θα ξέφευγε από τα
πλαίσια μιας πτυχιακής εργασίας. Έτσι ακολουθήθηκε μια βασική γραμμή, η οποία ήταν
η δημιουργία μίας υπηρεσίας η οποία θα εξυπηρετεί την πανεπιστημιακή κοινότητα αλλά
και τους επισκέπτες της Πολυτεχνικής σχολής, θα τους κατατοπίζει και θα τους
πληροφορεί σχετικά με το Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών
Υπολογιστών. Ωστόσο κρίθηκε αναγκαίο να παρουσιαστούν οι ιδέες που αφορούν την
βελτίωσή και μελλοντική επέκταση της παρούσας υλοποίησης.
6.2
Βελτιώσεις
Η βασικότερη βελτίωση που επιδέχεται η εφαρμογή είναι η ενσωμάτωση όλων
των access points της Πολυτεχνικής σχολής ώστε να μπορεί να καλυφθούν όλοι οι χώροι
της. Πέρα από τους δρομολογητές που λήφθηκαν υπόψιν και φαίνονται στην Εικόνα 15,
υπάρχουν ορισμένοι επιπλέον που θα μπορούσαν να βελτιώσουν την υπηρεσία
προσδιορισμού θέσης. Ο λόγος για τον οποίο δεν χρησιμοποιήθηκαν ήταν ότι βρίσκονταν
σε σημεία που δεν αφορούν τόσο το ΤΗΜΜΥ αλλά διαφορετικά τμήματα του
Πολυτεχνείου, όπως είναι για παράδειγμα το κτήριο Υδραυλικής, το κτήριο εδρών και οι
περισσότεροι όροφοι του κτηρίου Δ.
59
Επίσης, θα ήταν πολύ ενδιαφέρουσα η δημιουργία εσωτερικών χαρτών για κάθε
όροφο ξεχωριστά. Κάτι τέτοιο είναι δυνατό με την χρήση των κατόψεων που υπάρχουν
στα κατασκευαστικά σχέδια των κτηρίων. Έτσι ανάλογα με τον όροφο στον οποίο
βρίσκεται ο χρήστης θα είναι δυνατό να εμφανίζεται σε εκείνον ο αντίστοιχος χάρτης,
αλλά επίσης να του δίνεται η δυνατότητα να επιλέξει να δει κάποιον διαφορετικό όποτε
το θελήσει.
Παράλληλα, μπορεί να βελτιωθεί η λειτουργία πλοήγησης. Αυτή τη στιγμή η
πλοήγηση βρίσκεται σε πρώιμο στάδιο και απλά βασίζεται στην προβολή της τρέχουσας
θέσης του χρήστη και του προορισμού του στον χάρτη. Αυτό που θα μπορούσε να γίνει
στο σημείο αυτό είναι ο σχεδιασμός της βέλτιστης διαδρομής στον χάρτη, η προβολή
οδηγιών και η δυνατότητα επιλογής εναλλακτικής διαδρομής σε περίπτωση που ο
χρήστης είναι άτομο με κινητικά προβλήματα.
Επιπλέον, θα ήταν πολύ σημαντική η σύνδεση με την βάση δεδομένων του
πανεπιστημίου. Κάτι τέτοιο θα είχε ως αποτέλεσμα οι πληροφορίες που προβάλλονται
να ανανεώνονται αυτόματα, χωρίς να απαιτείται κάθε φορά η αλλαγή τους και στην
ξεχωριστή βάση στην οποία βρίσκονται τώρα. Για παράδειγμα, με την παρούσα
υλοποίηση, εάν αλλάξει διδάσκοντα ένα μάθημα, τότε η αλλαγή αυτή πρέπει να γίνει
χειροκίνητα και στην βάση δεδομένων, ενώ με την προτεινόμενη σύνδεση με την
πανεπιστημιακή βάση κάτι τέτοιο δεν θα απαιτούνταν, αφού τα συστήματα θα
ενημερώνονταν έτσι κι αλλιώς από τα διοικητικά όργανα και την γραμματεία του
τμήματος. Κάτι τέτοιο θα εξασφάλιζε, με λίγα λόγια, την ακεραιότητα και την αξιοπιστία
των παρεχόμενων πληροφοριών.
Επιπρόσθετα, είναι δυνατή η άντληση δεδομένων από περισσότερες πηγές για
την πληροφόρηση των χρηστών. Αυτές μπορεί να περιέχουν την σελίδα της
διαδικτυακής κοινότητας των φοιτητών του ΤΗΜΜΥ [36], την ιστοσελίδα που
σχετίζεται με τα μαθήματα του τμήματος [37] όπως επίσης και άλλες πηγές που
σχετίζονται με διεθνή επιστημονικά περιοδικά ή οργανισμούς.
Τέλος, το look and feel της εφαρμογής θα μπορούσε να βελτιωθεί περισσότερο
ώστε να είναι πιο φιλικό προς τον χρήστη, με την χρήση εφέ κίνησης στις εναλλαγές
ανάμεσα στα μενού.
60
6.3
Μελλοντικές Επεκτάσεις
Η εφαρμογή που δημιουργήθηκε στα πλαίσια της παρούσας εργασίας, ως ένα
σύστημα εντοπισμού θέσης για εσωτερικά περιβάλλοντα, έχει πολύ μεγάλες προοπτικές
επέκτασης στην κατεύθυνση της διεύρυνσης του πεδίου χρηστών, αλλά και των χώρων
στους οποίους μπορεί να υιοθετηθεί.
Ένα βασικό παράδειγμα είναι η επέκταση του πεδίου εφαρμογής από την
Πολυτεχνική Σχολή σε ολόκληρο το Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης ή και σε
άλλα δημόσια ή ιδιωτικά κτήρια. Για παράδειγμα θα μπορούσε να εφαρμοστεί σε μεγάλα
εμπορικά καταστήματα, σε νοσοκομεία, αεροδρόμια και γήπεδα. Εφόσον οι αλγόριθμοι
είναι πλέον διαθέσιμοι, μπορούν αρκετά εύκολα να παραμετροποιηθούν έτσι ώστε να
αναγνωρίζουν τα σήματα Wifi από επιπλέον δρομολογητές και να εκπαιδευτούν
ανάλογα.
Επίσης, θα μπορούσε να διευρυνθεί το κοινό στο οποίο απευθύνεται και να
συμπεριλάβει για παράδειγμα και τους τυφλούς. Αυτό θα μπορούσε να επιτευχθεί με την
ενσωμάτωση φωνητικών εντολών ώστε ο χρήστης να μπορεί να χειρίζεται με τη φωνή
του το πρόγραμμα, όπως επίσης και με την παροχή οδηγιών μέσω ηχητικών μηνυμάτων.
Έτσι θα μπορούσε να καταστεί δυνατή η πλοήγηση χωρίς να είναι καθόλου απαραίτητη
η χρήση του χάρτη.
6.4
Συμπεράσματα
Έπειτα από τις πειραματικές μετρήσεις που έγιναν αλλά και μέσω της
δοκιμαστικής χρήσης της εφαρμογής στον χώρο του Πολυτεχνείου είναι φανερό πως η
τεχνολογία Wifi μπορεί αποδοτικά να χρησιμοποιηθεί για τον προσδιορισμό θέσης μέσα
σε κλειστούς χώρους. Στα σημεία όπου υπάρχει επαρκής κάλυψη δικτύου, τα οποία
περικυκλώνονται από τουλάχιστον τρεις δρομολογητές κάθε στιγμή, μπορεί να
επιτευχθεί ακρίβεια 2 μέτρων. Επίσης, εάν εξαρχής ο σχεδιασμός της δικτυακής
υποδομής ενός κτηρίου γίνει με τέτοιον τρόπο ώστε να υποστηρίξει ένα WPS τότε μπορεί
να γίνει λόγος για ακόμα μεγαλύτερη ακρίβεια. Επίσης σημειώνεται πως ο συνδυασμός
διαφορετικών αλγορίθμων εντοπισμού θέσης μπορεί να βελτιώσει την αποδοτικότητα
61
του συστήματος κάτι που έγινε και στην παρούσα υλοποίηση, αφού στα σημεία που
χωλαίνει ο αλγόριθμος πολυπλευρισμού χρησιμοποιείται μία μέθοδος fingerprinting.
62
Παραρτημα
Smartphone: Κινητό τηλέφωνο το οποίο βασίζεται σε ένα λειτουργικό σύστημα κινητής
τηλεφωνίας με περισσότερη προηγμένη υπολογιστική ικανότητα και συνδεσιμότητα σε
σχέση με ένα απλό τηλέφωνο.
GSM: Global System for Mobile communications.
3G – 4G: Generations of mobile telecommunications technologies.
WIFI: Local area wireless technology.
GPS: Global Positioning System.
WPS: Wifi Positioning System.
IP Address: Internet Protocol Address.
ΑΠΘ: Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης.
ΤΗΜΜΥ: Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών.
AP: Access Point.
Bluetooth LE: Bluetooth Low Energy.
ΙSP: Internet Service Provider.
RSS: Received Signal Strength / Rich Site Summary.
RSSI: Received Signal Strength Indicator.
BT: BlueTooth.
LOS: Line Of Sight signal.
NLOS: non Line Of Sight signal.
TOA: Time Of Arrival.
TDOA: Time Difference Of Arrival.
RTOF: Roundtrip Time Of Arrival.
POA: Phase Of Arrival.
AOA: Angle Of Arrival.
SVM: Support Vector Machine.
SMP: Smallest M-vertex Polygon.
MLP: Multi-layer Perceptron network.
IR: Infrared Radiation.
RFID: Radio Frequency Identification.
WP8: Windows Phone 8.
63
BSSID: Basic Service Set Identification.
MAC Address: Media Access Control Address.
API: Application Program Interface.
XML: eXtensible Markup Language.
64
Βιβλιογραφια
[1] Επίσημη ιστοσελίδα εταιρίας InfSoft, http://www.infsoft.com/Products
[2] Επίσημη ιστοσελίδα εταιρίας Wifarer, http://www.wifarer.com/technology
[3] Επίσημη ιστοσελίδα του project RedPin, http://redpin.org/index.html
[4] Bolliger, Philipp (2008) "Redpin - adaptive, zero-configuration indoor localization
through user collaboration". Proceedings Of The First Acm International Workshop On
Mobile Entity Localization And Tracking In Gps Less Environments, pp. 55 - 60.
[5] Pauli, Volker; Naranjo, Juan Diego; Seidel, Eiko (December 2010). "Heterogeneous LTE
Networks and Inter-Cell Interference Coordination". Nomor Research. Retrieved 2 April
2012.
[6] Ibrahim, M; Youssef, M (2010). "CellSense: A Probabilistic RSSI-Based GSM
Positioning System". Ieee Global Telecommunications Conference Globecom 2010, pp. 1
- 5.
[7] Zeimpekis, Vasileios; Lekakos, George; Giaglis, George (2002). "A taxonomy of indoor
and outdoor positioning techniques for mobile location services". Acm Si Gecom
Exchanges, Vol. 3, Issue 4, pp. 19 - 27.
[8] Wei Guo; Jie Chen; Liu, K.J.R; Guolin Sun (2005)."Signal processing techniques in
network-aided positioning: a survey of state-of-the-art positioning designs". Ieee Signal
Processing Magazine, Vol. 22, Issue 4, pp. 12 - 23.
[9] Chen, Mike Y; Varshavsky, Alex; Sohn, Timothy; Chmelev, Dmitri; Haehnel, Dirk;
Hightower, Jeffrey; Hughes, Jeff; LaMarca, Anthony; Potter, Fred; Smith, Ian (2006).
"Practical Metropolitan-Scale Positioning for GSM Phones". UbiComp 2006: Ubiquitous
65
Computing, 2006, Lecture Notes in Computer Science, ISBN 3540396349, Volume 4206,
pp. 225 - 242.
[10] Subhan, F; Hasbullah, H; Rozyyev, A; Bakhsh, ST (2011). "Indoor positioning in
Bluetooth networks using fingerprinting and lateration approach". 2011 International
Conference On Information Science And Applications, pp. 1 - 9.
[11] Antti, Kotanen; Marko, Hännikäinen; Helena Leppäkoski; Timo D., Hämäläinen
(2003).
"Experiments on local positioning with Bluetooth". ITCC, Ieee Computer
Society, pp. 297-303.
[12] Yim, Jaegeol; Joo, Jaehun; Jeong, Seunghwan; Gwon, Kiyoung (2010). "Improvement
of Kalman filters for WLAN based indoor tracking". Expert Systems with Applications,
Vol. 37. Issue 1, pp. 426 - 433.
[13] Zhou, S.; Pollard, J.K. (2006). “Position measurement using Bluetooth”. Ieee
Transactions on Consumer Electronics, Vol. 52, No. 2, p. 555.
[14] Diaz, J. M.; Maues, Rodrigo de A.; Soares, Rodrigo B.;Nakamura, Eduardo F.,
Figueiredo, Carlos M. S. (2010). "Bluepass: An indoor Bluetooth-based localization system
for mobile applications". Computers and Communications (ISCC), Ieee Symposium, pp.
778-783.
[15] Pahlavan, K; Xinrong Li; Makela, J.P (February 2002). "Indoor geolocation science
and technology". IEEE Communications Magazine, Vol. 40, Issue 2, pp. 112 - 118.
[16] Macnaughtan, M; Drane, C; Scott, C (1998). "Positioning GSM telephones". Ieee
Communications Magazine, Vol. 36, Issue 4, pp. 46 - 54.
[17] Fang, B.T (1990). "Simple solutions for hyperbolic and related position fixes". Ieee
Transactions On Aerospace And Electronic Systems, Vol. 26, Issue 5, pp. 748 - 753.
66
[18] Kanaan, M. ; Technol. Organ., Verizon Commun., Waltham, MA, USA ; Pahlavan, K.
(2004). "A comparison of wireless geolocation algorithms in the indoor environment".
Wireless Communications and Networking Conference, WCNC. , Vol. 1, pp. 177 - 182.
[19] D., Torrieri (1984). "Statistical theory of passive location systems" IEEE Trans.
Aerosp. Electron. Syst., Vol. 20, No. 2, pp. 183–197.
[20] J., Zhou; K., Chu,Y., Ng (2005). "Providing location services within a radio cellular
network using ellipse propagation model" in Proc. 19th Int. Conf. Adv. Inf. Netw. Appl.,
Mar. 2005, pp. 559–564.
[21] A., Teuberand; B., Eissfeller (2006). "A two-stage fuzzy logic approach for wireless
LAN indoor positioning" in Proc.IEEE/IONPositionLocationNavigat. Symp., Apr. 2006,
vol. 4, pp. 730–738.
[22] A., Gunther; C., Hoene (2005). "Measuring round trip times to determine the distance
between WLAN nodes,” in Proc. Netw. 2005., Waterloo, ON,Canada, May 2005, pp. 768–
779.
[23] B., Van Veen; K. M. Buckley (1988). "Beamforming: A versatile approach to spatial
filtering". IEEE ASSP Mag., vol. 5, no. 2, pp. 4–24, Apr. 1988.
[24] P., Stoica ;R. L., Moses (1997). "Introduction to Spectral Analysis". Englewood Cliffs,
NJ: Prentice-Hall, 1997.
[25] B., Ottersten; M., Viberg; P., Stoica; A., Nehorai; “Exact and large sample ML
techniques for parameter estimation and detection in array processing,” in Radar Array
Processing, S. S. Haykin, J. Litva, and T. J. Shepherd, Eds. New York: Springer-Verlag, 1993,
pp. 99–151.
[26] N., Cristianini; J., Shawe-Taylor (2000). "An Introduction to Support Vector
Machines". Cambridge Univ. Press, 2000. [Online]. Available: http://www.supportvector.net
67
[27] H., Liu; A., Kshirsagar; J., Ku; D., Lamb; C., Niederberger (2005). "Computational
models of intracytoplasmic sperm injection prognosis,” in Proc. 13thEur. Symp. Artif.
NeuralNetw. ,Bruges ,Belgium,Apr.2005,pp.115–120.
[28] V., Kecman (2001). "Learning and Soft Computing". Cambridge, MA: MIT Press, 2001.
[29] V., Vapnik (1995). "The Nature of Statistical Learning Theory". NewYork:Springer,
1995.
[30] M., Brunato; R., Battiti (2005). "Statistical learning theory for location fingerprinting
in wireless LANs,” Comput. Netw., vol. 47, pp. 825–845.
[31] C., L., Wu; L., C., Fu; F., L., Lian (2004). "WLAN location determination in e-home via
support vector classification,” in Proc. IEEE Int. Conf. Netw., Sens. Control, 2004, vol. 2,
pp. 1026–1031.
[32] H., Liu; H., Darabi; P., Banerjee; J., Liu (2007). "Survey of Wireless Indoor Positioning
Techniques and Systems", Ieee Transactions On Systems, Man And Cybernetics, Vol. 37,
Issue 6, pp. 1067 - 1080.
[33] Ιστοσελίδα του Τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών,
ΑΠΘ, http://ee.auth.gr
[34] RSS Feed της Ιστοσελίδας του Τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών
Υπολογιστών, ΑΠΘ, http://ee.auth.gr/feed/
[35] Ιστοσελίδα χαρτών της Google, https://www.google.gr/maps
[36] Ιστοσελίδα διαδικτυακής κοινότητας των φοιτητών του τμήματος Ηλεκτρολόγων
Μηχανικών και Μηχανικών Υπολογιστών,
https://www.thmmy.gr/smf/index.php?action=forum
[37] Ιστοσελίδα μαθημάτων του τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών
Υπολογιστών, https://alexander.ee.auth.gr:8443/eTHMMY
68

Kamu ve Özel Hastanelerde Hizmet Kalitesi, Hasta Tatmini

ΔΙΜΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

R - Karadeniz Teknik Üniversitesi

Διπλωματικές εργασίες 2013-2014 (Καθ. Δημήτριος Σούντρης)

2Ο ΣΕΤ ΑΣΚΗΣΕ Ν

ΕΔΩ

Αύγουστος - ΜΟΡΦΩΤΙΚΟΣ ΣΥΛΛΟΓΟΣ ΟΡΕΣΤΙΣ