Analisi e realizzazione software per la soluzione del Sensor Placement in sistemi di localizzazione attraverso algoritmi di ottimizzazione multiobiettivo Correlatore: Ing. Massimo Ficco Relatore: Prof. Domenico Cotroneo Candidato: Esposito Christiancarmine 41/3359

Obiettivi del lavoro di tesi 1 Obiettivi del lavoro di tesi Analizzare i requisiti di qualità per un sistema di positioning, in termini di accuratezza e precisione; Raccogliere e analizzare una serie di misurazioni RSS, in diversi contesti, al fine di formulare delle linee guida da rispettare per avere un sistema di localizzazione di buona qualità Progettare un software per supportare la realizzazione di un sistema di positioning con delle caratteristiche di accuratezza e precisione accettabili

Articolazione del Fingerprinting 2 Articolazione del Fingerprinting una fase off-line, in cui il sistema memorizza i campioni RSS di punti di riferimento, con una posizione ben nota, in una banca dati; una on-line, in cui gli RSS dei beacon vengono confrontati con quelli memorizzati per poter determinare la posizione di un utente. Il punto cruciale è la realizzazione del database degli RSS di riferimento, o mappa dei radio segnali, processo che prende il nome di apprendimento o calibrazione.

Il perché della scelta di Bluetooth 3 Il perché della scelta di Bluetooth La maggior parte dei dispositivi mobili è dotato di un’interfaccia Bluetooth integrata; È economica, low-power consuptive e dalle ridotte dimensioni (1 cm²) Poche interferenze sulla banda di trasmissione, adotta uno schema FHSS con un alto Hop Rate (1600 salti al secondo) Non consente una misura diretta RSS, ma solo l’indicazione dell’appartenenza a determinati intervalli, bassa discriminazione delle posizioni Range limitato, intorno ai 20 metri, per la maggior parte dei dispositivi, quelli di classe 2

Fattori condizionanti la qualità del positioning 4 Fattori condizionanti la qualità del positioning L’unico fattore su cui è possibile agire in fase di progettazione del sistema di positioning è il numero di sensori e il loro placement pattern

Accuratezza e precisione per numero di sensori 5 Accuratezza e precisione per numero di sensori All’aumentare del numero di sensori la precisione del sistema aumenta . . . . . . mentre l’accu-ratezza si riduce!

Clusterizzazione aree 6 Garantire una buona accuratezza con molti sensori Si tassella lo spazio solo in base al valore nullo nella misura rispetto a un sensore, o comunque quello con la probabilità maggiore nella distribuzione di misure in quel punto Si eseguono delle misure in maniera periodica, quasi continua, e si modifica la posizione solo se le misure sono quelle che identificano le regioni adiacenti a quella corrente. Clusterizzazione aree per strongest first Positioning history-based Ho un miglioramento dell’accuratezza del 48%. . . . . . a spese della preci-sione che peggiora del 50% Per poter usare questo approccio, la condizione da rispettare è che tra due misurazioni successive, l’utente possa essere passato ad una regione adiacente a quella in cui si trovava, scartando la possibilità che si sia mosso oltre. Non ho peggioramenti della precisione.

7 Il software BlueJOIBP Modulo di disegno, ha il compito di consentire all’utente di realizzare una mappa Modulo di simulazione, a partire da una mappa, simula la tassellazione RSSI, dato un placement pattern Modulo di ottimizzazione, a partire da una mappa, determina l’insieme dei pattern ottimali

Il modulo di disegno del software BlueJOIBP 8 Il modulo di disegno del software BlueJOIBP ToolBar degli strumenti Menu degli strumenti Piano di lavoro

Il modulo di simulazione 9 Il modulo di simulazione Vengono caricati tutti i dati che servono per avviare la simulazione (matrice della mappa, scala, tipologia di sensore e altro) Data Loader A partire dai dati iniziali determina la matrice della potenza ricevuta, posto un sensore in un punto della mappa, usando il Multi-Wall Model su un solo piano: Wave Propagation Engine RSSI Predicter Data la matrice della potenza ricevuta, assegno il valore nullo se ricade nella GRPR, -1 se inferiore

Attenuazione addizonale 10 Attenuazione addizonale Il Multi-Wall Model genera dei buoni risultati, quando deve simulare dei dati in un’ambiente debolmente disturbato, non in uno fortemente Misure sul campo Risultati simulazione usando il Multi-Wall Model Risultati simulazione usando il Multi-Wall Model modificato, introducendo un’attenuazione ambientale nella formula di PL

Il modulo di simulazione 11 Il modulo di simulazione Vengono caricati tutti i dati che servono per avviare l’ottimizzazione (matrice della mappa, scala, tipologia di sensore e altro, se serviranno per le simulazioni, e i parametri propri del motore ottimizzatore) Data Loader Optimization Engine L’algoritmo di ottimizzazione scelto lavora sui dati inseriti, fino al soddisfacimento della condizione di arresto Result Handler I risultati vengono presentati all’utente nella maniera più adeguata

Gli algoritmi di ottimizzazione 12 Gli algoritmi di ottimizzazione OptiEngine MOGA PAES M-PAES Cost Value: 57 Cost Value: 222 Cost Value: 72