Indoor Radio Localization in a DECT Wireless Network using Bayesian Inference

Abstract

Nutidens teknologiudvikling går i retning af, at antallet af enheder, der kan tilgå internettet eller andre former for trådløs kommunikation, er stigende. Derfor er antallet af områder, hvor der kan være behov for lokaliseringsmetoder, blevet mere udbredt, specielt i områder hvor satellitforbindelse ikke er tilgængelig, hvilket resulterer i, at teknologier såsom GPS forringes betydeligt. På baggrund af dette har RTX A/S efterspurgt en løsning i sådanne miljøer. Denne specialeafhandling dokumenterer en analyse om, hvorvidt statistiske metoder kan benyttes til at udlede en algoritme til indendørs lokalisering af enheder, der kommunikerer trådløst ved hjælp af DECT radioteknologien. Algoritmen skal på baggrund af modtaget signal styrke fra et antal basestationer, med kendte positioner, estimerer den pågældende enheds position. For at opnå en sådan lokaliseringsmetode vil kendte algoritmer blive studeret og forsøgt omdannet til den pågældende problemstilling. Rapporten indledes med en gennemgående systemspecifikation af det pågældende DECT netværk for at vurdere, hvilke observerbare størrelser der er til rådighed og kan bruges til positionering. De relevante variable er derefter blevet sammensat til det generelle lokaliseringsproblem i form af et inferensproblem. I de følgende kapitler undersøges det hvorledes sådanne inferensproblemer kan blive løst på en struktureret og effektiv måde ved hjælp af message passing algoritmer, specielt variational message passing. Den sidste del af rapporten beskæftiger sig med at anvende den gennemgåede teori om inferensmetoder til at skabe en ny algoritme passende til det relevante lokaliseringsproblem. Den endelige algoritme er en kombination af variational message passing og moment matching, der ved at restringere de pågældende beskeder til den eksponentielle familie af fordelingsfunktioner opnår simple beskedapproksimationer. Approksimationerne bliver efterfølgende vurderet og viser stor sammenlignelighed med de sande beskeder. For at teste algoritmens anvendelighed er denne blevet implementeret i Python. Resultater fra både simuleret og indsamlet data viser, at den udledte algoritme giver gode resultater, hvis de pågældende basestationer antages at være sektorantenner. Algoritmen opnår afstands middelfejl på omkring 5 meter i simulerede miljøer og under 5 meter i det rigtige miljø. Dog er der åbne aspekter af algoritmen, der kan vise sig fordelagtige at undersøge i videre arbejde med emnet men denne specialeafhandling viser som et proof-of-concept, at statistiske metoder kan benyttes til indendørs lokalisering.

This master's thesis is written in collaboration with RTX A/S and addresses indoor radio localization in a DECT network using \textit{received signal strength} (RSS). In order to model the localization problem and the relationship between RSS and distance an extensive system specification has been employed. Based on the findings, an iterative moment matching variational message passing algorithm has been derived. It has proven advantageous to restrict the messages to the exponential family of probability distributions and employing moment matching for deriving simple message approximations. The performance of the algorithm has been tested with simulated and real data through Monte Carlo simulations. If the base stations are assumed to be sector antennas, the algorithm quickly converges to a final position in the vicinity of the true position. Those estimates which do not agree with the true position are caused by inferior RSS measurements and due to the fast convergence, other base stations may not contribute. Sorting the base stations with respect to the RSS does, however, yield mean error distances of approximately 5 meters in simulated environments and less than 5 meters using data from a measurement campaign. As the explored methods are able to infer latent distance information from RSS measurements the results of this project can impact the future direction of indoor localization based on RSS.

A master thesis from Aalborg University

Indoor Radio Localization in a DECT Wireless Network using Bayesian Inference

[Indendørs Radiolokalisering i et DECT Trådløst Netværk ved brug af Bayesiansk Inferens]