Indoor Radio Localization in a DECT Wireless Network using Bayesian Inference
Translated title
Indendørs Radiolokalisering i et DECT Trådløst Netværk ved brug af Bayesiansk Inferens
Author
Ramsgaard-Jensen, Kasper
Term
4. semester
Education
Publication year
2019
Pages
123
Abstract
Dette speciale er udarbejdet i samarbejde med RTX A/S og undersøger indendørs radiolokalisering i et DECT-net (Digital Enhanced Cordless Telecommunications) ved hjælp af modtaget signalstyrke (RSS). Formålet er at beskrive, hvordan signalstyrke hænger sammen med afstand, og hvordan den viden kan bruges til at bestemme en enheds position indendørs. Til dette formål anvendes en detaljeret systemspecifikation. På baggrund heraf er der udviklet en iterativ algoritme baseret på variational message passing med moment matching. Kort fortalt udveksler metoden usikker, probabilistisk information mellem dele af modellen og tilnærmer fordelinger ved at matche deres momenter (f.eks. middelværdi og varians). Det er en fordel at begrænse disse beskeder til en bred klasse af fordelinger (den eksponentielle familie), da det giver simple og beregningsvenlige tilnærmelser. Algoritmens ydeevne er undersøgt med Monte Carlo-simuleringer på både simulerede data og data fra en målekampagne. Når basestationerne antages at være sektorantenner, konvergerer algoritmen hurtigt til en position tæt på den sande placering. De estimater, der afviger fra den rigtige position, skyldes primært dårlige RSS-målinger, og den hurtige konvergens kan betyde, at andre basestationer ikke når at bidrage. Ved at sortere basestationer efter RSS opnås dog middel-fejlafstande på cirka 5 meter i simulerede miljøer og under 5 meter på måledata. Da metoderne kan udlede skjult afstandsinformation fra RSS-målinger, kan resultaterne påvirke den fremtidige udvikling af RSS-baseret indendørs lokalisering.
This master’s thesis, conducted with RTX A/S, investigates indoor radio localization in a DECT (Digital Enhanced Cordless Telecommunications) network using received signal strength (RSS). The aim is to model how signal strength relates to distance and how that relationship can be used to determine a device’s indoor position. A detailed system specification is used to structure the problem. Based on this, the work derives an iterative algorithm using variational message passing with moment matching. In simple terms, the method passes uncertain, probabilistic information between parts of the model and approximates distributions by matching their moments (such as mean and variance). Restricting these messages to the exponential family of probability distributions proves advantageous, because it yields simple, tractable approximations. The algorithm’s performance is evaluated with Monte Carlo simulations on both simulated data and data from a measurement campaign. When base stations are assumed to be sector antennas, the algorithm converges quickly to a position near the true location. Estimates that disagree with the ground truth are mainly caused by poor RSS measurements, and the rapid convergence can limit contributions from other base stations. Sorting base stations by RSS, however, achieves mean error distances of approximately 5 meters in simulated environments and less than 5 meters on real data. Because the methods can infer hidden distance information from RSS measurements, these results may guide future work on RSS-based indoor localization.
[This abstract was generated with the help of AI]
Documents