Position Tracking Using a Self Learning Mobility Model
Translated title
Positions Filtrering ved Brug af Adaptiv Model
Authors
Pedersen, Nikolaj ; Laursen, Troels
Term
4. term
Education
Publication year
2011
Submitted on
2011-06-01
Pages
66
Abstract
This project examines how filtering and smoothing of noisy position measurements can improve accuracy, particularly in indoor settings where GPS is unreliable. We compare five filters that use increasing amounts of mobility information: a simple moving average without a mobility model, Viterbi-based methods with speed constraints, a reduced-complexity variant, a directional model that favors straight-line motion, and an adaptive Viterbi model that learns movement patterns from training data and can capture geographically dependent mobility changes. The filters are evaluated through simulations with a simple noise model across multiple motion scenarios, in both off-line and on-line modes. Results show that the adaptive model achieves the best accuracy, improving performance by 15% off-line and 19% on-line compared with the directional mobility model. Tests under different noise variances revealed effects that warrant further investigation, and potential runtime optimizations are identified as future work.
Dette projekt undersøger, hvordan filtrering og udglatning af støjende positionsmålinger kan forbedre nøjagtigheden, særligt i indendørs miljøer hvor GPS er utilstrækkelig. Vi sammenligner fem filtre med stigende udnyttelse af mobilitetsinformation: et simpelt glidende gennemsnit uden mobilitetsmodel, Viterbi-baserede metoder med hastighedsbegrænsning, en reduceret kompleksitetsvariant, en retningsvægtningsmodel der favoriserer lige bevægelse, samt en adaptiv Viterbi-model, der lærer bevægelsesmønstre ud fra træningsdata og kan afspejle geografisk afhængige ændringer i mobilitet. Filtrene evalueres i simulationer med en simpel støjmodel og flere bevægelsesscenarier, både i off-line og on-line tilstand. Resultaterne viser, at den adaptive model giver den bedste nøjagtighed med en forbedring på 15% i off-line og 19% i on-line drift sammenlignet med den retningsbaserede model. Test under varierende støjniveauer gav observationer, der kræver yderligere analyse, og mulige runtime-optimeringer peges på som fremtidigt arbejde.
[This apstract has been generated with the help of AI directly from the project full text]