Description

Локализация внутренних пользователей Wi-Fi с помощью байесовского статистического моделирования.

С помощью GPS наружное позиционирование претерпело значительные изменения. Тем не менее, мы страдаем от важных неточностей, когда сталкиваемся с внутренним корпусом. Существование сети Wi-Fi дает альтернативу построению системы локализации, и в последние годы в этой области были проведены значительные исследования, среди которых локализация на основе информации о мощности беспроводного сигнала привлекла внимание благодаря своей низкой стоимости и простоте реализации. . Однако из-за сложности получения меток местоположения данных контролируемые модели иногда трудно построить на практике.

В этой статье вы прочитаете:

1. Неконтролируемая модель для определения местоположения пользователей Wi-Fi на основе полученного индикатора уровня сигнала (RSSI).
2. Как использовать структуру байесовской модели Pymc3 для локализации с допуском неопределенности.

Локализация пользователей Wi-Fi на основе RSSI

Методы локализации RSSI основаны на измерении значения RSSI от клиентского устройства до нескольких разных точек доступа и последующем объединении этой информации с моделью распространения для определения расстояния между клиентским устройством и точками доступа. Значение RSSI может быть зафиксировано беспроводным датчиком с удивительной точностью, использующим технологию пассивного радара ближнего действия. На практике, к сожалению, трудно получить пару 1-к-1 местоположения устройства и его значения RSSI, полученного датчиком в точке доступа. Однако хорошая новость заключается в том, что в нашем случае, несмотря на отсутствие размеченных данных, физика может помочь нам построить неконтролируемую модель. Для устройства d и датчика s в некоторой точке доступа физическим опытом доказано следующее уравнение:

где a — константа, а p(s), p(d) — положения датчика и устройства. Значения трех оставшихся функций зависят только от устройства и датчика.
Из этого уравнения мы видим, что относительно просто получить значение RSSI, если мы знаем значение константы как выражения трех оставшихся функций и положений устройства и датчика.
Для простоты предположим, что все три функции являются константами, то есть уравнение можно упростить как линейную регрессию логарифмического расстояния между устройством и датчиком:

Предположим, что вы знаете точное значение константы в приведенном выше уравнении и где находится датчик, несложно определить сферу, на которой находится устройство, для которого уравнение удовлетворяется. Теоретически для локализации устройства нам нужно всего 4 датчика. Но внимание, проблема сложнее теории по трем основным причинам:

1. У нас нет доступа к двум константам в уравнении.
2. Измерения RSSI имеют тенденцию сильно колебаться в зависимости от изменений в окружающей среде, поэтому уравнение всегда не выполняется.
3. На практике мы страдаем от важной потери данных.

Байесовская модель локализации устройств

Представьте теперь, что у нас есть предоставленный набор данных значений RSSI от нескольких датчиков, которые могут иметь плохое качество: потеря данных части датчиков, ослабление сигналов и т. д. Что мы можем сделать, чтобы локализовать пользователей Wi-Fi, которые отправили эти значения RSSI со своих устройств? Мое предложение: дайте модели право на некоторую неопределенность. Эта неопределенность допустима во многих случаях использования: например, в торговом центре достаточно, чтобы оператор знал, в каком магазине/зоне находится пользователь, а не точную точку.

Предположим, что мы знаем положение всех датчиков Wi-Fi. Целевое пространство дискретизируется на местоположения. Неизвестные константы подчиняются некоторым нормальным распределениям. Идея модели состоит в том, чтобы сначала предположить, что целью могут быть эти местоположения с некоторыми вероятностями, и эти вероятности могут генерировать распределение значений RSSI. Теперь для заданного вектора RSSI цель состоит в том, чтобы найти положение и пару констант, которые могли бы генерировать этот заданный вектор, то есть максимизировать вероятность log(p(RSSI|d; a,c)).

Вспомните, как мы говорили в предыдущем разделе, что измерения RSSI имеют тенденцию сильно колебаться в зависимости от изменений в окружающей среде. Таким образом, мы делаем здесь еще одно предположение, что значение RSSI данного датчика и отправленное данным устройством подчиняется нормальному распределению.

Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09