principi pozicioniranja u radio...
TRANSCRIPT
Principi
pozicioniranja
u radio sistemima4
Doc. dr Mirjana Simić
Probabilistički
pristup
određivanju lokacije MS (probabilistički vs. deterministički pristup)
•
Deterministički pristup određivanju lokacije MS: angulacija, lateracija (cirkularna, hiperbolička).
•
Prednosti:–
proračun lokacije MS se uglavnom svodi na rešavanje sistema linearnih jednačina (dobijenih linerizacijom u postupku cirklularne/hiperboličke lateracije)
–
lokacija MS se dobija u vidu 2 broja, tj. geografskih koordinata (odnosno, koordinata u npr. Dekartovom sistemu koje se onda lako
prevode u geografske koordinate) –
metode determinističkog pristupa ne unose veliko kašnjenje (proračuni relativno jednostavni)
–
metode determinističkog pristupa nemaju velike memorijske zahteve.
•
Nedostaci:–
zahtev za minimalnim brojem referentnih tačaka (baznih stanica) kao uslov za rešavanje sistema nelinearnh jednačina:
•
angulacija: nBS,min
=2•
cirkularna lateracija: nBS,min
=3•
hiperbolička lateracija: nBS,min
=3/4
–
zahtev za minimalnim brojem referentnih tačaka može negativno uticati na parametar dostupnosti
metoda pozicioniranja koje se
baziraju na determinističkom pristupu: nemogućnost primene u ruralnim zonama gde se ne može uvek obezbediti minimalan broj baznih stanica neophodnih za određeni deterministički algoritam.
Probabilistički
pristup
određivanju lokacije MS (probabilistički vs. deterministički pristup)
–
Velika osetljivost na tačnost ulaznih podataka, tj. na uslove propagacije (višestruka propagacija, posebno NLOS uslovi prostiranja).
–
Razlog velike osetljivosti na tačnost ulaznih podataka je princip na kojem se zasniva deterministički pristup:
Probabilistički
pristup
određivanju lokacije MS (probabilistički vs. deterministički pristup)
(X1 , Y1)
(X2 , Y2)
(X3 , Y3)
Deterministički pristup
•
sva merenja koja se vrše u cilju procene rastojanja poseduju određeni stepen neodređenosti –
determinističke metode to ignorišu!
–
Posledica: •
pojava višestrukih rešenja ili čak izostanka bilo kakvog reizostanka bilo kakvog reššenjaenja, tj. nemogućnosti procene lokacije mobilne stanice.
•
nekonzistentnost rešenja procene lokacije mobilne stanice (nesaglasnost izvora informacija).
Probabilistički
pristup
određivanju lokacije MS (probabilistički vs. deterministički pristup)
•
Probabilistički pristup: bazira se na probabilističkim modelima kojima se opisuje zavisnost karakteristika signala koje prima mobilna stanica od lokacije mobilne stanice.
•
Probabilistički algoritmi tretiraju ulazne podatke o lokaciji mobilne stanice kao prostorne funkcije gustine verovatnoće (uzimaju se u obzir sve neodređenosti merenih parametara!), i združuju ih u cilju poboljšanja procene lokacije mobilne stanice.
Probabilistički
pristup
određivanju lokacije MS (probabilistički
vs. deterministički pristup)
(X1 , Y1)
(X2 , Y2)
(X3 , Y3)
gre ška rastojanja
Probabilistički pristup
•
Prednosti: –
uvek
se dobija procenjena lokacija MS! (nema opasnosti od izostanka
rešenja kao što je slučaj kod rešavanja determinističkih sistema)
–
manja osetljivost na uslove propagacije (NLOS) –
rešenje se
može uvek dobiti za razliku od determinističkih metoda; uslovi propagacije mogu uticati samo na smanjenje tačnosti određivanja lokacije
–
nema zahteva za minimalnim brojem referentnih tačaka (baznih stanica), pa time i bolja dostupnost od metoda pozicioniranja baziranih na determinističkom pristupu; naravno, veći broj BS povećava tačnost pa je svakako poželjan
–
kao rezultat procene lokacije MS može se dostaviti i zona u kojoj se procenjuje lokacija MS (koja se može ubaciti u odgovarajuću geografsku mapu).
Probabilistički
pristup
određivanju lokacije MS (probabilistički
vs. deterministički pristup)
Probabilistički
pristup
određivanju lokacije MS (probabilistički
vs. deterministički pristup)
•
Nedostaci:–
proračun lokacije MS primenom probabilističkog pristupa može biti računarski zahtevan –
metode pozicioniranja loše po pitanju parametra računarskog opterećenja (što se u slučaju mobile-based
metoda prenosi i na parametar energetske efikasnosti)!
–
mogu se javiti veći zahtevi po pitanju memorijskog prostora;
-
određivanje lokacije mobilne stanice kao matematičko očekivanje nekada može dati apsurdan rezultat, tj. može proceniti lokaciju mobilne stanice na mestu na kojem se mobilna stanica ni u kom slučaju ne može nalaziti. Ipak, u opštem slučaju, matematičko očekivanje predstavlja najbolji pogodak lokacije mobilne stanice.
BS (xBS,yBS)
zona u kojoj se može nalaziti MS
procenjena lokacija MS (matematicko ocekivanje)! (van zone u kojoj se jedino
može nalaziti?!?!)
•
Posmatra se scenario: –
poznate su koordinate referentnih tačaka (baznih stanica)–
nepoznata je lokacija mobilne stanice –
poznati su n
dostupnih izvora informacija -
karakteristike signala koje prima mobilna stanica (nivo signala, vreme propagacije signala,...)
•
Algoritam:–
Određivanje funkcija gustine verovatnoće sa n
dostupnih izvora informacija–
Redukcija prostora–
Diskretizacija prostora–
Uvođenje funkcija gustine verovatnoće ekskluzivnog tipa–
Računanje nepoznate lokacije mobilne stanice
Probabilistički
pristup
određivanju lokacije MS Algoritam
•
U opštem slučaju, na raspolaganju je n međusobno nezavisnih izvora informacija o lokaciji mobilne stanice, i neka je svaki od njih opisan svojom funkcijom gustine verovatnoće pi
(x,y) za i=1, ...n.
•
Svaka od funkcija gustine verovatnoće sadrži informaciju o verovatnoći da se mobilna stanica nalazi u zoni prostora ograničenoj sa x1
<x<x2
, y1
<y<y2
:
Probabilistički
pristup
određivanju lokacije MS Određivanje funkcija gustine verovatnoće
( ) ( )∫ ∫=<<<<2
1
2
1
,, 2121
y
y
x
xi dydxyxpyyyxxxP
•
Svaka funkcija gustine verovatnoće mora zadovoljavati kriterijum normalizacije:
( ) 1, =∫ ∫+∞
∞−
+∞
∞−
dydxyxpi
1
2
•
Funkcija gustine verovatnoće koja obezbeđuje kompletnu informaciju
o lokaciji mobilne stanice je dvodimenzionalna prostorna Dirac-ova funkcija, obzirom da ona pokazuje da je mobilna stanica locirana tačno
na koordinati (x0
,y0
):
Probabilistički
pristup
određivanju lokacije MS Određivanje funkcija gustine verovatnoće
( ) ( )00 ,, yyxxyxpDI −−= δ
•
Sa druge strane, najmanju informaciju o lokaciji mobilne stanice obezbeđuje uniformna raspodela. U slučaju kada se mobilna stanica nalazi u ograničenom delu prostora, tj. u oblasti površine A, funkcija gustine verovatnoće uniformne raspodele unutar te oblasti je:
( )A
yxpUD1, =
•
Uniformna raspodela: “mobilna stanica je negde unutar zone površine A!”.•
Dirac-ova raspodela: “mobilna stanica je tačno
na lokaciji (x0
,y0
)!”
3
4
•
Osnovna ideja probabilističkog pristupa je združivanje funkcija gustine verovatnoće dobijenih iz različitih izvora informacija, u cilju dobijanja što je moguće tačnije informacije o lokaciji mobilne stanice.
•
Logično, krajnji cilj bi bio funkcija gustine verovatnoće koja bi bila dvodimenzionalna prostorna Dirac-ova funkcija –
znali bismo tačno gde je mobilna stanica!
•
U slučaju da na raspolaganju imamo 2 dostupna izvora informacija poznatih funkcija gustine verovatnoće pi
(x,y) i
pj
(x,y), združena funkcija gustine verovatnoće pij
(x,y)
dobija se kao:
Probabilistički
pristup
određivanju lokacije MS Određivanje funkcija gustine verovatnoće
( ) ( ) ( )
( ) ( )∫ ∫∞+
∞−
∞+
∞−
=dydxyxpyxp
yxpyxpyxp
ji
jiij
,,
,,,
5
•
Rezultat No5 se može generalizovati na skup od n
dostupnih izvora informacija, gde se dobija:
( )( )
( )∫ ∫∏
∏∞+
∞−
∞+
∞− =
==dydxyxp
yxpyxp
n
ii
n
ii
1
1
,
,,
Probabilistički
pristup
određivanju lokacije MS Određivanje funkcija gustine verovatnoće
•
Odgovor na zahtev o lokaciji mobilne stanice
primenom probabilističkog pristupa
predstavljaju koordinate x0
i y0
koje su najbliže stvarnim koordinatama ciljane mobilne stanice. U teoriji verovatnoće,
x0
i y0
predstavljaju matematičko očekivanje dvodimenzionalne slučajne promenljive (x,y)
čija je funkcija gustine verovatnoće p(x,y):
( )∫ ∫+∞
∞−
+∞
∞−
= dydxy,xpxx0 ( )∫ ∫+∞
∞−
+∞
∞−
= dydxy,xpyy0
6
7 8
•
Nakon određivanja funkcija gustine verovatnoće sa n
dostupnih izvora informacija, prvi korak u implementaciji algoritma je redukcija prostora u okviru kojeg se procenjuje lokacija mobilne stanice.
•
Neka je pi
(x,y)=0 u svim tačkama osim u zoni pravougaonog oblika definisanoj sa:
Probabilistički
pristup
određivanju lokacije MS Redukcija prostora
maxmin ii xxx ≤≤ maxmin ii yyy ≤≤
•
Unutar ovako definisane zone, mogu postojati tačke, pa i podregioni, gde je pi
(x,y)=0, ali izvan nje ni u jednoj tački ne sme biti ispunjen uslov pi
(x,y)≠0.
9 10
Probabilistički
pristup
određivanju lokacije MS Redukcija prostora
pi(x,y)≠0 pi(x,y)≠0
xi min xi max
yi min
yi max
•
U skladu sa ovim zaključkom, jasno je da rešenje za xi min
, xi max
, yi min
, yi max
iz izraza 9 i 10 nije jedinstveno.
•
Zbog toga se u cilju maksimalnog redukovanja pravougaone zone, uvode dodatna ograničenja: xi min
i yi min
treba da budu najveće, a xi max
i yi max
najmanje vrednosti koje obezbeđuju da u svim tačkama izvan zone definisane sa 9 i 10 važi pi
(x,y)=0.
•
Rezultat je najmanja pravougaona zona unutar koje su sve tačke u kojima je funkcija gustine verovatnoće različita od nule.
•
Neke funkcije gustine verovatnoće, kao što je na primer funkcija gustine verovatnoće normalne ili Gauss-ove raspodele, u svim tačkama u kojima su definisane imaju vrednost koja je različita od nule. U tim slučajevima pogodno je koristiti aproksimalciju kako bi se isključile tačke u kojima funkcija gustine verovatnoće ima zanemarljivo male vrednosti.
Probabilistički
pristup
određivanju lokacije MS Redukcija prostora
Probabilistički
pristup
određivanju lokacije MS Redukcija prostora
pi(x,y)≠0 pi(x,y)≠0 pi(x,y)≠0
•
U skladu sa 6, združena funkcija gustine verovatnoće ima vrednost različitu od nule u svim tačkama u kojima pojedninačne funkcije gustine verovatnoće imaju vrednosti različite od nule.
•
Dakle, zona u kojoj združena funkcija gustine verovatnoće ima vrednosti različite od nule dobija se u preseku pravougaonih zona definisanih pojedinačnim funkcijama gustina verovatnoće, tj.
maxmin xxx ≤≤ maxmin yyy ≤≤
gde je:
( )min1min max inixx
≤≤=
( )max1max min inixx
≤≤=
( )min1min max iniyy
≤≤=
( )max1max min iniyy
≤≤=
11 12
13 14
Probabilistički
pristup
određivanju lokacije MS Redukcija prostora
•
Primer prethodno opisanog algoritma kojim se redukuje zona u kojoj se procenjuje lokacija MS na konačni pravougaonik najmanjih dimenzija.
•
U primeru je pretpostavljeno da su dostupna tri izvora informacija koji ograničavaju zonu u kojoj se procenjuje lokacija mobilne stanice na pravougaonik sa granicama:–
prvi: 400 ≤
x ≤
1500, 300 ≤
y ≤
1400–
drugi: 200 ≤
x ≤
1300, 1200
≤
y ≤
2300–
treći: 700 ≤
x ≤
2900, 200 ≤
y ≤
2400
•
Konačna pozicija mobilne stanice procenjuje se u preseku pojedinačnih pravougaonika, rezultujući redukovanim pravougaonikom u granicama:
700 ≤
x ≤
1300, 1200 ≤
y ≤
1400
•
Na ovaj način, zona u kojoj se procenjuje lokacija mobilne stanice je značajno redukovana, kao i zahtevi za računanjem funkcija gustina verovatnoće.
Probabilistički
pristup
određivanju lokacije MS Redukcija prostora
•
Nakon redukcije zone u kojoj se procenjuje lokacija mobilne stanice na pravougaonik ograničen sa xmin
<x<xmax
i ymin
<y<ymax
, radi lakšeg računanja
koordinata mobilne stanice, vrši se diskretizacija prostora.
•
Diskretizacija duž
x
koordinate vrši se podelom koordinatne ose na nX
segmenata
Probabilistički
pristup
određivanju lokacije MS Diskretizacija prostora
1int minmax +⎟⎠⎞
⎜⎝⎛
Δ−
=xxxnX
•
Na isti način, diskretizacija duž
y
ose vrši se podelom koordinatne ose na
nY
segmenata
1int minmax +⎟⎟⎠
⎞⎜⎜⎝
⎛Δ−
=y
yynY
•
Na taj način, prostor u kojem se može nalaziti mobilna stanica diskretizovan je na koordinatnu mrežu sa nX
×
nY
prostornih elemenata.
15
15
•
Nakon diskretizacije koordinatnih osa, x
koordinata se može diskretizovati kao:
Probabilistički
pristup
određivanju lokacije MS Diskretizacija prostora
( ) xkxkx Δ⎟⎠⎞
⎜⎝⎛ −+=
21
min
•
Diskretne vrednosti x(k) i
y(l)
odgovaraju koordinatama centralnih tačaka segmenata.
•
Na isti način, y
kordinata se može diskretizovati kao:
Xnk K,1=
( ) ylyly Δ⎟⎠⎞
⎜⎝⎛ −+=
21
min Ynl K,1=
16
16
Probabilistički
pristup
određivanju lokacije MS Diskretizacija prostora
Redukcija prostora Diskretizacija prostora
uvećan detalj
Probabilistički
pristup
određivanju lokacije MS Diskretizacija prostora
•
U skladu sa uvedenom diskretizacijom prostora, verovatnoća da se mobilna stanica nalazi unutar nekog prostornog elementa dobija se računanjem integrala funkcije gustine verovatnoće u granicama tog prostornog elementa, tj.
( ) ( )( )( )
∫ ∫Δ+
Δ−+
Δ+
Δ−+
=yly
yly
xkx
xkxiDi dydxyxplkP
min
min
min
min1 1
,,
•
što nakon aproksimacije postaje:
( ) ( ) ( )( )lykxpyxlkP iDi ,, ΔΔ≈
•
Na ovaj način, funkcije gustine verovatnoće su diskretizovane na matrice verovatnoća PDi
(k,l)
za k=1, ... nX
i l=1, ... nY
.
17
18
•
U skladu sa diskretizacijom prostora, elementi matrice združenih verovatnoća dobijaju se kao
Probabilistički
pristup
određivanju lokacije MS Diskretizacija prostora
( )( )
( )∑∑∏
∏
= = =
==X Yn
k
n
l
n
iDi
n
iDi
D
lkP
lkPlkP
1 1 1
1
,
,,
•
Koordinate mobilne stanice računaju se kao matematičko očekivanje što u diskretizovanoj formi ima oblik
( )∑ ∑= =
⎟⎟⎠
⎞⎜⎜⎝
⎛=
X Yn
k
n
lD kxlkPx
1 10 )(, ( )∑ ∑
= =⎟⎟⎠
⎞⎜⎜⎝
⎛=
Y Xn
l
n
kD lylkPy
1 10 )(,
•
Standardna devijacija (koja se koristi kao parametar neodređenosti procene lokacije mobilne stanice) se dobija kao:
( )( ) ( )( )( ) ( )lkPylyxkx D
n
k
n
l
X Y
,1 1
20
20∑∑
= =
−+−=σ
19
20
•
Primer: Dirac-ova funkcija gustine verovatnoće nakon diskretizacije prostora postaje matrica verovatnoća:
Probabilistički
pristup
određivanju lokacije MS Diskretizacija prostora
( )⎩⎨⎧
≠≠==
=−− iza0,
iza1
00
0000 llkk
llkk,ll,kkδ
•
Ona
pokazuje da se mobilna stanica nalazi tačno unutar prostornog elementa indeksa (k0
,l0
).
•
Izvori informacija o lokaciji MS: matrice verovatnoća nX
×
nY
elemenata –
manipulacija računarski neefikasna, veliki zahtevi po pitanju memorijskog prostora.
•
Cilj: učiniti algoritam efikasnijim.
•
Kako bi se pojednostavio proračun, pogodno je koristiti takve funkcije gustine verovatnoće koje sadrže samo informaciju o tome da li je moguće da se na nekoj lokaciji u prostoru korisnik nalazi ili ne.
•
Ovakve funkcije gustine verovatnoće zovu se funkcije gustine verovatnoće ekskluzivnog ekskluzivnog tipa.tipa.
•
Tipični primeri su funkcije gustine verovatnoće koje proizilaze od diskretizovanih parametara u ćelijskim radio mrežama, kao što je parametar TA u GSM sistemu, ili RTT u UMTS sistemu.
•
Takođe, neke funkcije gustine verovatnoće koje potiču od drugih izvora informacija kao što je Rxlev u GSM sistemu ili RSCP (Received Signal Code Power) u UMTS sistemu, mogu se vrlo uspešno aproksimirati funkcijom gustne verovatnoće ekskluzivnog tipa.
Probabilistički
pristup
određivanju lokacije MS Funkcija gustine verovatnoće ekskluzivnog tipa
Probabilistički
pristup
određivanju lokacije MS Funkcija gustine verovatnoće ekskluzivnog tipa
•
Izvori informacija o lokaciji MS: bitmape bi
(k,l) koje sadrže indikatore o tome da li se (za baznu stanicu i) u okviru posmatranog prostornog elementa (k,l) MS može nalaziti (indikator “1”) ili ne (indikator “0”).
•
Verovatnoća da se MS i nalazi u okviru posmatranog prostornog elementa je:
( )( )
( )⎪⎪⎩
⎪⎪⎨
⎧
=
==
00
11
l,kb,
l,kb,nl,kP NZ
ET
gde je nNZ
broj prostornih elemenata u kojima je vrednost indikatora “1”.
•
Smanjeni zahtevi po pitanju memorijskog prostora –
za pamćenje informacije dovoljan je jedan bit po prostornom elementu!
21
•
U skladu sa prethodnim, izvori informacija o lokaciji mobilne stanice predstavljeni su bitmapama bi
(k,l) koje imaju vrednost 1 u bilo kom slučaju kada je verovatnoća različita od nule, odnosno 0, u slučaju kada je verovatnoća jednaka nuli.
Probabilistički
pristup
određivanju lokacije MS Funkcija gustine verovatnoće ekskluzivnog tipa
•
Ovakav pristup, osim smanjenih zahteva po pitanju memorijskog prostora, ima prednost i zbog toga što pojednostavljuje kombinovanje verovatnoća dobijenih iz različitih izvora informacija.
•
Množenje dobijenih verovatnoća sada se svodi na logičku AND operaciju nad bitima koji pokazuju da li je moguće da se mobilna stanica nalazi unutar razmatranog prostornog elementa ili ne!
•
Nakon formiranja bitmape združenih verovatnoća za sve izvore kao
Probabilistički
pristup
određivanju lokacije MS Računanje nepoznate lokacije mobilne stanice
( ) ( )lkblkb i
n
i,,
1=∧=
procenjene koordinate MS i standardna devijacija sada se računaju kao:
( )∑ ∑= =
⎟⎟⎠
⎞⎜⎜⎝
⎛=
X Yn
k
n
lkxlkb
nx
1 110 )(,1 ( )∑ ∑
= =⎟⎟⎠
⎞⎜⎜⎝
⎛=
Y Xn
l
n
klylkb
ny
1 110 )(,1
( )( ) ( )( )( ) ( )lkbylyxkxn
X Yn
k
n
l,1
1 1
20
20
1∑∑= =
−+−=σ
gde je n1
broj elemenata u b(k,l)
koji imaju vrednost 1.
( )∑∑= =
=X Yn
k
n
llkbn
1 11 ,
22
23
24
Probabilistički
pristup
određivanju lokacije MS Računanje nepoznate lokacije mobilne stanice
na slici je n1
broj zelenih prostornih elemenata, tj. broj prostornih elemenata gde su se sva tri izvora
složila da se može nalaziti MS (bitmapa združenih verovatnoća ima vrednost “1”); žuto: bitmapa
združenih verovatnoća ima vrednost “0”
Redukcija prostora Diskretizacija prostora
Funkcije ekskluzivnog tipa i računanje
lokacije MS
uvećan detalj
crveno: procenjena
lokacija MS
Probabilistički
pristup
određivanju lokacije MS Probabilistički vs. deterministički pristup
Probabilistički
pristup
određivanju lokacije MS Probabilističke metode
•
Primer primene
probabililističkog
pristupa
i pomenutog
algoritma
rezultirala je u tri metode pozicioniranja MS u radio sistemima.
•
Za razliku od determinističkih, ove metode primenjuju probabilistički pristup procene lokacije MS.
•
Pomenute metode predlažu nove algoritme u cilju prevazilaženja nekih od nedostataka poznatih determinističkih prvenstveno lateracionih metoda.
•
Svaka od predloženih metoda kao rezultat daje oblast u kojoj se predviđa lokacija mobilne stanice, dok se sama lokacija mobilne stanice unutar pomenute oblasti određuje se primenom probabilističkog pristupa, uz pretpostavku da mobilna stanica unutar oblasti ima uniformnu raspodelu.
•
Takođe, standardna devijacija koordinata dobijenih na ovaj način koristi se kao mera neodređenosti lokacije mobilne stanice.
Probabilistički
pristup
određivanju lokacije MS Probabilističke metode
•
Sve probabilističke metode o kojima će biti reči pretpostavljaju sledeći scenario:–
poznate su koordinate referentnih tačaka (baznih stanica)
–
posmatraćemo ih na primeru kao da je poznato vreme propagacije signala izraženo preko parametra TA (Timing Advance) u GSM sistemu (može se posmatrati i parametar Rxlev) između MS i baznih stanica
–
nepoznata je lokacija MS
–
primenjuje se probabilistički pristup u određivanju nepoznate lokacije MS.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
•
Informacija o geografskim kordinatama bazne stanice i vrednosti TA parametra ograničava zonu u kojoj se može nalaziti mobilna stanica na prsten u čijem se centru nalazi bazna stanica a koji je definisan sa
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
( ) qq RTArRTA 1+≤≤
gde je r rastojanje između bazne i mobilne stanice, a Rq
≈550m
je prostorni kvant TA parametra. Lokalizacija podrazumeva LOS uslove prostiranja.
r=707.1 m
[ ]mx
[]
my
Informacija o lokaciji mobilne stanice, na osnovu poznatih koordinata bazne stanice (xBS
,yBS
)=(0,0)
i TA=1. Mobilna stanica nalazi se u (xMS
,yMS
)=(500,-500).
25
•
Uz pretpostavku da lokacija mobilne stanice u okviru prstena definisanog TA parametrom ima uniformnu raspodelu:
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
( ) ( ) ( )⎩⎨⎧ +≤≤+
=drugde ,0
1za ,121,
2QiQiQi
iRTArRTARTA
yxpπ
matematičko očekivanje lokacije mobilne stanice nalazi se u centru prstena, odnosno, procenjene koordinate mobilne stanice poklapaju se sa koordinatama bazne stanice.
•
To znači da je, osim za TA=0 (kada je procenjena zona u kojoj se nalazi MS krug poluprečnika 550m), očekivana pozicija mobilne stanice izvan oblasti u kojoj se mobilna stanica zaista može nalaziti, što za posledicu ima veliku grešku pozicioniranja! Ovo je primer kada probabilistički pristup može dati nelogičan rezultat kao rešenje!
•
U cilju rešavanja ovog problema, u postupak pozicioniranja uvodi se više BS, kako bi se smanjila oblast u kojoj se MS
može nalaziti.
Načini obrade podataka sa više BS rezultiraju u 3 metode probabilističkog pristupa.
26
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
•
Metoda kvadrata
nastala je sa ciljem da se pojednostavi proračun lokacije mobilne stanice.
•
Neka bazna stanica indeksa i, BSi
, locirana na (xBSi
,yBSi
), komunicira sa mobilnom stanicom čija se lokacija procenjuje, pri čemu je vrednost odgovarajućeg TA parametra TAi
. Ova vrednost TA parametra locira mobilnu stanicu unutar prstena definisanog sa izrazom No25:
( ) qq RTArRTA 1+≤≤
0 500-500 1000-1000
0
500
-500
1000
-1000
1500
-15001500-1500
r=707.1 m
[ ]mx
MS
BS
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
•
Prsten definisan vrednošću TA parametra TAi
, svakako se nalazi i u okviru kvadrata definisanog sa
maxmin iMSi xxx ≤≤ maxmin iMSi yyy ≤≤
gde je
( ) qiBSii RTAxx 1min +−=
( ) qiBSii RTAxx 1max ++=
( ) qiBSii RTAyy 1min +−=
( ) qiBSii RTAyy 1max ++=
•
Samim tim, mobilna stanica se takođe nalazi u okviru istog kvadrata.
27
28
0 500-500 1000-1000
0
500
-500
1000
-1000
1500
-15001500-1500
r=707.1 m
[ ]mx
MS
BS
•
Ako u postupku pozicioniranja učestvuje nBS
različitih baznih stanica poznatih koordinata (xBSi
,yBSi
) i odgovarajućih vrednosti TA parametra, TAi
, za svaku od nBS
baznih stanica moguće je definisati zonu, tj. kvadrat No27-No28, u okviru kojeg se može nalaziti ciljana mobilna stanica.
•
Najzad, konačna zona u kojoj se procenjuje lokacija mobilne stanice nalazi se
u preseku tih kvadrata, tj. dodatno je redukovana na manju zonu oblika pravougaonika u granicama
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
maxmin xxx MS ≤≤ maxmin yyy MS ≤≤
gde je
( )min1min max inixx
BS≤≤=
( )max1max min inixx
BS≤≤=
( )min1min max iniyy
BS≤≤=
( )max1max min iniyy
BS≤≤=
29
30
•
Nakon redukcije zone u kojoj se nalazi mobilna stanica na oblast
oblika pravougaonika
(No29 i No30)
nastalog u preseku kvadrata
(No27 i No28)
koordinate mobilne stanice se mogu posmatrati kao dvodimenzionalna slučajna promenljiva.
•
Uz pretpostavku uniformne raspodele unutar pravougaone zone, nepoznate koordinate mobilne stanice računaju se kao matematičko očekivanje
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
( )maxmin21 xxxEMS += ( )maxmin2
1 yyyEMS +=
• Analitički oblik standardne devijacije koordinata mobilne stanice je
( ) ( )12
2minmax
2minmax yyxx −+−
=σ
31
32
• Greška pozicioniranja računa se kao:
( ) ( )22MSEMSMSEMS yyxxd −+−= 33
•
Na slici je prikazana metoda kvadrata za slučaj kada se mobilna stanica nalazi u (xMS
,yMS
)=(500,-500). U primeru sa slike broj baznih stanica je nBS
=2, dok su njihove koordinate i vrednosti TA parametara (xBS1
,yBS1
)=(0,0), TA1
=1, i (xBS2
,yBS2
)=(780,-280), TA2
=0.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
[ ]mx
[]
my
• Procenjena lokacija MS je MS’(xEMS
,yEMS
)=(665,-280),• Standardna
devijacija
σ=404.86m• Greška pozicioniranja d=275m
•
Metoda kvadrataMetoda kvadrata: oko prstena definisanog vrednošću TA parametra opisuje se kvadrat najmanjih dimenzija u okviru kojeg se procenjuje lokacija MS.
•
Ako u postupku pozicioniranja učestvuje nBS
različitih baznih stanica poznatih koordinata i odgovarajućih vrednosti TA parametara, za svaku od baznih stanica moguće je definisati kvadrat najmanjih dimenzija u okviru kojeg se procenjuje lokacija MS.
•
Konačna zona nalazi se u preseku najmanjih kvadrata, tj. dodatno je redukovana na manju zonu oblika pravougaonika.
• Procena
lokacije
MS unutar
pravougaone
zone –
probabilistički
pristup.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
[ ]mx[
]m
y[ ]mx
[]
my
( )maxmin21 xxxEMS += ( )maxmin2
1 yyyEMS +=
( ) ( )12
2minmax
2minmax yyxx −+−
=σ
• Procenjena lokacija MS je MS’(xEMS
,yEMS
)=(665,-280)• Stvarna
lokacija
MS je MS(xMS
,yMS
)=(500,500)
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
•
Dalja poboljšanja metode kvadrata se mogu postići ako se u postupak pozicioniranja uvede još
baznih stanica sa svojim TA parametrima.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda kvadrata
•
Na slici je prikazan primer metode kvadrata dobijen na osnovu eksperimentalnih rezultata (lokacija Mačva).
•
Kako bi se povećala tačnost procene lokacije mobilne stanice, potrebno je, koliko god je to moguće, redukovati zonu u kojoj se nalazi mobilna stanica.
•
U skladu sa tim, pravougaona zona dobijena primenom metode kvadrata u okviru koje se nalazi mobilna stanica, može se dodatno redukovati ako se primene stvarne granice unutar kojih može biti mobilna stanica, a koje su određene koordinatama baznih stanica i odgovarajućim vrednostima TA parametara, u skladu sa No25.
•
Rezultat ovog postupka je metoda prstenova.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
•
U implementaiji metode prstenova, prvi korak je prethodno opisana metoda kvadrata.
•
Kao rezultat primene metode kvadrata, dobijena je zona oblika pravougaonika sa granicama No30, u okviru koje se nalazi mobilna stanica.
•
U sledećem koraku, ta pravougaona zona se segmentira na nX
×nY prostornih elemenata, gde je, kao što je rečeno u No15
(diskretizacija
prostora):
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
1int minmax +⎟⎠⎞
⎜⎝⎛
Δ−
=xxxnX 1int minmax +⎟⎟
⎠
⎞⎜⎜⎝
⎛Δ−
=y
yynY
•
Takođe, kao što je rečeno u No16, prostorni elementi se u daljoj analizi predstavljaju preko svojih centralnih tačaka:
( ) xkxkx Δ⎟⎠⎞
⎜⎝⎛ −+=
21
min ( ) ylyly Δ⎟⎠⎞
⎜⎝⎛ −+=
21
min
Xnk K,1= Ynl K,1=
•
Nakon prostorne diskretizacije pravougaone zone u kojoj se nalazi mobilna stanica, sledeći korak je uvođenje matrice B (bitmape), koja sadrži indikatore o tome da li se mobilna stanica može nalaziti na posmatranom prostornom elementu ili ne.
•
Kao što je rečeno, za memorisanje matrice B
dovoljno je rezervisati 1 bit po prostornom elementu.
•
Obzirom da se mobilna stanica može nalaziti unutar bilo kojeg prostornog elementa, elementi matrice B
se na početku ove metode pozicioniranja inicijalizuju na vrednost 1, tj. bk,l
=1 za k=1,...nx
i l=1,...nY
.
•
Elementima matrice B
vrednost se proverava za svaku od baznih stanica koja učestvuje u postupku pozicioniranja.
•
Neka je i
indeks bazne stanice koja se trenutno procesira. Rastojanje između BSi i prostornog elementa (k,l) dato je sa
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
( ) ( )22,, BSilBSikilk yyxxr −+−= 34
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
•
Dalje se za svaku BSi
i svaki prostorni element (k,l) proverava da li se MS može nalaziti u okviru posmatranog prostornog elementa, tj:
( ) Qii,l,kQi RTArRTA 1+≤≤ako je odgovarajući element matrice B
zadržava vrednost “1”
ako je qiilk RTAr <,, ili ( ) qiilk RTAr 1,, +> odgovarajući element matrice B
dobija vrednost “0”
•
Nakon što se prostornim elementima u kojima se mobilna stanica ne može nalaziti vrednosti promene sa inicijalne jedinice na nulu, dobija se redukovana zona u kojoj se nalazi mobilna stanica.
•
Kao i u slučaju metode kvadrata, za računanje koordinata mobilne stanice primenjuje se probabilistički pristup, uz istu pretpostavku o uniformnoj raspodeli lokacije mobilne stanice unutar redukovane zone.
35
•
Verovatnoća da se mobilna stanica nalazi unutar zone koju čine preostali prostorni elementi čije su vrednosti jedinice, iznosi 1/n1
, gde je:
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
∑∑= =
=X Yn
k
n
llkbn
1 1,1
•
Procenjene koordinate mobilne stanice dobijaju se kao matematičko očekivanje dvodimenzionalne slučajne promenljive kao:
∑ ∑= =
=X Yn
k
n
llkkEMS bx
nx
1 1,
1
1 ∑ ∑= =
=Y Xn
l
n
klklEMS by
ny
1 1,
1
1 ( ) ( )( )∑∑= =
−+−=X Yn
k
n
lEMSlEMSklk yyxxb
n 1 1
22,
1
1σ
36
37
•
Za ilustraciju pozicioniranja primenom metode prstenova posmatra
se isti scenario kao u slučaju metode kvadrata.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
[ ]mx
[]
my
• Procenjena lokacija MS je (xEMS
,yEMS
)=(740.79,-266.03),
• Standardna
devijacija
σ=343.86m• Greška pozicioniranja d=335.74m
•
Primenom metode prstena greška pozicioniranja biva veća nego u slučaju metode kvadrata. •
Ipak, oblast u kojoj se nalazi mobilna stanica smanjena
je u odnosu na metodu kvadrata (manja standardna devijacija)
•
Metoda prstenovaMetoda prstenova: dodatna
redukcija
pravougaone
zone
dobijene
metodom kvadrata.
• Diskretizacija
zone
dobijene metodom kvadrata
na nX
×
nY
prostornih elemenata
•
Formiranje matrice B
–
sadrži indikatore o tome da li se na nekom prostornom elementu MS može nalaziti ili ne:
inicijalizacija na “1”
proračun rastojanja između BS i prostornih elementa i provera da li se MS može nalaziti u okviru posmatranog prostornog elementa
elementima u kojima se MS ne može nalaziti “1”→”0” (zona se dodatno redukuje).
• Procena
lokacija
MS
u okviru
redukovane
zone -
probabilistički
pristup.
( ) QiQi RTArRTA 1+≤≤
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
[ ]mx
[]
my
[ ]mx
[]
my
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda prstenova
•
Na slici je prikazan primer metode prstenova
dobijen na osnovu eksperimentalnih rezultata.
•
Metoda kvadrata i metoda prstenova analizirane su pod pretpostavkom LOS uslova prostiranja, odnosno, da između baznih stanica koje učestvuju u postupku pozicioniranja i mobilne stanice čija se lokacija procenjuje, postoji direktna optička vidljivost.
•
Ovo i jeste čest slučaj u ruralnom okruženju. Ipak, kada se mobilna stanica nalazi u npr. urbanoj zoni, velika je verovatnoća da će se komunikacija mobilne stanice sa nekim baznim stanicama vršiti preko refleksije, a ne preko direktne komponente. Dakle, NLOS je čest scenario u urbanim i suburbanim zonama.
•
Sa druge
strane, bilo
o kakvom
pozicioniranju da se radi, najveće nevolje zadaju baš
NLOS uslovi!
•
Postoji veliki broj naučnih radova na temu pozicioniranja u NLOS uslovima, ali nijedan ne rešava u potpunosti ovaj problem.
•
Napori su uglavnom usmereni u detekciji NLOS komponenata i odbacivanju takvih parametara pozicioniranja, ili u umanjenju posledica NLOS
propagacije.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova, NLOS problem
•
U sistemu na mestu (600,600) postoji prepreka koja narušava LOS, pa MS sa BS1
komunicira preko refleksije, tačnije, preko komponente reflektovane od prepreke (puna linija).
•
Isprekidanom linijom označena je putanja direktne komponente koja bi postojala kada u sistemu sa slike ne bi bilo prepreke, odnosno, isprekidana linija predstavlja LOS pravac.
( ) ( )0,0, 11 =BSBS yx( ) ( )m280,780, 22 −=BSBS yx( ) ( )m500,500, −=MSMS yx
•
Posledica je pogrešna vrednost TA parametra, tako da usled dužeg vremena prostiranja signala od BS1
do MS, BS1
donosi pogrešan zaključak da je TA1
=3 (MS’), umesto tačne vrednosti, TA1
=1. •
Ovo dalje rezultira pogrešnom procenom rastojanja između MS
i BS1
.•
Najzad, posledica je nemogućnost lociranja MS
primenom
metode
prstenova, obzirom da se usled greške određivanja parametra TA1
dobijaju dve prostorno razdvojene zone u kojima se procenjuje lokacija MS
(osenčene površine).
NLOS problemi
• Metode kvadrata i prstenova analizirane pod pretpostavkom prostiranja u LOS uslovima
• NLOS uslovi –
problemi, refleksija, greška merenja TA parametra, pogrešna procena rastojanja između BS i MS
• Metode kvadrata imuna na problem!
•Metoda prstenova neupotrebljiva!
•
Dakle, procenu lokacije MS ne treba određivati primenom metode prstenova u okruženjima gde se očekuje česta propagacija u NLOS uslovima, jer ova metoda ne može dati nikakav rezultat!
•
Za razliku od metode prstenova, metoda kvadrata se u ovakvim okruženjima može primeniti.
•
U razmatranom primeru, rezultat primenom metode kvadrata bio bi isti kao i kada u postupku lociranja mobilne stanice ne bi ni učestvovala bazna stanica kod koje se javlja problem sa refleksijom (konkretno, BS1
), obzirom da je kvadratna zona definisana drugom baznom stanicom BS2
u potpunosti sadržana unutar kvadratne zone definisane prvom baznom stanicom, BS1
.
•
Zapravo, ovde i nije reč
o specijalnom slučaju jer, generalno, metoda kvadrata i nije osetljiva na NLOS uslove prostiranja!
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
•
Da bi se iskoristila otpornost metode kvadrata na NLOS uslove prostiranja a istovremeno povećala tačnost određivanja lokacije mobilne stanice, razvijena je metoda krugova.
•
Zasniva se na činjenici da, bez obzira na moguće NLOS uslove prostiranja, odnosno, eventualne greške u određivanju TA parametra, mobilna stanica je u svakom slučaju locirana unutar kruga poluprečnika:
( ) qRTAr 1+≤
sa centrom na mestu bazne stanice, i ne može se nalaziti izvan njega.
38
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
•
Algoritam je isti kao i u slučaju metode prstenova:–
redukcija prostora–
diskretizacija prostora–
formiranje matrice indikatora B.•
Obzirom da se mobilna stanica može nalaziti unutar bilo kojeg prostornog elementa, elementi matrice B
se na početku ove metode pozicioniranja inicijalizuju na vrednost 1, tj. bk,l
=1 za k=1,...nx
i l=1,...nY
.
•
Elementima matrice B
vrednost se proverava za svaku od baznih stanica koja učestvuje u postupku pozicioniranja.
•
Neka je i
indeks bazne stanice koja se trenutno procesira. Rastojanje između BSi i prostornog elementa (k,l) dato je sa
No34
( ) ( )22,, BSilBSikilk yyxxr −+−=
•
Dalje se za svaku BSi
i svaki prostorni element (k,l) proverava da li se MS može nalaziti u okviru posmatranog prostornog elementa, samo se sada ispituje drugačiji uslov (to je ujedno i jedina razlika između metoda prstenova i krugova):
( ) Qii,l,k RTAr 1+≤ako je odgovarajući element matrice B
zadržava vrednost “1”
ako je ( ) qiilk RTAr 1,, +> odgovarajući element matrice B
dobija vrednost “0”
•
Nakon što se prostornim elementima u kojima se mobilna stanica ne može nalaziti vrednosti promene sa inicijalne jedinice na nulu, dobija se redukovana zona u kojoj se nalazi mobilna stanica.
•
Kao i u slučaju metode kvadrata
i prstenova, za računanje koordinata mobilne stanice primenjuje se probabilistički pristup, uz istu pretpostavku o uniformnoj raspodeli lokacije mobilne stanice unutar redukovane zone.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
•
Za ilustraciju pozicioniranja primenom metode krugova
posmatra se isti scenario kao u slučaju metode kvadrata
i metode prstenova.
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
• Procenjena lokacija MS je (xEMS
,yEMS
)=(673.99,-242.03),
• Standardna
devijacija
σ=351.14m• Greška pozicioniranja d=311.16m
•
Procenjena oblast u kojoj se nalazi mobilna stanica veća je u odnosu na metodu prstenova (veća standardna devijacija).
•
Metoda krugova izborila se sa NLOS uslovima!
[ ]mx
[]
my
• MeodaMeoda
krugovakrugova: zadržava
dostupnost metode kvadrata, uz istovremeno povećanje tačnosti u odnosu na metodu kvadrata.
• TA parametar se odnosi na povratno vreme propagacije signala emitovanog od BS ka MS → MS je, bez obzira na NLOS, locirana unutar kruga poluprečnika:
( ) qi RTAr 1+=
• Metoda krugova = Metoda prstenova sa izmenjenim uslovom za proveru da li se MS može nalaziti u okviru posmatranog prostornog elementa (zanemaruju se granice unutrašnjeg kruga).
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
[ ]mx
[]
my
[ ]mx
[]
my
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
Probabilistički
pristup
određivanju lokacije MS Probabilističke
metode
–
metoda krugova
•
Na slici je prikazan primer metode krugova
dobijen na osnovu eksperimentalnih rezultata.
Simulacija
• U cilju poređenja metoda:• zona površine 100km2
• ukupan broj baznih stanica 274• LOS uslovi
prostiranja• diskretizacija prostora rađena je sa korakom od 20m → 250 hiljada prostornih elemenata.
• Pretpostavljeno je da je MS locirana u centru svakog prostornog elementa, kao i da su na raspolaganju podaci o TA parametrima za nBS baznih stanica koje su najbliže trenutnom prostornom elementu.
Poređenje probabilističkih metoda kvadrata, krugova i prstenova
Simulacija-rezultat
• Srednja greSrednja grešška pozicioniranjaka pozicioniranja
u funkciji broja razmatranih BS:
• opada sa porastom broja BS koje učestvuju u pozicioniranju
• najveće smanjenje greške ima metoda prstenova
• metoda krugova nešto bolja u odnosu na metodu kvadrata
• za mali broj BS, sve tri metode daju približno isti rezultat,
• Srednja povrSrednja površšina zoneina zone
u kojoj se procenjuje MS:
• ubedljiva prednost metode prstenova
• za razliku od prethodnih slučajeva, vidno poboljšanje metode krugova u odnosu na metodu kvadrata.
1 2 3 4 5 6 70
100
200
300
400
500
600
BSn
meand
sd ring sd ring
1 2 3 4 5 6 70.0
5.0e+5
1.0e+6
1.5e+6
2.0e+6
2.5e+6
3.0e+6
3.5e+6
BSn
meanA
Levo: kvadrati, sredina: prstenovi, desno: krugovi
Poređenje probabilističkih metoda kvadrata, krugova i prstenova
•
Zavisnost greške pozicioniranja od lokacije mobilne stanice za slučaj metode prstenova i nBS
=3.
•
Na slici
krstićima
crvene
boje
označene
su
pozicije
baznih
stanica, dok
kolor indikator sa desne strane ukazuje na ponašanje greške pozicioniranja. Sa slike se može zaključiti da zone sa velikom gustinom baznih stanica imaju manju grešku pozicioniranja.
•
U 95% slučajeva greška pozicioniranja manja od 800m, dok je u 90% slučajeva ispod 522m.
Poređenje probabilističkih metoda kvadrata, krugova i prstenova
•
Konačna procena prethodnih metoda bi se mogla sumirati u nekoliko sledećih zaključaka:–
kada u postupku pozicioniranja učestvuje mali broj baznih stanica, greška pozicioniranja je približno ista za sve tri metode;
–
za razliku od greške pozicioniranja, površina zone u kojoj se procenjuje lokacija mobilne stanice u velikoj meri zavisi od izbora metode i najmanja je u slučaju metode prstenova;
–
uvođenjem više baznih stanica u postupak pozicioniranja smanjuje se greška pozicioniranja;
–
najbolje rezultate postiže metoda prstenova, u slučajevima kada se može primeniti, obzirom da je osetljiva na NLOS propagaciju;
–
za mali broj baznih stanica, razuman izbor može biti metoda kvadrata, naročito ako se radi o aplikacijama gde je važna računarska efikasnost.
Poređenje probabilističkih metoda kvadrata, krugova i prstenova
Hvala na pažnji!