RADAR/EKAHAU

Um sistema para localização e posicionamento de dispositivos móveis usando rádio-frequência

Peter Kreslins JuniorNovembro/2004

Agenda Tecnologias para localização e posicionamento

de dispositivos móveis RADAR

Descrição Diferenças com relação às outras tecnologias Metodologia de Pesquisa Métodos para inferir a localização e o posicionamento de

dispositivos móveis• Método empírico• Método teórico

Conclusões EKAHAU

Descrição Produtos Screenshots

Tecnologias para localização e posicionamento de dispositivos móveis Em ambientes abertos

Time Difference of Arrival (TDoA) Angle of Arrival (AoA) GPS

Em ambientes fechados Infra-vermelho Rádio-frequência

TDoA e AoA Utilizam técnicas para inferir a

posição do dispositivo em termos da diferença de tempo de chegada do sinal entre as diversas bases e em termos do ângulo de chegada do sinal

Funcionam bem em ambientes abertos, mas exibem problemas em ambientes fechados como:

reflexão do sinal dificuldade na sincronização do

tempo entre antena e dispositivo

GPS Utiliza o sistema de

posicionamento global via satélite para determinar a posição do dispositivo

Em ambientes abertos é um dos mais precisos métodos para determinar a posição do dispositivo

Requer que o dispositivo móvel seja capaz de receber sinais do satélite (custo elevado)

Pode não funcionar em ambientes fechados pois o sinal pode ser bloqueado

Infra-vermelho Localização e posicionamento de dispositivos móveis

usando sinais infra-vermelhos Requer muitos sensores uma vez que essa tecnologia

possui alcanço limitado Necessita de equipamentos específicos que em geral são

usados somente para localização e não oferecem serviço de transmissão de dados

Manutenção pode se tornar um problema devido ao elevado número de sensores

Rádio-frequência Utiliza sinais de rádio para detectar a posição e localização

de dispositivos Utiliza a infraestrutura WiFi (802.11a/b/g) para inferir o

posicionamento: mais barato e largamente utilizado Além de localização, a infraestrutura WiFi provê serviço de

transmissão de dados (10mbps+) Abrangência do sinal muito maior do que infra-vermelho

RADAR

Descrição Sistema para localização e posicionamento de dispositivos

usando rádio-frequência Pesquisa feita por Paramvir Bahl e Venkata Padmanabhan e

patrocinada pela Microsoft Tem como objetivo demonstrar que o uso de tecnologia

WiFi, largamente adotada, pode ser usada para localização e posicionamento de dispositivos

Utiliza dados sobre a força do sinal de rádio, coletados em diversos pontos de acesso, para inferir a posição do dispositivo (através de triangulação)

A triangulação pode ser feita de um modo empírico ou teórico

EKAHAU é o produto comercial que se baseia indiretamente nessa pesquisa

Diferenças com relação às outras tecnologias Utiliza a rede Wireless para obter dados que são usados

para inferir posicionamento e localização Não está associado a nenhuma tecnologia proprietária

(nem hardware e nem software) Pode utilizar um modelo empírico ou um modelo teórico de

propagação de sinal

Metodologia de Pesquisa (1) Experiência executada no segundo andar

de um prédio O andar possui as seguintes dimensões:

43.5m x 22.5m (980 m2) Além disso o andar possui mais de 50 salas Foram usadas 3 estações-base O dispositivo móvel (laptop) recebeu uma

placa de rede com suporte WireLess (tecnologia wireless antiga – WaveLAN RF LAN da Lucent)

Mapa do andar onde os experimentos foram conduzidos.

Pontos pretos indicam os locais onde informação sobre a intensidade do sinal foi coletada.

As estrelas grandes indicam a localização de cada uma das 3 bases.

A orientação desse mapa é Norte acima e Leste à direita.

Metodologia de Pesquisa (2)

Coletando dados Coletar informações sobre o sinal de rádio como uma função da

posição do dispositivo (num modo offline e num modo realtime) Os relógios das bases e do dispositivo móvel são sincronizados O dispositivo móvel é programado para enviar pacotes UDP (4

pacotes por segundo) Cada estação base grava a intensidade do sinal registrado em

conjunto com o timestamp No modo offline, o usuário do dispositivo móvel indica sua

posição (X,Y) clicando no mapa – o timestamp e a posição também são gravados

A direção para onde o usuário está apontando faz o sinal variar em aproximadamente 5 dBm – assim, além da posição e timestamp, é interessante gravar a direção também

Algoritmos e Análise Experimental (1) Uma premissa dessa pesquisa é que a intensidade do sinal é uma

maneira de se inferir a posição do dispositivo Isso é razoável pois, conforme o gráfico abaixo, a intensidade do

sinal varia conforme o dispositivo se aproxima ou se afasta de cada base

O gráfico abaixo retrata o dispositivo móvel sendo levado em sentido anti-horário, começando perto da base 1 e terminando nela (vide slide Layout do Andar)

Algoritmos e Análise Experimental (2) A forma de inferir a posição do dispositivo proposta por esta

pesquisa é a triangulação. Para que funcione, algumas etapas devem ser levadas em conta:

Uma maneira de sumarizar os dados sobre intensidade do sinal Uma maneira de determinar a posição e direção que mais se

aproxima de um conjunto de valores de intensidade do sinal registrados – duas alternativas são discutidas nessa pesquisa:

• o método empírico • o método baseado num modelo de propagação de sinal

Uma maneira de decidir, entre vários possíveis candidatos para uma posição do dispositivo móvel, qual é o melhor:

• A idéia geral é utilizar a técnica chamada NNSS (Nearest Neighbor(s) in Signal Space) – calcular a distância entre as intensidades de sinal medidas e as intensidades de sinal gravadas e escolher a que minimiza essa distância

Método Empírico Nesse método os dados coletados durante a fase off-line são

usados para estimar a posição do dispositivo Nos próximos slides, apresentamos alguns testes que ajudam a

analisar esse método: Análise Básica (NNSS simples) NNSS com múltiplos vizinhos Desconsiderando a orientação Impacto do número de pontos Impacto do número de amostras Impacto da orientação do dispositivo

A métrica usada para analisar a precisão do método, é a distância de erro (distância euclidiana entre a posição real do dispositivo e a posição estimada)

Análise Básica Validar a técnica NNSS-simples (somente um vizinho)

comparando-a com: Um método aleatório de escolha de posições Um método que considera a posição do dispositivo como sendo a mesma

posição da base que registrou o maior sinal Mostrar que a técnica NNSS apresenta precisão satisfatória

NNSS com múltiplos vizinhos Utiliza a técnica NNSS considerando os k vizinhos mais

próximos (e não somente o mais próximo) Nos experimentos, mostrou-se que o uso de k-vizinhos melhora

um pouco a precisão para k=5: melhoria de 22% (25% de prob.) e uma melhoria de 9%

(50% de prob.) No entanto, para valores grandes de k, percebe-se uma

degradação na precisão pois posições distantes da real corrompem a estimativa

A razão pela qual o ganho não é tão significativo diz respeito ao fato de que k-NNSS, em geral, não são k diferentes pontos – eles podem ser o mesmo ponto registrado em diferentes orientações

Conclusão: k-NNSS não melhora a estimativa de forma considerável

Desconsiderando a orientação Como pudemos ver, o fator orientação

pode prejudicar a precisão da técnica k-NNSS. Assim, vejamos o que acontece quando a orientação não é levada em conta:

Para o conjunto de dados obtidos no modo off-line, escolhemos somente os pontos com intensidade de sinal máxima, dentro de uma mesma orientação

O objetivo é simular a situação onde o sinal gerado não é obstruído pelo corpo do usuário, por exemplo

Nas observações percebeu-se que há uma melhora considerável (percentuais comparados com a análise básica)

Para k=1: 6% de ganho (25% de prob.) e 9% de ganho (50% de prob.)

Para k={2..4}: 48% de ganho (25% de prob.) e 28% de ganho (50% de prob.)

Impacto do número de pontos Todos os testes até o momento foram feitos

usando-se 70 pontos distintos – vejamos o impacto de utilizar menos de 70 pontos:

Para cada valor de n (variando de 2 a 70), conduziu-se 20 execuções da análise

A cada execução, n pontos aleatórios foram escolhidos do conjunto coletado no modo offline e estes pontos foram usados no algoritmo NNSS

Para n pequeno (menor ou igual a 5), percebeu-se que a distância de erro é de 2 a 4 vezes pior que quando utiliza-se n=70.

A distância de erro diminui rapidamente conforme o n aumenta. Ex.: para n=20 a distância de erro é 33% pior e para n=40 é menos de 10% pior.

Percebe-se que existe um limite de número de pontos onde a melhora não é mais significativa (em particular para o caso analisado, 40 pontos distintos são suficientes)

Impacto do número de amostras Nos testes até o momento utilizou-se a média de todas as

amostras coletadas, para cada combinação de posição+orientação.

Isso pode ser razoável para o modo offline, que é feito uma só vez, no entanto, para o modo real, podem existir limitações no número de amostras que se consegue coletar

A análise mostra que apenas uma pequena quantidade de amostras no modo real é necessária para atingir uma precisão razoável

Comparando com a análise básica: Com somente 1 amostra, a distância de erro é 30% pior (50% de

prob.) Com 2 amostras ela é 11% pior e com 3 amostras é 4% pior

Impacto da orientação do dispositivo Como pudemos ver, a orientação do dispositivo impacta na

precisão. Para verificar o quanto esse impacto é significativo, o seguinte teste foi feito: Considera-se, para o conjunto de dados obtido no modo offline,

somente uma orientação específica (norte, por exemplo) Para o conjunto de dados obtido em modo real, considera-se a

direção oposta (ex.: sul) Calcula-se a distância de erro para cada uma das orientações

que se opõe (norte-sul, sul-norte, leste-oeste e oeste-leste) A análise mostra que (em comparação com a análise básica):

A distância de erro é 54% pior (25% de prob.) e 67% pior (50% de prob.)

Portanto é muito importante obter amostras para todas as possíveis direções.

Localizando usuários móveis Até agora, todos os experimentos feitos levavam

em conta um usuário/dispositivo estacionário. Vejamos as particularidades para localização de usuários móveis: O problema de localizar um usuário móvel pode ser

definido como uma sequência de problemas de localizar um usuário “quase-estacionário”

Assim, usa-se uma janela deslizante de 10 amostras para computar a média de intensidade de sinal

Esse valor é usado no método descrito anteriormente para usuários estacionários

A distância de erro nesse caso é 19% pior que para o caso estacionário

Método baseado no modelo de propagação de sinal Utiliza um modelo teórico de propagação do sinal para gerar o

conjunto de dados que serve de base para o NNSS Não depende de dados empiricamente coletados durante uma fase

off-line Três modelos foram estudados:

Rayleigh fading model• É largamente utilizado para descrever um fenômeno denominado multipath

fading mas não é completo pois assume que todos os sinais que chegam ao receptor têm a mesma intensidade.

Rician distribution model• É um modelo mais abrangente (o modelo Rayleigh é um caso especial deste)

que descreve a ocorrência de um sinal mais forte imerso em muitos sinais fracos e dispersos. É bastante completo, no entanto é difícil determinar os parâmetros do modelo como intensidade da componente dominante, por exemplo.

Wall Attenuation Factor (WAF) model

Adaptação do modelo Floor Attenuation Factor (FAF) onde o fator de atenuação dos andares foi trocado pelo fator de atenuação dos obstáculos (paredes).

É descrito pela seguinte fórmula:

Onde: n indica a taxa com a qual a intensidade do sinal cai com a distância P(d0) indica a intensidade do sinal a uma distância de referência d0 d é a distância que separa o transmissor do receptor C é o número máximo de paredes que fazem diferença sobre o fator

de atenuação nW é o número de paredes entre o transmissor e o receptor WAF é o fator de atenuação das paredes

Wall Attenuation Factor model

Determinando o fator WAF Primeiramente a intensidade do sinal é medida entre o receptor e

o emissor quando eles têm linha de visão (sem obstáculos) Depois uma série de medições são feitas com um número

conhecido de paredes entre o emissor e o receptor A média da diferença entre os sinais medidos é usada para

determinar o fator WAF A atenuação começa a ficar cada vez menor conforme o número

de paredes entre o receptor e o emissor aumenta (isso indica que a perda por distância domina a perda por obstáculos quando o receptor e o emissor estão distantes e existem muitos obstáculos entre eles)

Os testes empíricos mostram que o fator WAF é de aproximadamente 3.1 dBm e o parâmetro C é de 4 paredes (número máximo de paredes que fazem diferença na atenuação)

Variação do Sinal

Acima podemos ver a diferença entre a intensidade dos sinais registrados sem (à esquerda) e com (à direita) o fator WAF.

No gráfico à esquerda, percebe-se uma diferença de 10 dBm entre duas localidades afastadas aproximadamente 36m do receptor – isso se deve ao fato de que, provavelmente, uma das localidades possui linha de visão com o receptor e a outra encontra-se atrás de algumas paredes.

No gráfico à direita, já podemos perceber uma distribuição mais homogênea devido à correção proporcionada pelo fator WAF – esse gráfico muito se assemelha ao de perda de sinal por distância em ambientes abertos.

Determinando os parâmetros n e P(d0)

Com os valores de intensidade do sinal medidos em diversas posições e corrigidos com o fator WAF, basta fazer uma regressão linear e obter os parâmetros restantes.

Os dados obtidos por regressão linear foram:

Podemos ver que os valores n e P(d0) não são muito discrepantes entre as bases, o que sugere que eles não estão associados a um local fixo.

Além disso, o valor final combinado para as três bases é útil pois permite a inclusão de novas bases no sistema sem necessidade de recálculo.

Os coeficientes R² e MSE são respectivamente o coeficiente de determinação e o erro quadrado médio que indicam a precisão da regressão linear.

Resultados do modelo de propagação de sinal Para determinar a precisão desse modelo, uma série de medidas

foram feitas utilizando a fórmula descrita anteriormente. Esses valores foram usados como base para o algoritmo NNSS.

O modelo de propagação de sinal apresentou distância de erro de 4,3m (50% de prob.) e 1,86m (???) (25% de prob.).

Abaixo, mostramos um gráfico comparando os valores previstos pelo modelo e os valores reais medidos:

Conclusões finais sobre os dois modelos Como visto através dos dados, o modelo empírico é muito mais

preciso do que o modelo teórico. No entanto, o modelo empírico é mais caro na preparação pois a

base para o algoritmo NNSS precisa ser construída manualmente. Já o modelo teórico apresenta uma maneira direta através da fórmula apresentada.

Além disso, numa realocação das bases (ou inclusão de novas), o modelo empírico requer todo o trabalho de setup novamente. Isso não acontece no modelo teórico.

Além de coletar dados sobre a intensidade do sinal, parece ser interessante combinar dados sobre o perfil do usuário como padrões de movimento, horários, etc.

O objetivo dessa pesquisa era mostrar que, mesmo sucetível a interferência, reflexão, atenuação, etc, o sinal de rádio pode ser usado como base para as técnicas de localização de dispositivos móveis.

EKAHAU

Descrição EKAHAU é uma empresa que desenvolve ferramentas para

localização e posicionamento de dispositivos móveis usando a infraestrutura Wireless (802.11abg).

Apesar de pertencer a uma vertente diferente de pesquisa, Complex Systems Computation Group da Universidade de Helsinki, o EKAHAU muito se assemelha ao modelo empírico descrito pela pesquisa RADAR.

Os produtos pertencentes à suíte EKAHAU são: EKAHAU Positioning Engine EKAHAU T101 Wi-Fi Tag EKAHAU Site Survey EKAHAU Client

Positioning Engine É o software que gerencia o posicionamento de

dispositivos. Trabalha com diversos tipos de dispositivos como WiFi

Tags, laptops, PDAs e outros dispositivos 802.11a/b/g. Possui precisão média de 1m, usando técnicas para calibrar

o local em que será usado. Apresenta dois tipos de interface para que outros

programas se comuniquem com o engine: Uma API em Java que permite obter informações como posição

x,y do dispositivo, velocidade, andar em que se encontra, direção, etc.

Um protocolo denominado YAX que permite a comunicação via sockets com o engine

T101 Wi-Fi Tag São dispositivos pertencentes ao padrão 802.11 que

podem ser usados como etiquetas para localização de pessoas, equipamentos, containers, etc.

Funcionam de forma transparente no sistema de posicionamento EKAHAU.

Não necessitam de infraestrutura de hardware proprietária.

EKAHAU Site Survey Essa é uma poderosa ferramenta para gravar,

visualizar, analisar, otimizar e verificar a performance de sua rede sem fio.

Possui basicamente um visualizador e editor do mapa da região onde a rede sem fio está instalada.

Com essa ferramenta, um administrador de rede sem fio pode ter as seguintes informações da rede: intensidade do sinal em diversos pontos, taxa de transmissão de dados, localização dos APs, utilitário para melhor posicionamento de APs, interferência, AP mais forte, entre outras.

EKAHAU Client Software que deve ser instalado nos dispositivos

móveis como laptops e PDAs para que eles se tornem passíveis de localização e posicionamento através do Positioning Engine.

Além disso, com esse software instalado, laptops e PDAs tornam-se capazes de gerar dados para o Site Survey, ajudando na obtenção de estatísticas sobre o local onde a rede sem fio será instalada.

Screenshots – Positioning Engine

Screenshots – Client

Screenshots – Site Survey

Screenshots – Site Survey

Screenshots – Site Planner

Q & A