Η εκτίμηση της θέσης ενός χρήστη και η διαχείριση της κινητικότητας του αποτελούν βασικά χαρακτηριστικά για τη δημιουργία έξυπνων χώρων. Τα έξυπνα δίκτυα αισθητήρων με ικανότητα αυτό-οργάνωσης, η παρακολούθηση ασθενών και η περιήγηση σε εσωτερικούς ή εξωτερικούς χώρους είναι ορισμένες από τις εφαρμογές που απαιτούν την ικανότητα για εύρεση θέσης. Τεχνικές εντοπισμού θέσης που χρησιμοποιούν την ένταση του λαμβανόμενου σήματος μιας κινητής συσκευής σε κάποιο δεδομένο χώρο έχουν το σημαντικό πλεονέκτημα ότι εκμεταλλεύονται τις ήδη υφιστάμενες υποδομές και αποφεύγουν το πρόσθετο κόστος εγκατάστασης νέου εξοπλισμού. Τα συστήματα εντοπισμού θέσης με βάση μετρήσεις της έντασης σήματος υιοθετούν μια αρχική διαδικασία εκπαίδευσης προκειμένου να δημιουργήσουν χάρτες υπογραφών έντασης σήματος που αντιπροσωπεύουν το φυσικό χώρο και καταγράφουν τις διακυμάνσεις του δυναμικού χαρακτήρα της διάδοσης σήματος. Στη συνέχεια, κατά τη φάση της εκτίμησης θέσης, οι χάρτες αυτοί χρησιμοποιούνται ως βάσεις σύγκρισης με τις τρέχουσες μετρήσεις έντασης σήματος ώστε να εντοπιστεί ο χρήστης.
Σε αυτή τη διατριβή, διερευνάται η έννοια της αραιότητας της θέσης του χρήστη στο χώρο ώστε το πρόβλημα εκτίμησης θέσης να μοντελοποιηθεί ως ένα πρόβλημα αραιής προσέγγισης. Οι προτεινόμενες τεχνικές εντοπισμού βασίζονται στα ίχνη του λαμβανόμενου σήματος κι υιοθετούν τεχνικές συμπιεσμένης δειγματοληψίας (compressed sensing). Οι τεχνικές συμπιεσμένης δειγματοληψίας παρέχουν ένα νέο πρότυπο για την ανάκτηση σημάτων που είναι αραιά σε κάποια βάση, μέσω ενός περιορισμένου πλήθους τυχαία λαμβανομένων μετρήσεων. Συγκεκριμένα, αξιοποιώντας την παρατήρηση ότι οι σταθμοί βάσης λαμβάνουν συσχετισμένα σήματα από τις κινητές συσκευές, προτείνουμε δύο αλγορίθμους: έναν κεντρικό και έναν κατανεμημένο. Σύμφωνα με τον κεντρικό αλγόριθμο όλες οι τοπικές μετρήσεις που λαμβάνονται από την κινητή συσκευή αποστέλλονται σε μία κεντρική μονάδα ώστε να εκτιμηθεί η θέση του χρήστη. Αντίθετα, το κατανεμημένο σύστημα βασίζεται σε αλγορίθμους κοινής συναίνεσης για τη διανομή των εκτιμήσεων θέσης σε όλο το δίκτυο.
Τα συστήματα που χρησιμοποιούν χάρτες έντασης σήματος και υιοθετούν τεχνικές συμπιεσμένης δειγματοληψίας επιτυγχάνουν υψηλή ακρίβεια. Ωστόσο, παρουσιάζουν θέματα τα οποία μπορούν δυνητικά να περιορίσουν την ακρίβεια και την επεκτασιμότητα τους. Για να επιταχύνουμε την διαδικασία εκπαίδευσης, προτείνουμε την αυτοματοποίηση της μέσω ενός συστήματος που χρησιμοποιεί λέιζερ σαρωτή για τη λήψη ιχνών έντασης σήματος στο χώρο. Κατά τη διάρκεια της εκτίμησης θέσης, το σύστημα μας υλοποιεί μία Μπεϋζιανή τεχνική όπου η υπόθεση αραιού σήματος ανάγεται στη μοντελοποίηση της στατιστικής κατανομής του μέσω μιας εκ των προτέρων κατανομής πιθανότητας καθορίζοντας δυναμικά τον επαρκή αριθμό των μετρήσεων που απαιτούνται για την ακριβή εκτίμηση θέσης του χρήστη.
Υπάρχοντα συστήματα που βασίζονται σε ίχνη σήματος υποθέτουν ότι η κινητή συσκευή επικοινωνεί στο ίδιο κανάλι συχνότητας κατά τη διάρκεια των φάσεων εκπαίδευσης και εκτίμησης. Όταν αυτή η υπόθεση παραβιάζεται, οι αναντιστοιχίες μεταξύ των χαρτών έντασης σήματος των φάσεων εκπαίδευσης και εκτίμησης μπορεί να επιδεινώσει σημαντικά την απόδοση. Επιπρόσθετα, σε δυναμικά περιβάλλοντα απαιτείται μία εξαντλητική διαδικασία βαθμονόμησης κατά τη διάρκεια της φάσης εκπαίδευσης γεγονός που περιορίζει την εφαρμογή αυτών των μεθόδων, ιδιαίτερα στην περίπτωση όπου δεν χρησιμοποιείται επιπρόσθετος εξοπλισμός.
Για την αντιμετώπιση αυτών των περιορισμών, προτείνουμε μια νέα τεχνική συλλογής ιχνών έντασης σήματος που βασίζεται στη ψευδοτυχαία δειγματοληψία καναλιού η οποία μειώνει σημαντικά το χρόνο εκπαίδευσης. Σε αυτή τη περίπτωση, ο λαμβανόμενος υπό-δειγματοληπτημένος χάρτης ιχνών σήματος αναδομείται μέσω τεχνικών συμπλήρωσης πίνακα (matrix completion) χαμηλής τάξης. Η προτεινόμενη μέθοδος αξιοποιεί τα δυναμικά χαρακτηριστικά του περιβάλλοντος και θεωρεί ότι πρόσφατες μετρήσεις συσχετίζονται άμεσα με παρελθοντικές μετρήσεις. Πιο συγκεκριμένα, βελτιστοποιούμε τη διαδικασία δειγματοληψίας υιοθετώντας ψευδοτυχαία υποδειγματοληψία στο χώρο. Η προτεινόμενη τεχνική εκμεταλλεύεται τη συσχέτιση των λαμβανόμενων σημάτων στο χώρο εξετάζοντας παράλληλα προηγούμενες πληροφορίες που παρέχονται από παρελ-θοντικές μετρήσεις ώστε να ανακατασκευάσει τον υπό-δειγματοληπτημένο χάρτη ιχνών.
(EL)
Location and mobility management are major functions and essential features for seamless
and ubiquitous environments. Self-organizing sensor networks, health care monitoring, personal
tracking and context dependent information services are some of the potential applications.
Received signal strength (RSS) fingerprinting is a highly accurate location technique
that has the major advantage of exploiting already existing infrastructure to avoid additional
deployment costs. Fingerprint based localization systems adopt a calibration phase in order
to create signature maps that represent the physical space by capturing the variations of the
dynamic nature of indoor propagation. These maps, or fingerprints, are compared to the
RSS at the runtime phase in order to perform localization.
This thesis explores the notion of sparsity and reformulates the problem of user localization
as a sparse approximation problem. The proposed fingerprint-based localization
techniques adopt the Compressed Sensing (CS) framework, which provides a new paradigm
for recovering signals being sparse in some basis by means of a limited amount of randomly
received measurements. Specifically, exploiting the observation that the base stations receive
correlated signals from the mobile devices, we propose two CS-based algorithms: a
centralized and a decentralized one. According to the centralized Jointly CS scheme all
local runtime measurements received from the mobile device are sent to a central unit to
perform location estimation. On the contrary, the decentralized scheme builds upon gossip
consensus based approaches to distribute decision estimations in the network.
Although fingerprint CS-based systems achieve high accuracy, issues that concern both
the calibration and the location estimation phases can potentially limit the accuracy and
scalability of these systems. Concerning the automation of the calibration phase required by
fingerprint based systems, we propose a wireless localization and laser-scanner assisted Fingerprinting
system that provides autonomous signature map generation. During the location
estimation phase, the system mitigates the existing problems adopting a Bayesian formalism that incorporates a sparsity prior and dynamically determines the sufficient number of
runtime measurements required for accurate positioning.
Further challenges related to typical fingerprint-based schemes arise since it is implicitly
assumed that communication occurs over the same frequency channel during the training
and the runtime phases. When this assumption is violated, the mismatches between training
and runtime fingerprints can significantly deteriorate the localization performance. Additionally,
the exhaustive calibration procedure required during training limits the scalability
of this class of methods, especially in the case where no additional hardware is utilized.
To address these limitations, we propose a novel fingerprint collection technique without
the need of additional hardware that significantly reduces the calibration time by pseudorandom
channel sampling. The sub-sampled signature map is reconstructed as an instance
of the Matrix Completion problem.
Finally, we propose a reduced effort recalibration technique for fingerprint-based indoor
positioning systems. The proposed method exploits the dynamic characteristics of an indoor
environment and considers that a sub-set of measurements may explicitly depend on
past measurements. Particularly, we minimize the number of RSS fingerprints by performing
pseudo-random sub-sampling in space. The proposed framework exploits the spatial
correlation structure of the RSS fingerprints while considering prior information provided
from previously observed measurements, to reconstruct the signature map.
(EN)