Positionsbestimmung mit IEEE 802.11az
Standorte per Deep Learning bestimmen
Fortsetzung des Artikels von Teil 1
Datenaufbereitung
Für jedes AP-STA-Paar bildet die CIR ein reellwertiges 2-dimensionales Feld der Größe (NSTS · NRx) × NS, wobei NSTS, NRx, und NS die Anzahl der Raum-Zeit-Signale, der Empfängerantennen bzw. der Zeitbereichsabtastungen sind. Da die CIR für eine Anzahl von SNR-Werten NSNR gesammelt werden, haben die CIR-Daten für jedes AP-STA-Paar nun die Größe (NSTS · NRx) × NS × NSNR. Werden alle möglichen AP-STA-Kombinationen berücksichtigt, so ergibt sich ein vierdimensionales Feld der Größe (NSTS · NRx) × NS × NSNR × (NSTA · NAP), bei dem NAP und NSTA die Anzahl der Zugangspunkte bzw. STAs sind.
Zur leichteren Weiterverarbeitung und Verwendung mit dem CNN (Convolutional Neural Network) wird der Datensatz so umgestaltet, dass er eine Größe von (NSTS · NRx) × NS × (NSNR · NSTA) × NAP aufweist. Der letzte Schritt besteht darin, die Einträge des Datensatzes mithilfe der Positionen der eingesetzten STAs zu kennzeichnen. Für die Positionierung (Regression) werden die exakte Position der STAs verwendet, für die Lokalisierung (Klassifizierung) dagegen Etiketten, die einer kategorialen Standortschätzung entsprechen.
Zu beachten ist hierbei, dass im Rahmen des beschriebenen Matlab-Arbeitsablaufs sowohl die Genauigkeit der Simulation als auch die Auflösung der generierten Funkdaten auf einfache Weise an die Genauigkeitsanforderungen und die verfügbaren Rechenressourcen angepasst werden können. Die Zuverlässigkeit des Funk-Kanalmodells kann verbessert werden, indem die Reflexionsanzahl (NREF) des Raytracing-Modells erhöht wird, was zu einer höheren Anzahl von Mehrwegekomponenten pro AP-STA-Paar führt.
Die Genauigkeit der Funk-Lokalisierungskarte lässt sich steigern, indem der Abstand zwischen den Wi-Fi-STAs, die für die Karte der Umgebung verwendet werden, verringert wird. Schlussendlich kann die Auflösung der erzeugten Funkdaten durch Erhöhung der Bandbreite (BW) des erzeugten WLAN-Signals erhöht werden, da die Matlab-Wellenerzeugungsfunktion alle Bandbreiten des IEEE-Standards wie beispielsweise 20, 40, 80 und 160 MHz unterstützt. In Tabelle 1 sind die Simulationsparameter zusammengefasst, die für die Synthese der Trainings- und Validierungsdaten verwendet wurden.
Die Genauigkeit der Funk-Lokalisierungskarte lässt sich steigern, indem der Abstand zwischen den Wi-Fi-STAs, die für die Karte der Umgebung verwendet werden, verringert wird. Schlussendlich kann die Auflösung der erzeugten Funkdaten durch Erhöhung der Bandbreite (BW) des erzeugten WLAN-Signals erhöht werden, da die Matlab-Wellenerzeugungsfunktion alle Bandbreiten des IEEE-Standards wie beispielsweise 20, 40, 80 und 160 MHz unterstützt. In Tabelle 1 sind die Simulationsparameter zusammengefasst, die für die Synthese der Trainings- und Validierungsdaten verwendet wurden
Entwicklung von Deep-Learning-Modellen
Nach der Synthese der Funkdaten besteht der nächste Schritt darin, das DL-Netzwerk zu entwickeln und das Modell zu trainieren und zu testen. Zu diesem Zweck wird ein CNN (Convolutional Neural Network) konstruiert, das aus vier Blöcken besteht, von denen jeder aus einer Faltung, einer Batch-Normalisierung, einer Rectified Linear Unit (ReLU) und durchschnittlichen Pooling-Schichten besteht.
Auf die vier Blöcke folgen eine Dropout-Regularisierungsschicht und eine Reihe von abschließenden Schichten, die je nach dem gewünschten Ergebnis zum Einsatz kommen: Klassifizierung für den Anwendungsfall Lokalisierung oder Regression für den Anwendungsfall Positionierung.
Bild 4 zeigt das CNN für beide Fälle. Als Nächstes werden die Daten in Trainings- (80 %) und Validierungsdaten (20 %) aufgeteilt, der Lernprozess konfiguriert und das Modell mithilfe der Deep-Learning-Funktionen von Matlab trainiert.
Tabelle 2 gibt einen Überblick über die Trainingsparameter. Die Leistung des trainierten Netzes kann natürlich auch mithilfe von aufgezeichneten Funksignalen getestet werden. Matlab bietet Funktionen zur Interaktion mit Software Defined Radios (SDR), um echte WLAN-Signale von kommerziellen Zugangspunkten zu erfassen und im Testprozess zu verwenden.
Auswirkung der Anzahl von Raytracing-Reflexionen
Bild 5 zeigt den mittleren Abstandsfehler der Positionierung als Funktion der Reflexionsanzahl des Raytracing-Kanalmodells, das für die Synthese der Trainings- und Test-WLAN-Daten verwendet wurde. Ohne Reflexionen, d. h. unter Berücksichtigung nur der direkt übertragenen Signale zwischen den Zugangspunkten und den STAs, beträgt der mittlere quadratische Fehler etwa 1,3 m, der auf 0,83 m sinkt, wenn die Anzahl der Reflexionen auf drei erhöht werden. Eine ähnliche Beobachtung lässt sich auch hinsichtlich der Lokalisierungsgenauigkeit in Bild 6 machen.
Werden nur die direkten Übertragungspfade betrachtet, so liegt die Genauigkeit der Lokalisierung bei etwa 60 %, die sich auf 90,3 % erhöht, wenn auch hier die Anzahl der Reflexionen auf drei erhöht wird. Da also die Genauigkeit des Funkkanalmodells durch die Erhöhung der Anzahl der Reflexionen verbessert wird, lassen sich mehr Daten zum Trainieren und Validieren erhalten, was sich positiv auf die Genauigkeit der Positionierung und Lokalisierung auswirkt.
Bemerkenswert ist aber auch, dass sich die Genauigkeit zwischen einer und drei Reflexionen nicht wesentlich ändert. Der Grund hierfür liegt in der Tatsache, dass die meiste Energie der Impulsantwort im LOS-Pfad und in der ersten Reflexion vorhanden ist. Ferner ist zu erwähnen, dass die Erhöhung der Anzahl der Reflexionen zwar die Leistung des DL-Modells verbessert, aber gleichzeitig auch die Simulationsdauer erhöht. Hier gilt es, einen Kompromiss zwischen der gewünschten Genauigkeit der Anwendung und der Simulationsdauer zu finden.
Auswirkung der IEEE-802.11az-Bandbreite
In Bild 7 ist der mittlere Abstandsfehler der Positionierung als Funktion der Bandbreite des erzeugten IEEE-802.11az-Signals dargestellt. Der mittlere Abstandsfehler beträgt etwa 0,91 m bei einer Bandbreite von 20 MHz und sinkt auf 0,6 m, wenn die Bandbreite auf 160 MHz steigt. Eine ähnliche Beobachtung lässt sich auch hinsichtlich der Lokalisierungsgenauigkeit in Bild 8 machen.
Die Genauigkeit nimmt von 89 % auf 96 % zu, wenn die Bandbreite des erzeugten WLAN-Signals von 20 auf 160 MHz steigt. Zurückzuführen ist dies auf die Tatsache, dass eine höhere Bandbreite die CIR-Abtastrate erhöht, was zu einer detaillierteren Erfassung und damit zu einer genaueren Schätzung der Position führt.
- Standorte per Deep Learning bestimmen
- Datenaufbereitung
- Bau eines Prototyps
- Literatur
Lesen Sie mehr zum Thema
