Lokalisierung mit Bluetooth mittels neuronaler Netze

Abstract

In dieser Arbeit wird ein neuer Ansatz für ein Indoor-Positioning-System, basierend auf Bluetooth, vorgestellt. Im Gegensatz zu anderen Arbeiten auf diesem Gebiet wird die Position des zu lokalisierenden Mobilen Gerätes (MD) nicht über Trilateration bestimmt, sondern mit Hilfe eines künstlichen neuronalen Netzes (KNN). Dieser An-satz wurde gewählt, da Funkwellenausbreitung in Gebäuden durch Hindernisse stark beeinträchtigt wird. Das führt dazu, dass die Position eines MD über Trilateration nur sehr ungenau bestimmt werden kann. Das KNN soll aus vorher genommenen Mess-werten Informationen über die Umgebung lernen und so in der Lage sein, ein MD genauer lokalisieren zu können. Dieser Ansatz wurde in einem Experiment in einer Altbauwohnung untersucht. Dazu wurde ein auf freier Software (Linux, BlueZ und Java) basierendes Messsystem ent-wickelt. Dieses besteht aus mehreren Base Stations (BS), von denen jede mit einem Standard Bluetooth-Modul (MSI BToes 2.0) ausgestattet wurde, und einem Server, welcher die BSs verwaltet. Mit diesem System wurden Messwerte gesammelt, die für das Training der KNNs verwendet wurden. Es konnte gezeigt werden, dass MDs der Bluetooth-Geräteklasse 2 unter Idealbedingungen mit einem durchschnittlichen Feh-ler von 5,4cm lokalisiert werden konnten. Die Position von MDs der Bluetooth-Geräteklasse 3 konnte unter Idealbedingungen mit einem durchschnittlichen Fehler von 1,9cm bestimmt werden.<br />

This paper discusses a new approach for an indoor positioning system based on Bluetooth. In contrast to other works from this area the position from the mobile device isn't determined with a trilateration algorithm but through an artificial neural network (ANN). This approach was chosen because the radiowave propagation in buildings is affected through many obstacles. On this account the position from a MD can only be imprecisely estimated with a trilateration algorithm. The ANN should learn about its environment from previously taken measured values and be so able to determine the position of the MD more precisely.<br />This approach was examined in an experiment. For this purpose a measurement system was developed based on free software (Linux, BlueZ and Java). The measurement system consists of several Base Stations (BS), each of them was equipped with a standard Bluetooth-Modul (MSI BToes 2.0), and a server which administrated the BSs. With this system measured values were taken to train the ANNs. We could show that MDs Class 2 can be located with a mean error of 5,4cm under perfect circumstances. The position from MDs Class 3 can be determined with a mean error of 1,9cm.