![](https://habrastorage.org/getpro/habr/upload_files/39b/862/aec/39b862aec5eb98349e4f8b2e8ff0c758.png)
V. Оценка эффективности
В этом разделе кратко представлен прототип FUSIC, но основное внимание уделено результатам проведённой оценки FUSIC. Сначала оценивается точность данного метода, а затем – возможность его использования для определения местоположения в помещении. В решениях по определению местоположения в помещении чаще всего используется измерение расстояний с помощью Wi-Fi. Для этого варианта использования реализуется классический алгоритм нелинейной трилатерации [25]. Во всех экспериментах сравниваются FUSIC и оригинальный FTM.
A. Реализация FUSIC
Одной из сильных сторон FUSIC является то, что он не требует внесения изменений в стандарт. Он только получает выходное значение FTM и обрабатывает его со помощью известной CSI. Этот процесс должен выполняться на стороне инициатора, потому что только инициатору известны выходное значение протокола FTM. Существует множество способов реализации FUSIC: в виде приложения в пользовательском пространстве, в драйвере беспроводной сети или в прошивке (непосредственно производителями оригинального оборудования), которые обеспечивают полную прозрачность для приложений верхнего уровня. На Рисунке 10 показан пример такой реализации, которая хорошо подходит для целей определения местоположения в помещениях. В этом примере FUSIC, реализованный на прикладном уровне, перехватывает выходное значение FTM и выполняет потенциальную коррекцию до фактического использования результата. Предлагаемый прототип соответствует этому варианту реализации.
![Рисунок 10 – Пример внедрения FUSIC, встроенного в драйвер беспроводного соединения инициатора, на уровне продукта Рисунок 10 – Пример внедрения FUSIC, встроенного в драйвер беспроводного соединения инициатора, на уровне продукта](https://habrastorage.org/getpro/habr/upload_files/d75/65c/460/d7565c4606d1db9e736c5f0a081c70dd.png)
B. Экспериментальная установка
Аппаратное обеспечение. Экспериментальная установка аналогична открытой площадке, предложенной в работе [13]. Используется один ноутбук Dell Latitude 5480 с чипсетом Intel 8260 Wi-Fi NIC в качестве инициатора и три маршрутизатора Asus Wireless-AC1300 RT-AC58U (точки доступа) с чипсетом Qualcomm IPQ4018 в качестве ответчиков. Чипсеты Intel 8260 и Qualcomm IPQ4018 поддерживают FTM и имеют сертификацию Wi-Fi Location от Wi-Fi Alliance [11]. Все станции используют полосу пропускания 80 МГц на частоте 5 ГГц, как в [13]. Для упрощения процесса экспериментов (который состоит из нескольких измерений) FUSIC запускается на стороне маршрутизатора, а не клиента, как это должно быть на практике (Рисунок 10). Следует обратить внимание на то, что это не влияет на результаты, т.к. данные CSI и FTM одинаковы для обеих сторон. Используемые в эксперименте тестовые маршрутизаторы не позволяют создавать отчеты CSI, поэтому реализована имитация идеального маршрутизатора за счет подключения к каждому маршрутизатору Asus Wireless-AC1300 RT-AC58U устройства, которое позволяет создавать отчеты CSI (Рисунок 11a). Для этой цели используются компьютеры Dell Vostro 15 серии 3000, оснащенные сетевыми адаптерами Intel 5300 Wi-Fi и работающие под управлением популярной утилиты Linux CSI Tool [22].
Следует обратить внимание, что такая комбинация устройств для включения отчетов CSI в исследовательских работах не нова [17]. Авторы работы считают, что отчеты CSI станут обычной функцией в новых драйверах сетевых адаптеров Wi-Fi, т.к. многие новые приложения основаны на них. Например, компания Intel уже интегрировала отчеты CSI в драйвер беспроводной сети iwlwifi в виде функции, которая появится в следующих релизах драйвера [26].
Программное обеспечение. Инициатор работает под управлением операционной системы Ubuntu 16.04 с ядром Linux 4.14.0 и модифицированной версии [13] бэкпортированного релиза LinuxCore30 драйвера беспроводной сети Intel iwlwifi. Маршрутизаторы работают под управлением OpenWrt Snapshot rl834-0f04829 с ядром Linux 4.9.86, которое включает драйвер и прошивку Qualcomm Atheros atlrlOk с поддержкой FTM. Для инициирования запроса FTM используется модифицированная версия утилиты командной строки iw, в которую добавлены возможности протокола FTM. Все измерения повторяются 30 раз и усредняются. Также для оценки всенаправленной связи (которая наиболее чаще встречается) проверяется отключение формирования направленного сигнала во время всех экспериментов за счет соответствующей установки параметров athlOk на стороне точки доступа.
Пространственное окружение. FUSIC оценивается в четырех вариантах пространственного окружения. Первый вариант, который является синтетическим, представляет собой установку с управляемым многолучевым распространением, представленную в разделе § III и на Рисунке 5а. Три других варианта являются помещениями, представляющими реальную среду обитания человека: университетская столовая (23 м х 13,5 м, Рисунок 11б), технический склад (13 м х 12,5 м, Рисунок 11в) и холл (15 м х 13,5 м, Рисунок 11г). На Рисунках 11e, 11f и 11g показаны соответствующие планы разных комнат.
![Рисунок 11 – Экспериментальные установки Рисунок 11 – Экспериментальные установки](https://habrastorage.org/getpro/habr/upload_files/6aa/02e/7d1/6aa02e7d190209c5bad0bc0f26285416.png)
Три ответчика имеют фиксированное положение в каждом пространственном окружении (обозначены синими точками на картах). А вот позиции инициатора меняются несколько раз (обозначены красными точками на картах), всего 122 протестированных целевых местоположения. Кроме пользователя, который держит целевое устройство, в этих пространствах помещений находятся еще два человека, которые ходят, стоят и сидят случайным образом. Реальное расстояние измерено рулеткой длиной 30 м.
C. Точность в синтетическом пространственном окружении
Этот эксперимент проводится в первом варианте пространственного окружения (Рисунок 5а). Сначала инициатор и ответчик находятся на расстоянии L = 5 м друг от друга и D = 8 м от стены. Проводится такой же переменный во времени эксперимент, как и рассмотренный в разделе III: пользователь совершает поворот на 180° в момент времени t = 30 с и на 360° в момент времени t = 60 с. Полученные результаты представлены на Рисунке 12. Видно, что методом FUSIC можно точно рассчитать расстояние в ходе всего эксперимента. Это не относится к FTM при нахождении пользователя стоит между инициатором и ответчиком, как уже отмечалось в разделе III.
![Рисунок 12 – Сравнение FUSIC и FTM в переменном во времени эксперименте Рисунок 12 – Сравнение FUSIC и FTM в переменном во времени эксперименте](https://habrastorage.org/getpro/habr/upload_files/2d6/d64/d6e/2d6d64d6e9ee4b262065903a1ec2127b.png)
Затем изменяются расстояние L между оборудованием и расстояние D от стены, как в § III. На Рисунке 13a представлены расчетные расстояния, а на Рисунке 13b – интегральная функция распределения (Cumulative Distribution Function, CDF) погрешность оценки для всех рассматриваемых позиций. FUSIC достигает медианы и 90-го процентиля при 0,68 м и 2,12 м соответственно, а FTM - 4,38 м и 7,8 м соответственно.
![Рисунок 13 – Сравнение FUSIC и FTM на различных расстояниях с препятствием на линии прямой видимости Рисунок 13 – Сравнение FUSIC и FTM на различных расстояниях с препятствием на линии прямой видимости](https://habrastorage.org/getpro/habr/upload_files/29c/4ff/2fd/29c4ff2fdff987f7b17a6f61dd6600dd.png)
Эти результаты ясно показывают, что FUSIC способен вернуть расчетные расстояния к почти точному измерению FTM в условиях LOS и подтверждают эффективность подхода, предлагаемого FUSIC.
D. Точность в реальных условиях в помещениях
Эти эксперименты проводятся в трех вариантах пространственного окружения в помещениях (Рисунок 11b, 11d и 11c). Для каждого варианта и для каждого местоположения цели (красные точки на картах) проводятся измерения FTM и получение CSI на стороне маршрутизаторов. Затем к этим данным применяется FUSIC и вычисляется ошибка относительно реальных данных истине. На Рисунке 14 представлены CDF ошибок оценки расстояния для каждой из трех комнат.
![Рисунок 14 – Сравнение точности измерения расстояния FUSIC и FTM в трех реальных помещениях Рисунок 14 – Сравнение точности измерения расстояния FUSIC и FTM в трех реальных помещениях](https://habrastorage.org/getpro/habr/upload_files/3d0/465/a5b/3d0465a5b93befba86e8025c1f1f16e5.png)
Очевидно, что FUSIC превосходит FTM по точности во всех трех вариантах пространственного окружения. Это нормально, т.к. на FTM влияет сложность среды распространения, в то время как FUSIC учитывает ее при расчетах точных значений расстояния. Также следует обратить внимание на то, что минимальная разница между FUSIC и FTM достигается в холле. Это объясняется меньшим количеством препятствий в этом пространственное окружение, а, значит, и менее сложной многолучевой средой. Принимая во внимание все эти данные, FUSIC достигает медианы и 90-го процентиля при 1,27 м и 3,41 м соответственно, превосходя FTM, общие показатели которого составляют 2,32 м для медианы и 5,28 м для 90-го процентиля.
E. Пример использования: определение местоположения в помещении
В этой главе оценивается способность FUSIC обеспечить точное определение местоположения. Вычисление местоположения цели выполняется с помощью данных, полученных в ходе предыдущих экспериментов и описанных в предыдущем разделе. Для этого используется классический подход оптимизации методом наименьших квадратов [25]. Он заключается в поиске местоположения, которое минимизирует сумму квадратов ошибок измеренных расстояний до маршрутизаторов. Затем полученные точки сравниваются с известными реальными данными. На Рисунке 15 представлены CDF ошибок оценки местоположения для каждого варианта пространственного окружения.
![Рисунок 14 – Сравнение точности определения местоположения с помощью FUSIC и FTM Рисунок 14 – Сравнение точности определения местоположения с помощью FUSIC и FTM](https://habrastorage.org/getpro/habr/upload_files/88c/7b8/acf/88c7b8acf857476180a5d20d5a55d3c8.png)
Очевидно, что определение местоположения методом FUSIC точнее оригинального FTM. Это неудивительно, т.к. FUSIC был более точным при расчете расстояния, чем FTM, особенно в сложных условиях многолучевости (Раздел V-D). Например, на техническом складе, в условиях которого многолучевая интерференция является наиболее сложной, разница впечатляет: медианная ошибка определение местоположения методом FUSIC составляет 1,9 м по сравнению с 5,04 м с FTM. В целом, принимая во внимание все расчеты местоположения, FUSIC достигает медианы и 90-го процентиля при 1,94 м и 3,77 м соответственно. Что касается FTM, то значения его медианы и 90-го процентиля составляют 3,64 м и 5,79 м соответственно.
VI. Связанные работы
Определение местоположения Wi-Fi-источников является хорошо изученной проблемой. В данной работе представлены лишь ряд репрезентативных работ. Заинтересованные читатели могут обратиться к работам [27] и [28] для получения более подробной информации.
Существующие подходы к определению расстояния до Wi-Fi-источников можно разделить на две основные категории:
1) по индикатору уровня принимаемого сигнала (RSSI) и
2) по времени распространения (ToF).
Специальный параграф также посвящается протоколу FTM.
Подходы на основе RSSI. Во многих исследовательских работах рассмотрен RSSI, характеризующий затухание радиосигнала при его распространении. В этих работах обычно используется хорошо известная модель распространения с потерями в тракте передачи ([1], [29]). В некоторых других работах эта модель сочетается с классическими методами фильтрации, в частности, фильтром Калмана ([30]), или с более сложными алгоритмами, например, моделями скрытых переменных гауссовского процесса ([31], [32]). Подобно методам, основанным на обычном RSSI, в некоторых работах ([33]), для повышения точности используются зависимости на основе CSI, аналогичные моделям потерь в тракте передачи. Но, т.к. уровень принимаемого сигнала зависит от многих факторов окружающей среды, в т.ч. от наличия или отсутствия препятствий и их свойств, плотности многолучевых отражений и даже от температуры и влажности окружающей среды, то эти подходы имеют ограничения из-за сложности построения моделей распространения, которые бы идеально соответствовали реальным условиям в различных помещениях. По сравнению с этими решениями FUSIC основан на FTM, использующим ToF, и поэтому не зависит от этих проблем.
Подходы на основе ToF. Во многих работах в этой категории используются методы, основанные на временных метках поверх протокола 802.11 MAC и использующие не только эхо-пакеты ([34], [35]), но и специализированный протокол без синхронизации ([36]). Также в работах [37] и [10] предложены методы фильтрации шумов измерений, возникающих из-за многолучевого распространения. С другой стороны, некоторые недавние работы, например, [16] и [38], посвящены устранению специфических ошибок CSI, полученной от стандартных сетевых адаптеров Wi-Fi, для получения точного местоположения методами сверхвысокого разрешения, например, с помощью алгоритма MUSIC. Авторы работ [6], [18], [19] объединили измерения в нескольких диапазонах Wi-Fi, чтобы сформировать виртуальную, более широкую полосу пропускания для получения более высокого разрешения. Хотя некоторые из этих систем достигают поразительной точности, отсутствие стандартизации затрудняет их внедрение в реальных условиях, т.к. гарантии функциональной совместимости между ними отсутствуют. FUSIC напротив использует имеющуюся стандартизацию протокола FTM и предназначен для прозрачного использования в рамках стандарта.
Точное измерение времени. Будучи новым алгоритмом в стандарте 802.11 (конец 2016 г.), FTM до настоящего времени (конец 2020 г. – прим. пер.) смог привлечь внимание только нескольких исследовательских проектов. В работе [13] исследована точность FTM при использовании в различных сценариях реального мира, в том числе в помещении и на открытом воздухе, и предложена система измерения для оценки подобных временны́х систем измерения расстояний. В некоторых других работах измерения FTM используются в качестве входных данных системы для повышения точности расчета траектории движения пешехода за счет сочетания различных датчиков [39] или для совместного определения местоположения в беспроводной сети [40].
В этих работах пока что только обсуждают точность алгоритма FTM или используют его в существующем виде. Задача, решаемая в данной работе, состоит в том, чтобы сделать измерение FTM настолько точным в условиях вне прямой видимости, как и в условиях прямой видимости. Предлагаемый метод FUSIC позволяет решить эту проблему, поэтому FTM хорошо работает даже в очень сложной окружающей среде помещений.
VII. Заключение
В этой статье представлен FUSIC – подход, объединяющий FTM и MUSIC с целью повышения точности Wi-Fi FTM в условиях вне прямой видимости (NLOS) до значений, получаемых условиях прямой видимости (LOS). FUSIC – это первый подход, решающий эту проблему. Он не требует внесения изменений в стандарт и может быть реализован в виде отдельного пользовательского приложение на мобильных устройствах. FUSIC был реализован на испытательном стенде, состоящем из стандартного оборудования. Эксперименты, проведенные в 4 разных физических местах расположения, продемонстрировали, что FUSIC способен обеспечить определение расстояния в условиях NLOS с той же точностью, что и FTM в условиях LOS, тем самым, достигнув своей цели. Кроме того, наши эксперименты показывают, что FUSIC значительно повышает возможности FTM по определению местоположения в помещении на уровне комнаты. Возможно, FUSIC сможет стать эффективным решением для других приложений и сервисов, основанных на измерении расстояний, включая отслеживание устройств и картографирование помещений, над которыми авторы будут работать в будущем.
Список использованных источников
Список использованных источников
1. P. Bahl and V. N. Padmanabhan, “Radar: an in‑building rf‑based user location and tracking system,” in Proceedings IEEE INFOCOM 2000. Conference on Computer Communications. Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies (Cat. No.00CH37 064), 2000, pp. 775–784 vol.2.
2. Y. Ma, N. Selby, and F. Adib, “Minding the billions: Ultra‑wideband localization for deployed rfid tags.” in ACM MobiCom. 2017. pp. 248- 260.
3. S. Shen, M. Gowda, and R. Roy Choudhury, “Closing the gaps in inertial motion tracking,” in ACM MobiCom. 2018, pp. 429 444.
4. S.‑M. Moosavi‑Dezfooli. Y.‑A. Pignolet, and D. Dzung, “Simultaneous acoustic localization of multiple smartphones with euclidean distance matrices,” in EWSN, 2016, pp. 4146.
5. D. Vasisht, G. Zhang, O. Abari, H.‑M. Lu, J. Flanz, and D. Katabi, “Inbody backscatter communication and localization.” in ACM SIGCOMM. 2018. pp. 132–146.
6. D. Vasisht, S. Kumar, and D. Katabi, “Decimeter‑level localization with a single Wi‑Fi access point,” in USENIX NSDI, 2016. pp. 165–178.
7. E. Soltanaghaei, A. Kalyanaraman, and K. Whitehouse. “Multipath triangulation: Decimeter‑level Wi‑Fi localization and orientation with a single unaided receiver,” in ACM MobiSys, 2018. pp. 376–388.
8. (2017, July) Path guide: A new approach to indoor navigation. [Online]. Available: https://www.microsoft.com/en‑us/research/blog/path‑guide‑new‑approach‑indoor‑navigation/
9. IEEE, “IEEE draft standard for information technology telecommunications and information exchange between systems — local and metropolitan area networks‑specific requirements part 11: Wireless lan medium access control (mac) and physical layer (phy) specifications,” IEEE P802.11-REVmc/D6.0, June 2016, pp. 1–3774, 2016.
10. M. Rea, A. Fakhreddine, D. Giustiniano, and V. Lenders, “Filtering noisy 802.11 time‑of‑flight ranging measurements from commoditized Wi‑Fi radios,” IEEE/ACM Transactions on Networking, pp. 2514–2527, 2017.
11. W.‑F. Alliance®. (2017, Feb.) Wi‑fi certified location™ brings wi‑fi® indoor positioning capabilities. [Online]. Available: https://www.wi‑fi.org/news‑events/newsroom/wi‑fi‑certified‑ location‑brings‑wi‑fi‑indoor‑positioning‑cap abilities
12. A. developers documentation. (2018) Wi‑fi location:ranging with rtt. [Online]. Available: https://developer.android.com/guide/topics/connectivity/Wi‑Fi‑rtt
13. M. Ibrahim, H. Liu, M. Jawahar, V. Nguyen, M. Gruteser, R. Howard, B. Yu, and F. Bai, “Verification: Accuracy evaluation of Wi‑Fi fine time measurements on an open platform,” in ACM MobiCom, 2018. pp. 417- 427.
14. R. Schmidt, “Multiple emitter location and signal parameter estimation,” IEEE Transactions on Antennas and Propagation, pp. 276–280, 1986.
15. M. Kotaru, K. Joshi. D. Bharadia, and S. Katti, “Spotfi: Decimeter level localization using Wi‑Fi.” in ACM SIGCOMM, 2015. pp. 269–282.
16. W. Gong and J. Liu, “Sifi: Pushing the limit of time‑based Wi‑Fi localization using a single commodity access point,” ACM UbiComp, pp. 10:1–10:21, 2018.
17. S. Sen, J. Lee, K.‑H. Kim, and P. Congdon. “Avoiding multipath to revive inbuilding Wi‑Fi localization,” in ACM MobiSys. 2013. pp. 249–262.
18. J. Xiong, K. Sundaresan, and K. Jamieson. “Tonetrack: Leveraging frequency‑agile radios for time‑based indoor wireless localization,” in ACM MobiCom, 2015. pp. 537–549.
19. Y. Xie, Z. Li, and M. Li. “Precise power delay profiling with commodity Wi‑Fi,” in ACM MobiCom. 2015, p. 53–64.
20. A. T. Mariakakis, S. Sen. J. Lee, and K.‑H. Kim. “Sail: Single access point‑based indoor localization.” in ACM MobiSys. 2014. pp. 315–328.
21. Z. Tian, Z. Li, M. Zhou. Y. Jin. and Z. Wu, “PILA: sub‑meter localization using CSI from commodity wi‑fi devices,” Sensors, 2016.
22. D. Halperin, W. Hu, A. Sheth, and D. Wetherall. “Tool release: Gathering 802.1 In traces with channel state information,” ACM SIGCOMM Comput. Comniun. Rev., pp. 53–53, 2011.
23. R. Bharadwaj and S. K. Koul, “Study and analysis of channel characteristics of ultra‑wideband communication links using wearable antennas,” in 2017 IEEE Asia Pacific Microwave Conference (APMC), 2017, pp. 45 48.
24. S. Forcellini and L. C. Trintinalia. “Location estimation using relationship between delay spread and mean excess delay,” in Proceedings. 2005 IEEE Networking, Sensing and Control, 2005, 2005, pp. 638–643.
25. F. Izquierdo, M. Ciurana, F. Barcelo, J. Paradells, and E. Zola, “Performance evaluation of a toa‑based trilateration method to locate terminals in wlan,” in 2006 1st International Symposium on Wireless Pervasive Computing, 2006. pp. 1–6.
26. Intel. (2019. Jan.) iwlWi‑Fi: mvm: implement csi reporting. [Online]. Available: https://git.kemel.org/pub/scm/linux/kemel/git/iwlWi‑Fi/iwlWi‑Fi‑ fixes.git/commit/?id=5213e8a8a28d2c4cl43fec94e57c866a958ed52d
27. F. Zafari, A. Gkelias, and K. K. Leung. “A survey of indoor localization systems and technologies,” CoRR, 2017.
28. Z. Yang, Z. Zhou, and Y. Liu, “From rssi to csi: Indoor localization via channel response.” ACM Comput. Surv, pp. 25:1–25:32, 2013.
29. P. Kumar. L. Reddy, and S. Varma. “Distance measurement and error estimation scheme for rssi based localization in wireless sensor networks,” in WCSN. 2009. pp. 1–4.
30. I. Guvenc. “Enhancements to rss based indoor tracking systems using kalman filters.” in In GSPx International Signal Processing Conference, 2003.
31. B. Ferris, D. Fox. and N. Lawrence, “Wi‑Fi‑slam using gaussian process latent variable models.” in Proceedings of the 20th International Joint Conference on Artificial Intelligence, 2007, pp. 2480–2485.
32. A. Goswami, L. E. Ortiz, and S. R. Das, “Wigem: A learning‑based approach for indoor localization,” in ACM CoNEXT, 2011, pp. 3:1–3:12.
33. K. Wu. Jiang Xiao. Youwen Yi, Min Gao, and L. M. Ni, “Fila: Fine‑grained indoor localization.” in IEEE INFOCOM. 2012, pp. 2210–2218.
34. S. A. Golden and S. S. Bateman, “Sensor measurements for wi‑fi location with emphasis on time‑of‑arrival ranging,” IEEE Transactions on Mobile Computing, pp. 1185–1198. 2007.
35. D. Giustiniano and S. Mangold, “Caesar: Carrier sense‑based ranging in off‑the‑shelf 802.11 wireless lan,” in ACM CoNEXT, 2011. pp. 10:1- 10:12.
36. M. Youssef. A. Youssef, C. Rieger, U. Shankar, and A. Agrawala, “Pinpoint: An asynchronous time‑based location determination system,” in ACM MobiSys, 2006, pp. 165–176.
37. M. Ciurana, F. Barcelo‑Arroyo, and F. Izquierdo, “A ranging system with ieee 802.11 data frames,” in 2007 IEEE Radio and Wireless Symposium, 2007, pp. 133–136.
38. N. Tadayon. M. T. Rahman, S. Han, S. Valaee, and W. Yu, “Decimeter ranging with channel state information,” IEEE Trans. Wireless Communications. pp. 3453–3468, 2019.
39. Y. Yu, R. Chen. L. Chen, G. Guo, F. Ye, and Z. Liu, “A robust dead reckoning algorithm based on wi‑fi ftm and multiple sensors,” Remote Sensing. 2019.
40. L. Banin. O. Bar‑Shalom, N. Dvorecki, and Y. Arnizur, “Scalable wi‑fi client self‑positioning using cooperative ftm‑sensors,” IEEE Transactions on Instrumentation and Measurement, pp. 1–13, 2018.