Paikka- ja virhe-estimaatin laskenta-algoritmit Paikannusteknologiat nyt ja tulevaisuudessa

Transkriptio

1 Paikka- ja virhe-estimaatin laskenta-algoritmit Paikannusteknologiat nyt ja tulevaisuudessa Simo Ali-Löytty, TTY, matematiikan laitos Mallinnus Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen Suljetun muodon ratkaisuja Suodatus (aika-sarja) Bayesin menetelmä Kalmanin suodatin Epälineaariset suodattimet 1 Start 100 m 04/12/11

2 Hyvä mallinnus on kaiken perusta (ja vaikein asia) 2 Mittaukset Mittausmalli Tila Virhe y = h(x)+v

3 Hyvä mallinnus on kaiken perusta (ja vaikein asia) 3 Mittaukset Mittausmalli Tila Virhe y = h(x)+v Mittaukset: ovat esimerkiksi paikka-, alue-, (pseudo) etäisyys-, nopeus-, kiihtyvyys-, kuva- ym. mittauksia. Tila: sisältää (yleensä) paikan (2D tai 3D), nopeuden ja muut tarvittavat muuttujat. Virhe: mallinnetaan usein (Gaussiseksi) satunnaismuuttujaksi.

4 Hyvä mallinnus on kaiken perusta (ja vaikein asia) 4 Mittaukset Mittausmalli Tila Virhe y = h(x)+v = 100 x x bs1 x x bs2 + v x x bs m math.tut.fi/posgroup/

5 Hyvä mallinnus on kaiken perusta (ja vaikein asia) 5 Mittaukset Mittausmalli Tila Virhe y = h(x)+v Lineaarinen y =Hx + v Linearisoituva y h(ˆx)+h (ˆx)(x ˆx)+v Aika-sarja x 0 x k = f k 1 (x k 1 )+w k 1 y k = h(x k )+v k

6 Mallinnus Pienimmän neliösumman menetelmä Lineaarinen 6 Yhtälöryhmän Hx = y pienimmän neliösumman ratkaisu on ˆx = argmin x y Hx 2 =(H T H) 1 H T y mikäli matriisin H pystyrivit ovat lineaarisesti riippumattomia eli Hx =0 x =0

7 Mallinnus Pienimmän neliösumman menetelmä Lineaarinen, todistus 1 7 Yhtälöryhmän Hx = y pienimmän neliösumman ratkaisu on ˆx = argmin x y Hx 2 =(H T H) 1 H T y mikäli matriisin H pystyrivit ovat lineaarisesti riippumattomia eli Hx =0 x =0 y Hx 2 = y H(H T H) 1 H T y 2 + H[(H T H) 1 H T y x] 2

8 Mallinnus Pienimmän neliösumman menetelmä Lineaarinen, todistus 2 8 ˆx = argmin x y Hx 2 =(H T H) 1 H T y

9 Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen ˆx = argmin x y h(x) m math.tut.fi/posgroup/

10 Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen ˆx = argmin x y h(x) 2 10 Simo Ali-Löytty, Jussi Collin, and Niilo Sirola. MAT Paikannuksen matematiikka. Lecture notes, Tampere University of Technology, (Sivu 27)

11 Linearisointipiste Estimaatti 11

12 Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen ˆx = argmin x Σ 1 2 (y h(x)) 2 12 Simo Ali-Löytty, Jussi Collin, and Niilo Sirola. MAT Paikannuksen matematiikka. Lecture notes, Tampere University of Technology, (Sivu 27)

13 Epälineaarinen Suljetun muodon ratkaisuja Joissakin tapauksissa on mahdollista löytää suljetun muodon ratkaisu(t) yhtälölle Niilo Sirola. A versatile algorithm for local positioning in closed form. In Proceedings of the 8th European Navigation Conference GNSS 2004, May 16-19, Rotterdam, y = h(x) Niilo Sirola. Mathematical Methods for Personal Positioning and Navigation. PhD thesis, Tampere University of Technology, August GPS range difference plane 13 BS range sphere altitude plane solutions intersection line

14 Usein iteratiivinen menetelmä on yhtä hyvä kuin suljetun muodon menetelmät. 14 Niilo Sirola. Closed-form algorithms in mobile positioning: Myths and misconceptions. In Proceedings of the 7th Workshop on Positioning, Navigation and Communication 2010 (WPNC'10), pages 38-44, Dresden Germany, March 2010.

15 Pienimmän neliösumman menetelmä Kuinka hyvä ratkaisu on? 15 y =Hx + v Jos v N(0,σ 2 I) niin ˆx =(H T H) 1 H T y N(x, σ 2 (H T H) 1 ) Huom: tässä oletetaan, että tila x ei ole satunnaismuuttuja ja estimaattorin satunnaisuus johtuu mittausvirheen satunnaisuudesta

16 Pienimmän neliösumman menetelmä Kuinka hyvä ratkaisu on? Jos mittausvirheet ovat alle 50 m, niin alue jolla ollaan on: m math.tut.fi/posgroup/

17 Kuuluvuusaluepaikannus (WLAN) Kuuluvuusalueet on estimoitu raportoitujen paikkojen avulla 17 Laura Koski, Tommi Perälä, and Robert Piché. Indoor positioning using WLAN coverage area estimates. In 2010 International Conference on Indoor Positioning and Indoor Navigation (IPIN), Zurich, Switzerland, September saatavilla:

18 Pienimmän neliösumman menetelmä Bayesin menetelmä Tilaa mallinnetaan satunnaismuuttujaksi ja ratkaistaan tilan ehdollinen jakauma ehdolla mittaukset 18 p(x y)

19 Pienimmän neliösumman menetelmä Bayesin menetelmä Tilaa mallinnetaan satunnaismuuttujaksi ja ratkaistaan tilan ehdollinen jakauma ehdolla mittaukset Posteriori jakauma 19 p(x y) = p(y x)p(x) p(y) 90% % 10% m math.tut.fi/posgroup/

20 Suodatuksessa ongelmana on ratkaista tilan ehdollinen jakauma ehdolla kaikki nykyiset ja aikaisemmat mittaukset. 20 x 0 x k = f k 1 (x k 1 )+w k 1 y k = h(x k )+v k Alkutila Tilamalli Mittausmalli

21 21 x 0 x k = f k 1 (x k 1 )+w k 1 y k = h(x k )+v k

22 Bayesin menetelmä Kalmanin suodatin 22 R. E. Kalman. A new approach to linear filtering and prediction problems. Transactions of the ASME-Journal of Basic Engineering, 82 (Series D):35 45, ETH Zurich Simo Ali-Löytty. Kalmanin suodatin ja sen laajennukset paikannuksessa. M.Sc. thesis, Tampere University of Technology, December (Sivu 88)

23 23 Deterministisessä mielessä ja riippumattomia.

24 Kalmanin suodatin Epälineaariset suodattimet 24 Usein analyyttistä ratkaisua ei ole vaan turvaudutaan approksimaatioihin: Yksihuippuiset suodattimet Laajennettu Kalmanin suodatin (EKF) Toisen asteen laajennettu Kalmanin suodatin (EKF2) Hajuton Kalmanin suodatin (UKF) Gaussin mikstuurisuodattimet (GMF) Piste- ja hilamassasuodattimet (PMF) Partikkelisuodattimet (PF)

25 25

26 Yksihuippuiset suodattimet 26 Simo Ali-Löytty, Niilo Sirola, and Robert Piché. Consistency of three Kalman filter extensions in hybrid navigation. In Proceedings of the European Navigation Conference GNSS 2005, July 19-22, 2005, Munchen, True Route EKF EKF2 PKF 3. base station Henri Pesonen and Robert Piché. Cubature-based Kalman filters for positioning. In Proceedings of the 7th Workshop on Positioning, Navigation and Communication 2010 (WPNC'10), pages 45-49, Dresden Germany, March base station Start 1. base station Here and after that filters use measurements from three base stations

27 Gaussin mikstuuri-suodattimet (GMF) 27 Simo Ali-Löytty. Gaussian Mixture Filters in Hybrid Positioning. PhD thesis, Tampere University of Technology, August Priori Etäisyysmittaus Etäisyysmittaus Etäisyysmittaus Korkeusmittaus Nopeusmittaus

28 Piste- ja hilamassasuodattimet (PMF) 28 Niilo Sirola and Simo Ali-Löytty. Moving grid filter in hybrid local positioning. In Proceedings of the ENC 2006, Manchester, May 7-10, Niilo Sirola and Simo Ali-Löytty. Local positioning with parallelepiped moving grid. In Proceedings of 3rd Workshop on Positioning, Navigation and Communication 2006 (WPNC'06), pages , Hannover, March 16th 2006.

29 Partikkelisuodattimet (PF) 29 Kari Heine. On the Stability of the Discrete Time Filter and the Uniform Convergence of Its Approximations. PhD thesis, Tampere University of Technology, December Tosi reitti Partikkeli suodatin Laajennettu Kalmanin suodatin Start Simo Ali-Löytty, Jussi Collin, and Niilo Sirola. MAT Paikannuksen matematiikka. Lecture notes, Tampere University of Technology, m

30 Mari Seppänen, Tommi Perälä, and Robert Piché. Autonomous satellite orbit prediction. In 2011 International Technical Meeting, San Diego, California, January

31 Kiitos mielenkiinnostanne! Mahdollisuus kysymyksiin Mittaukset Mittausmalli Tila Virhe Mallinnus 31 Pienimmän neliösumman menetelmä Lineaarinen Epälineaarinen Suljetun muodon ratkaisuja Suodatus (aika-sarja) Bayesin menetelmä Kalmanin suodatin Epälineaariset suodattimet Posteriori jakauma y = h(x)+v % 50% 10% Lineaarinen y =Hx + v Linearisoituva y h(ˆx)+h (ˆx)(x ˆx)+v Aika-sarja x m math.tut.fi/posgroup/ x k = f k 1 (x k 1 )+w k 1 y k = h(x k )+v k