Arbeitspaket 2:
Indoor-Positionierung

Ziel: Entwicklung einer Indoor-Positionierung

Beschreibung von Arbeitsinhalt und -aufwand der Arbeitsschritte

1. Konzeptionierung und Implementierung: Mittels einer Vor-Ort-Erkundung werden die spezifischen Gegebenheiten, Möglichkeiten und auch Limitationen der Bauten und Sensorkonstellationen im Testgebäude erarbeitet. Es werden, soweit nicht vorhanden, die Gebäudegeometrien mittels Laserscanner vermessen, Gebäudemodelle sowie Grundrisse abgeleitet und Laufwegepläne als Definition der unbegehbaren Flächen erstellt.
   a
   Positionierungsalgorithmen auf der Basis von 5G und anderen Sendern: Einzelne singuläre Positionierungsmechanismen (u.a. Trilateration, Triangulation, Fingerprinting) und deren Positionsinformationen werden untersucht und die sensorischen Informationen von 5G, BLE und WLAN zu Radiomaps verarbeitet, um aus diesen grobe mögliche Positionen innerhalb des Gebäudes zu ermitteln.
   b
   Stochastische Filter zur Fusion und Optimierung der Positionierungsverfahren: Basisfilter (z.B. Partikel-Filter, (Unscented) Kalman-Filter) zur Fußgänger-gestützten Koppelnavigation werden umgesetzt welche die multi-sensoriellen Informationen fusionieren und die vorhandene aktive Positionierungsinfrastruktur (WLAN, BLE Beacons, 5G) im Sinne eines „passive sensings“ (z.B. Nutzung der Empfangssignalstärke) nutzen können. Die vorhandenen Positionsinformationen werden dann gegen die nicht-sensorischer Stützinformationen (Grundrisse und Laufwegkarten) abgeglichen, um die aktuelle Position zu ermitteln und auch alternative Positionshypothesen verfolgen zu können.
   c
   Orientierungsbestimmung des mobilen Endgerätes (z.B. Smartphones) als Unterstützung der visuellen Objekterkennung und des Natural Feature Trackings: Mittels der im Smartphone integrierten Inertialsensorik (Accelerometer, Gyroskop) lassen sich die relativen translatorischen und rotatorischen Bewegungen des Smartphones bestimmen. Diese werden genutzt, um mittels Koppelnavigation auf die Blickrichtung der Smartphonekamera und somit auf die Bewegungen des Nutzers zu schließen.
   d
   Optimierung der Senderkonfiguration (5G-Wellenausbreitung im Gebäude, Simulation mittels Ray Tracing): Zur Optimierung der Senderkonfiguration wird ein Ray-Tracing-Simulator genutzt, welcher die Ausbreitungspfade von 5G-Signalen in einem Bauwerksmodell unter Verwendung grundlegender Ausbreitungsszenarien wie einer direkten Ausbreitung, Reflexion und Beugung sowie die Signaldämpfung beim Durchdringen gängiger Baumaterialien berechnet. Somit werden Bereiche mit sehr guter bzw. schwacher Empfangsleistung identifiziert.
   e
   Fehlerkorrekturalgorithmen für die Wellenlaufzeitverzerrung der 5G-Signale beim Wanddurchgang und Untersuchung der materialabhängigen Fehlereinflüsse: Es soll hierbei eine modellgestützte Korrektion der aus den 5G-Messungen abgeleiteten Raumstrecken durchgeführt werden. Hierfür wird die aufgenommene Gebäudegeometrie mittels Simulationsrechnungen analysiert, um die wandbedingte Signalveränderung und daraus die resultierenden relativen Fehlereinflüsse ermitteln zu können.
2. Labortest der Algorithmen im Soll-Ist-Vergleich (Meilenstein 1): Mittels erster Untersuchungen werden die umgesetzten Algorithmen durch Soll-Ist-Vergleiche evaluiert, um weiteren Iterationen zur Optimierung der entwickelten Algorithmen planen und durchführen zu können.
3. Steigerung der Updaterate der Positionsbestimmung: Zur Steigerung der Updaterate werden die Trade-Offs zwischen einer hohen zeitlichen und hochgenauen Auflösung der Positionierungsinformation im Gegensatz zum Rechenaufwand untersucht, um zu einem sinnvollen Verhältnis zwischen den einzelnen Aspekten zu kommen.
4. Erarbeitung von Ansätzen zur Genauigkeits- und Unsicherheitsmodellierung: Die Positionsschätzung soll um eine Eigengenauigkeitsschätzung erweitert werden, um neben der aktuellen Position auch Informationen über die geschätzte Validität der Aussage liefern zu können. Weiterhin soll neben der Genauigkeit auch die Verlässlichkeit und Robustheit der Positionsbestimmung untersucht werden.
5. Empirische Evaluierung der Testergebnisse aus den realen Szenarien (Meilenstein 2): Die algorithmische Positionsbestimmung wird anhand der Messdaten des TIP abschließend evaluiert.

Ergebnisse und Risiken; Meilensteine mit Abbruchkriterien

1. Grundlagen für den Algorithmenentwurf wurden eruiert
2. Labortest der Algorithmen im Soll-Ist-Vergleich (Meilenstein 1)
3. Steigerung der Updaterate der Positionsbestimmung
4. Erarbeitung von Ansätzen zur Genauigkeits- und Unsicherheitsmodellierung
5. Überprüfung der Robustheit der Positionierungs-Performanz im TIP (Meilenstein 2)

Meilenstein 1
Labortest der Algorithmen im Soll-Ist-Vergleich erfolgreich abgeschlossen
Meilenstein 2
Realtest der Algorithmen im Soll-Ist-Vergleich erfolgreich abgeschlossen

Risiken/Folgen

Die Basisversion des Positionierungsalgorithmus genügt hinsichtlich der technischen Resultate nicht den Anforderungen (z.B. hinsichtlich der Genauigkeit). In diesem Fall wird nach weiteren Optimierungsmöglichkeiten bzw. nach anderen Strategien zur Umsetzung der Sensorfusion gesucht.
Falls die 5G-Informationen für die Indoor-Positionierung nicht genauigkeitssteigernd eingesetzt werden kann, muss auf den genauigkeitssteigernden Beitrag der 5G-Technolgie für die Indoor-Positionierung verzichtet werden. Das Projekt kann mit verstärktem Fokus auf die Nutzung der 5G-Technologie für den Datentransfer für die AR-streaming-Komponente fortgeführt werden.