{PROJECT} ../template/home.ini {MENU} 00.09.01 {TITEL} Location-Server {CONTENT} Einleitung: Ziel dieses Projektes ist es ein universelles Framework als Basis für alle Arten von ortsbezogenen Diensten (Location Based Services, kurz LBS) zu entwickeln. Dem LBS soll damit das aufwendige Annsprechen der Sensor-Hardware abgenommen werden, sowie sämtliche Verwaltungsarbeit, die mit dem Ermitteln der Position verschiedener Objekte verbunden ist. Features:
  • Fusions-Algorithmen
    • Werden mehrere Datenquellen verwendet, kann das Framework deren Informationen mittels spezialisierter Fusions-Algorithmen kombinieren und damit sowohl den Abdeckungsbereich vergrößern, die Genauigkeit steigern und auch spürbare Übergänge zwischen Sensor-Typen eliminieren.

  • Modulare Schichtenstruktur
    • Um eine hohe Flexibilität zu erreichen ist das Framework in Schichten organisiert. Alle Komponenten sind zudem als Modul ausgelegt und können je nach Anwendungsfall unterschiedlich kombiniert werden.

  • Symbolische Koordinaten
    • Eine weitere Bensonderheit ist die Unterstützung symbolischer Koordinaten. Viele Dienste benötigen die Ortsinformation nicht in einer basoluten Angabe von Längen und Breitengrad, sondern vielmehr eine symbolische oder semantische Positionsangabe, die aussagt in welchem Land, in welcher Stadt oder in welchem Raum man sich gerade befindet. Da diese Abstraktion von sehr vielen Diensten benötigt wird, wird sie auch vom Framework realisiert, um so Redundanz von Code zu verringern und auch um die Entwicklung von LBS einfacher und fokussierter aufs Wesentliche zu machen.

  • Verteilte Aspekte
    • Das ganze Framework ist als verteiltes System ausgelegt. Einerseits können verschiedene Teile des Frameworks auf unterschiedlichen Computern laufen und über Rechner- und Betriebssystemsgrenzen miteinander kommunizieren, andererseits können mehrere Instanzen des Frameworks in jeweils verschiedenen Organisationen laufen und Informationen über Karten und verfolgte Objekte austauschen.
    Der erste Aspekt trägt dazu bei, dass das Framework gut skaliert, da man rechenintensive Komponenten auf einegene Rechner auslagern kann. Der zweite Aspekt erhöht die Nützlichkeit des Frameworks, da es eine Kooperation von befreundeten Organisationen erlaubt und so die Nutzer der Dienste auch eine Sensor-Abdeckung in Bereichen ausserhalb der eigenen Organisation haben. Fusion-Algorithmen: Als Fusionsalgorithmen werden zwei unterschiedlichen Implementation von Bayes-Filtern eingesetzt.

    Bayes-Filter beschreiben an sich nur ein allgemeines Framework für Filter.
    Kalman-Filter stellen die einfachste und effizienteste Implementierung von Bayesfiltern dar. Deswegen wurde der Fusion-Service unter anderem als Kalman-Filter implementiert. Kalman-Filter haben allerdings Probleme mit ungenauen Sensore, vor allem mit solchen, die mehr als eine Hypothese über den Messwert liefern. Bei solchen Fällen bilden Kalman Filtern den gewichteten Mittelwert, was in den meisten Fällen völliger Unfug ist. Wenn ein Sensor zum Beispiel nicht sicher ist, ob man auf der einen oder anderen Seite einer breiten Schlucht oder eines breiten Flusses ist, behaupten Kalman-Filter einfach man wäre in der Schlucht oder in dem dem Fluß. Für solche Fälle sind Multihypothesen-Filter, die einfach für jede Hypothese einen Kalman-Filter verwenden, wesentlich besser. Noch flexibler und auch effizienter ist die Implementierungsvariante, die man Partikel-Filter nennt. Bei diesen wird der Zustandsraum der Bayes-Filter durch eine Menge von Partikeln mit jeweils eigenem Zustand und einer Gewichtung des Partikels. Durch die (große) Menge der Partikel wird im Endeffekt eine Wahrscheinlichkeitsverteilung des Zustandsraums representiert. Durch geschickte Implementierung kann man Partikel-Filter relativ effizient berechen. Weil sie sehr flexibel und effizient, wurden sie ebenfalls als Implementierung für Bayes-Filter umgesetzt.

    Für jeden der Filter habe ich eine kleine Demo geschrieben, die die Funktionsweise der Filter illustriert. Unten sind die Screenshots zu den jeweiligen Demos abgebildet. Screenshot der Demo für Kalman-Filter: Screenshot der Demo für Partikel-Filter: Englische Beschreibung des Framework: Das ist das Paper, was ich auf der Konferenz WPNC04 ("Workshop on Positioning, Navigation and Communication 2004") eingereicht habe.
    Die dazugehörige Arbeit habe ich in der Poster-Session als Poster vorgestellt.
    Meine eigenen Fotos zu der Veranstaltung kann man hier ansehen. Fertige Diplomarbeit zu dem Thema: Inzwischen bin ich auch mit meiner Diplomarbeit zu dem Thema fertig. Wer möchte kann sie sich als PDF herunterladen.