Relative Positionierung der Knoten in kabellosen Sensornetzwerken

Die Geschwindigkeit, mit der sich Internet-of-Things (IoT) Systeme, wie z.B. kabellose Sensornetzwerke (Wireless Sensor Networks - WSN) in nahezu allen Bereich des täglichen Lebens ausbreiten steigt rasant an. In der Landwirtschaft und der Industriellen Fertigung werden durch solche Systeme zunehmend Monitoring Anwendungen realisiert. Smart-Home und Gesundheitsapplikationen werden durch sie überhaupt erst möglich und auch in den Bereichen Sicherheit und Asset-Management spielen sie eine immer wichtigere Rolle. In vielen dieser Anwendung sind die physikalischen Positionierungsdaten einzelner Sensorknoten von entscheidender Bedeutung, obwohl sie nicht immer einfach abzuleiten sind. Darum wurden in der Vergangenheit eine Vielzeit unterschiedlicher Mechanismen entwickelt, die - oftmals mit hohem Aufwand und Trainingsbedarf, hoher Komplexität, aber geringer Genauigkeit - die Positionierung der im System beteiligten Knoten ermitteln können. Die mangelnde Genauigkeit und der hohe Aufwand, um die Positionierung von Sensorknoten in einem System zu bestimmen sind noch immer eine der größten Herausforderungen beim Design von Sensornetzwerken. Bei bestimmten Anwendungen, insbesondere im Indoor-Bereich, ist eine komplexe Berechnung hingegen gar nicht nötig, da sich die Knoten lediglich über eine limitierte Anzahl vordefinierter Positionen verteilen. In solchen Fällen kann es ausreichen, die relative Positionierung der Knoten zueinander zu bestimmen, während die genaue Bestimmung der x,y,z-Raumkoordinaten der Knoten nicht nötig ist. Die vorliegende Arbeit beschäftigt sich mit der Bestimmung relativer Positionierungs-Koordinaten unter Sensorknoten eines kabellosen Sensornetzwerks durch die Nutzung der empfangenen Signalstärke (Received Signal Strength - RSS). Alle heute üblichen WSN-Chipsets liefern bereits einen entsprechenden Indikator (den RSSI). Im Widerspruch zur vorherrschenden Meinung, können Informationen zum Abstand zweier Knoten mit hoher Zuverlässigkeit von diesem Wert abgeleitet werden, selbst in Szenarios mit nur einem Sender und mehreren Empfängern. Als initialen Schritt zur Ableitung von Positionierungsdaten aus dem RSSI wird hier ein eine RSS Sampling Methode präsentiert, die sich auf Frequenzdiversitätseigenschaften genutzter Funkmodule stützt. Die Kombination aus dieser Diversitätsbetrachtung und statistischen Argumentationsketten erlaubt es uns, mit hoher Zuverlässigkeit genaue Aussagen über die Nähe verschiedener Knoten zueinander zu machen, was über die reine Analyse von Verbindungsinformationen nicht gelingen kann. Diese Information der Nähe einzelner Knoten zueinander wird in einem zweiten Schritt dann genutzt, um die Lokalisierung auf einem Gitter (Grid) möglicher Positionen zu bestimmen. Zwei verschiedene Arten von Grids werden in dieser Arbeit betrachtet: eindimensionale sowie zweidimensionale Versionen. Einzige Voraussetzung für jegliches Setup ist dabei die Kenntnis über die Positionierung eines Referenzknotens am Kopf- oder Endpunkt des eindimensionalen Grids, bzw. zwei Referenzknoten in zwei Ecken des zweidimensionalen Grids. Wir gehen in dieser Arbeit davon aus, dass ein erfolgreicher Positionieringdurchgang die Grid-Positionierung aller Knoten richtig bestimmt. Bei jeder Abweichung, selbst wenn nur zwei Knoten auf vertauschten Plätzen lokalisiert wurden, wird der Positionierungsversuch als nicht erfolgreich gewertet. Die hier vorgestellten Techniken zeigen Erfolgsraten von bis zu 100 % in verschiedentlich wiederholten Feldversuchen und Simulationen. Um systemintern entscheiden zu können, ob ein Positionierungsversuch erfolgreich durchgeführt werden konnte, werden die Systeme zusätzlich mit einem Zuverlässigkeitsanalyse-Tool ausgestattet, das jede erfolgte Positionierung in eine der Zuverlässigkeitskategorien high, medium und low einstuft. Dabei waren über 99 % der Versuche, die mit "high" bewertet wurden tatsächlich erfolgreich. Zusammenfassend kann festgehalten werden, dass die hier vorgestellten Mechanismen signifikante Vorteile gegenüber gängigen Methoden zur relativen Positionierung von Sensorknoten im Indoor-Bereich haben, dazu zählen die hohe Genauigkeit, die geringe Komplexität und Berechnungskosten sowie die Unabhängigkeit von einer Netzinfrastruktur. Insbesondere vergleichen wir die hier vorgestellten Mechanismen mit dem Multi-Dimensional-Scaling (MDS) Ansatz sowie mit auf Fingerprinting basierenden Systemen.Internet of Things (IoT) systems, including Wireless Sensor Networks (WSNs), are getting integrated into virtually all aspects of life faster than before. These systems are used from agricultural monitoring and actuation to manufacturing plants. Such wireless networks play a critical role in home and health applications as well as security and asset tracking. The knowledge of physical position of the nodes is important for many applications of WSNs, but this information is often not readily available. In the past, a plethora of different solutions has been proposed that focus on recovering the positions of the sensor nodes, often at the cost of high complexity, preconfiguration, training or limited accuracy. The precision and computational complexity of such "positioning" algorithms is still a big issue. However, there are cases where the objects are placed in one of a few possible predetermined positions, especially indoors. In those cases, the set of potential locations of the objects is limited and computing the relative positions of those objects in relation to each other might be sufficient to determine their real positions and a precise location in the x,y,z coordinates is not necessary. This thesis focuses on determining the relative positions of nodes in a WSN by utilizing only readily available Received Signal Strength (RSS) information that is provided by the radio chips they are equipped with. Contrary to common belief, the "closeness" information can be extracted with high confidence among one sender and multiple receiver nodes. An RSS sampling technique for extracting closeness information is introduced as the initial step of position discovery. This technique utilizes the frequency diversity features of the radio modules. Combining the frequency diversity with statistical reasoning allowed us to demonstrate how RSS information can be used for detecting closer nodes to a transmitting node with high confidence, where this information cannot be extracted by connectivity information. The closeness information can then be utilized to discover node positions by having only one or few nodes at known places on a grid-like setting. For relative node position discovery, two types of grid settings were considered: one-dimensional and two-dimensional. The only prerequisite for introduced position discovery algorithms is the knowledge of one reference node at one head of a one-dimensional grid and the knowledge of two reference nodes at two corners of a two-dimensional grid. In this study, a successful position discovery is defined as mapping all nodes to the cells of the grid perfectly, otherwise a result is considered unsuccessful even when only two nodes are mapped to swapped cells. The proposed techniques result in up to 100 % successful position discovery in the repeated real-world experiments and in the simulations. For self-detecting whether a run of position discovery was successful, reliability analyses are developed. Using these analyses each result is mapped into one of the high, medium or low reliability categories. Over 99 % of the results that are assigned to high reliability category were perfectly correct and the unsuccessful computations could be assigned to the remaining categories. It has been discussed that the suggested frame of procedures has significant advantages over other systems that are commonly used for indoor position discovery, such as accuracy, time-complexity and independence from an infrastructure. The results are compared to Multi-Dimensional Scaling (MDS) and fingerprinting-based systems