Projekt 53: iBeacon Indoor Lokalisierung: Unterschied zwischen den Versionen

Aktuelle Version vom 8. März 2019, 20:51 Uhr

Autoren: Bozer, Ranzinger
Betreuer: Prof. Schneider

→ zurück zur Übersicht: WS 18/19: Angewandte Elektrotechnik (BSE)

Aufgabe

Die Aufgabe besteht darin, die Daten von einem Sensortag (CC2650) der Fa. Texas Instruments auszulesen und zu lokalisieren.

Als Motivation dient dabei die Schwäche der GPS-Lokalisierung auszunutzen und diese zur Stärke in stark abgeschirmten Orten (wie Beispielsweise in Tunneln oder teilweise in Einkaufszentren) zu machen.

Erwartungen an die Projektlösung

Recherchieren Sie Verfahren zur Indoor Navigation
Machen Sie sich mit iBeacon vertraut und nutzen Sie dieses Verfahren zur Lokalisierung
Lokalisieren Sie ein dynamisches Fahrzeug während der Fahrt und bestimmen Sie die Genauigkeit Ihres Systems.
Nutzen Sie als Referenz unser TopCon Lasertracker-System (alternativ: Verwendung eines Gliedermaßstabs)
Machen Sie ein spektakuläres Videos, welche die Funktion visualisiert und Ihre Ergebnisse denen von des Referenzsystems gegenüberstellt.
Test und wiss. Dokumentation
Live Vorführung während der Abschlusspräsentation

Einleitung

Das Projekt Indoor Lokalisierung wurde von Tolga Bozer und Lukas Ranzinger im Rahmen der Veranstaltung Angewandte Elektrotechnik im Masterstudiengang BSE durchgeführt.

Bevor der Sensortag detailliert und die Problemlösung vorgestellt wird, sollte der Leser eine kleine Motivation für die Thematik bekommen.

Die Indoor-Lokalisierung findet in vielen Bereichen Anwendung und ist eines der wesentlichen Bausteine für die Industrie 4.0-Lösungen. Die Lösungsansätze für diesen Baustein sind sehr breit gefächtert und beinhalten Technologien wie hochfrequenten Mobilfunkstandard 5G, Ultraschall oder Bluetooth-Low-Energy Techniken. ^[1]

Der Sensortag CC2650 verwendet für die Kommunikation Bluetooth Low Energy (BLE). Dabei agiert die 4. Generation der Bluetooth-Kommunikation wie ihre Vorgänger im 2,4 GHz Bandbreite. Allerdings liegt der wesentliche Unterschied im Stromverbrauch. Mit einer Knopfzelle (bspw. CR 2032) können Geräte teilweise jahrelang (bis zu 5 Jahren) betrieben werden und sind somit kostengünstigere alternative zu dem "normalen" Bluetooth. Dies liegt vorallem daran, dass die Verbindung nur wenige Millisekunden (beim Bluetooth ~100 Millisekunden) aufrecht erhalten wird, da die Datengeschwindigkeit bei 1 Mb/s liegt und die Daten "nur" in geringen Mengen periodisch transferiert werden ^[2].

Die Lokalisierung kann über die Berechnung der Entfernung zum Empfänger geschehen. Jedoch haben die "Beacons" mit BLE keinen konstanten Abstrahlungsfeld und die Signale werden durch organische Körper, Metallen usw. abgeschirmt^[1]. Die Genauigkeit in der Lokalisierung leidet zwar darunter, jedoch kann man mit verschiedenen Ansätzen diesen entgegenwirken.

Für die Lokalisierung mittels des Sensortag bietet sich jedoch die Verwendung der unterschiedlichen Sensoren an. Neben verschiedenen Sensoren zur Aufnahme von Umgebungsgrößen wie die Temperatur und die Luftfeuchtigkeit, bietet der Sensortag auch Bewegungsdaten die für dieses Projekt verwendet werden.

Projekt

Projektplan

Flashen des USB Dongle

Die Software Matlab, mit welches die Lokalisierung programmiert wurde, unterstützt die Bluetooth-Low-Energy Technologie noch nicht. Um dennoch Daten von dem TI Sensortag zu empfangen und zu bearbeiten, muss dies über eine Schnittstelle geschehen. Dafür bietet die Fa. TI den USB Dongle CC 2540 an. Diese muss man allerdings auf die Aufgabe vorbereiten, weil alleine durch "Plug & Play" bekommt der Dongle keinen Port und ist somit unbrauchbar für Matlab.

Jedoch kann man nicht alleine über USB auf den Chip des USB Dongle (CC 2540) zugreifen. Dafür ist ein sog. Debugger notwendig. [1]

Es folgt nun eine Anleitung zum Flashen des USB Dongle (CC 2540):

Software installieren
- BLE-STACK (TI) (Support for CC2540/CC2541) downloaden und ausführen (damit notwendige Treiber für den Dongle entpackt werden): http://www.ti.com/tool/BLE-STACK-ARCHIVE
- SmartRF Flash Programmer (TI): http://www.ti.com/tool/FLASH-PROGRAMMER
- Treiber für den CC Debugger: http://www.ti.com/lit/zip/swrc212
Debugger an den Rechner per USB anschließen
Treiber installieren
- Geräte-Manager öffnen (Windows)
- CC Debugger finden und "Treiber aktualisieren"
- "auf dem Computer nach Treibersoftware suchen"
- den heruntergeladenen Treiber (aus 1. Software) auswählen und installieren
Den USB Dongle CC 2540 an den Debugger anschließen und den Knopf des Debugger drücken. Nach erfolgreicher Installation des Treibers, sollte nun die LED am Debugger "grün" leuchten (siehe Bild Debugger vor und nach Installation des Treibers).
SmartRF Flash Programmer starten und überprüfen, ob der Dongle CC 2540 erkannt wird (siehe Bild SmartRF Flash Programmer).
Falls ja, unter Flash-Image folgende Datei auswählen (Flash-Image bekommt man aus der Installation vom BLE-STACK 1a):
- CC2540_USBdongle_HostTestRelease_All.hex
Den Rest unverändert lassen und auf „Perform actions“ klicken und flashen
Während des Flash-Vorgangs, wechselt die LED am CC2540 die Farbe (von grün auf rot)
Im Geräte-Manager überprüfen, ob der CC2540 USB Dongle einen seriellen Port (z.B. COM-7) zugewiesen bekommen hat.
Herzlichen Glückwunsch, die Vorbereitungen sind abgeschlossen.

Programmablaufplan

Zum Start des Projektes wurde ein entsprechendes PAP erstellt. Dieser hat dem Projekt den Leitfaden vorgegeben und die Implementierung unterstützt. Für das Empfangen der Messwerte des Sensortags, musste Matlab entsprechend vorbereitet werden. Dafür muss die MAC-Adresse des Sensortags bekannt sein. Die einzelnen Messwerte werden über definierte GATT-Adressen gesendet. Die entsprechende GATT-Tabelle erhält man mit Hilfe einer Software (TI BLE Device Monitor, siehe http://processors.wiki.ti.com/index.php/BLE_Device_Monitor_User_Guide). In der Matlab Datei "initializeSensortag.m" ist alles kommentiert und kann für nachfolgende Projekte als Unterstützung genutzt werden.

Die rohen Messwerte werden als hex-Zahlen gesendet, die in das dezimale Zahlensystem umgewandelt werden. Da "wer misst, misst mist", müssen die Messwerte gefiltert werden. Hierfür wurde das Kalman-Filter verwendet. Dieser eignet sich für dynamische Systeme sehr gut, da im Kalman-Filter ein physikalisches Modell hinterlegt wird und somit die Realität gut bestimmt werden kann.

Theorie zur Lokalisierung mittels Beschleunigungsdaten

Inertiale Messeinheiten liefern alle Messwerte die für eine Bestimmung der Position benötigt werden. Neben Beschleunigungssensoren für alle drei Achsen, besitzen sie auch Drehratensensoren für die Lage im Raum.

Folgende Herausforderungen ergeben sich bei der Positionsbestimmung:

Durch die doppelte Integration der Beschleunigungsdaten werden auch die Fehler mit integriert
Um die Erdbeschleunigung von den anderen Beschleunigungen zu trennen wird eine präzise Winkelposition benötigt

Hieraus erfolgt die Erkenntnis, dass die Sensor-Daten möglichst genau sein müssen.

Wichtige Softwarekonzepte

Bluetooth Low Energy

Um mit dem Sensortag kommunizieren zu können muss man zuerst seine "Sprache" verstehen. Mittels Bluetooth Low Energy (BLE) antwortet er auf Anfragen. Hierbei sind die sogenannten GATT(Generic Attribute Profile)-Tabellen relevant. In ihnen stehen alle Services, die ein BLE-Device bereitstellt.

GATT-Tabelle des Sensortag

In der Abbildung ist zu erkennen, dass, nach der Konfiguration, unter dem Handle 57 (0x39) die Bewegungsdaten abgefragt werden können. Wird dem Handle 58 (0x3A) 01:00 übergeben, schickt der Sensortag die Daten automatisch in dem unter Handle 62 (0x3E) festgelegten Intervall.

Einlesen und Umwandeln von Beschleunigungsdaten

Um nun die Bewegungsdaten zu erhalten wird der Sensortag zuerst konfiguriert.

Anschließend können die Daten jeweils von der seriellen Schnittstelle in Matlab abgerufen werden:

rawAcclZ = hex2dec([result_accl(2,:), result_accl(1,:)]); %Hex- in Dezimalwert umrechnen
rawAcclZ = typecast(uint16(rawAcclZ), 'int16');           %Als unsigned gespeicherten signed Wert zurückcasten
acclZCon = double(rawAcclZ)/double(32768/8) * 9.81;       %Mit der Auflösung die Beschleunigung in m/s^2 berechnen

Ausführen der Software

Zum Ausführen der Software müssen einige Schritte beachtet werden. Anpassungen im Quellcode:

startIndoorLocalisation.m - Line 34: Anpassung des COM-Ports (Dieser kann mit dem MATLAB-Befehl instrfind ausgelesen werden)
initializeSensortag.m - Line 36: Anpassung der MAC-Adresse bei Verwendung eines anderen Sensortags

Anschließend kann zum Starten die Funktion startIndoorLocalisation.m ausgeführt werden. Hier muss die Ausgabe in der Konsole beachtet werden. Bei Auftreten von Fehlern muss das Programm mit Ctrl + C in der Konsole abgebrochen und anschließend neu gestartet werden. Nach der Initialisierung öffnet sich ein Diagramm zur Darstellung der gemessenen und geschätzten Daten.

Fehler

Folgende Fehlerquellen, die die Genauigkeit beeinflussen, konnten identifiziert werden:

Messrauschen des Drehratensensors (ca. 0,03 °/s)
Messrauschen des Beschleunigungssensors (ca. 0,08 m/s^2)
Unvollständige Datensätze des Sensortag
- In Ruhe: Abweichung der Beschleunigung von 0,3 m/s^2 innerhalb von 30 Sekunden
- Nach einer Bewegung um 50cm: Abweichung der Beschleunigung von bis zu 2,5 m/s^2 innerhalb von 30 Sekunden

Während das Messrauschen noch zu berücksichtigen ist, besteht bei den unvollständigen Datensätzen keine Möglichkeit zur Korrektur.

Hinweise

Die Firmwareversionen auf den Sensortags können unterschiedlich sein (damit auch die GATT-Tabellen)
Die Software ist für die Version 1.20 (20. Juli 2015) ausgelegt (Diese ist auf dem Sensortag mit der Mac-Adresse B0:B4:48:BD:79:05 angepasst)

Ergebnis

Die Schwierigkeiten die mit der Lokalisierung aus Beschleunigungsdaten einhergehen konnten wir in unserem Projekt nicht überwinden. Die Beschleunigungsdaten sind stark verrauscht und werden durch ungenaue Drehratenmessungen und nicht vollständige Daten des Sensortags noch weiter beeinflusst. Durch die doppelte Integration, um den Weg bestimmen zu können, wächst die Unsicherheit innerhalb kürzester Zeit soweit an, dass die Daten unbrauchbar werden. Für diese Lösung bietet sich zwar die Filterung der Messwerte per Kalman-Filter an, jedoch müssen hierfür die Fehler deutlich verringert werden und auch genauer bestimmt werden um sie im Systemmodell mit einzubeziehen.

Zusammenfassung

Lessons Learned

Was lief gut?

Implementierung des Kalman-Filters war Problemlos und zeitnah durchgeführt
Wir konnten uns mit wenig Informationen über die Schnittstelle und wenig Dokumentation in ein für uns unbekanntes Thema einarbeiten

Was lief nicht so gut?

Fehlende Kabel zum Flashen des USB-Dongles + Lange Lieferzeiten => Frühzeitig über alternativen Weg gedanken machen
Es wurde davon ausgegangen, dass jeder Sensortag die gleichen Daten liefert: Es gibt unterschiedliche GATT-Tabellen für unterschiedliche Versionen=> Firmwareversionen müssen immer geprüft werden
Implementierung der Positionsabschätzung Schritt für Schritt, also jeweils eine Achse. Erst nach erfolgreicher Umsetzung der einzelnen Achsen zusammenfassen

Fazit

Allgemein

Die Sensortag-Plattform bietet viele Sensoren auf kleinsten Raum für geringes Geld. Diese Flexibilität geht leider auf Kosten der Genauigkeit. Auch die verwendete Demo-Firmware, die auf dem Sensortag verwendet wird, ist nicht für die Lokalisierung optimiert.

Unser Vorschlag für ein Nachfolgeprojekt lautet:

Für den Sensortag wird eine neue Software programmiert. Diese kümmert sich lediglich um die Aufnahme und Vorverarbeitung der Bewegungsdaten. Hier können schon erste Optimierungen vorgenommen werden. Idealerweise auch das Herausrechnen der Erdbeschleunigung. Dadurch ist auch sichergestellt, dass die Daten vollständig sind.

Die Verbindung zum Datenverarbeiteten Computer wird dann nicht über den USB-Dongle von Texas Instrument aufgebaut, sondern über die BLE Schnittstelle des Computers. Ein zwischen Layer (z.B. in C geschrieben) sorgt für die Kommunikation zwischen BLE und Matlab. Hier können dann die Daten ausgewertet werden.

Projektunterlagen

Alle Dateien, vorallem Matlab Codes, sind unter dem nachfolgenden Link zu finden:

SVN: iBeacon Indoor Lokalisierung

Datei:53 iBeacon Indoor Lokalisierung.zip

YouTube Video

Youtube-Video

Getting started

Weblinks

Tools

Literatur

↑ ^1,0 ^1,1 Indoor-Lokalisierung: Ein Schlüssel zur Industrie 4.0.Quelle: https://www.intralogistik-bw.de/indoor-lokalisierung-ein-schluessel-zur-industrie-4-0-was-ist-gerade-wo-zu-finden-i-n-zeigt-smart-practices-2/ (abgerufen am 06.12.2018)
↑ Bluetooth Vs. Bluetooth Low Energy: What's The Difference?.Quelle: https://www.link-labs.com/blog/bluetooth-vs-bluetooth-low-energy (abgerufen am 06.12.2018)

Anders, A.: Indoor-Positionsbestimmung mit Hilfe von Bluetooth-Low-Energy-Beacons und Pedestrian Dead Reckoning. Uni Magdeburg: Bachelorarbeit, 2016