Indoornavigation mit mobilen Endgeräten
Indoor Navigation with Mobile Devices
©2016
Akademische Arbeit
112 Seiten
Zusammenfassung
Außerhalb geschlossener Räume sind Navigationsanwendungen auf mobilen Endgeräten zu alltäglichen Begleitern geworden, um möglichst schnell und auf kürzestem Weg zu einem gewünschten Zielort zu gelangen. Doch innerhalb von Gebäuden funktionieren diese Systeme bisher noch nicht in gewohnter Weise. In Einkaufscentern, Museen, Universitätsgebäuden oder an Flughäfen wird in der Regel auf Hinweisschilder und Gebäudepläne mit Standortmarkierung zurückgegriffen. Jedoch steigt das Bedürfnis gewohnte Navigationsapplikationen auf dem Smartphone oder Tablet auch in Innenbereichen nutzen zu können, weshalb das Interesse am Forschungsgebiet der Indoornavigation stetig zunimmt. Die Tango-Technologie ist eine innovative Lösung von Google, die Bewegungsverfolgung, Umgebungswiedererkennung und Tiefenwahrnehmung auf Smartphones und Tablets ermöglicht. Die relative Geräteposition kann kontinuierlich und ohne zusätzlich erforderliche, externe Hardwarestrukturen bestimmt werden.
Diese Arbeit bietet eine geordnete Übersicht über den aktuellen technologischen Stand der Indoornavigation. Hierfür werden diverse Lokalisierungstechniken, Datenmodelle und Routingverfahren im Kontext der Navigation mit mobilen Endgeräten innerhalb von Gebäuden analysiert. Anschließend folgt die Beschreibung der Entwicklung einer Kartierungsapplikation für Googles Project Tango, die zweidimensionale Gebäudepläne und einen Indoornavigations-graphen der Umgebung erzeugt. Diese Daten sollen die Grundlage für ein nachfolgendes Navigationssystem darstellen. Bei Vergleich der, von der Anwendung berechneten, Längenangaben mit Referenzmessungen eines Laser-Entfernungsmessgeräts liegt die Genauigkeit bei durchschnittlich 97 Prozent. Den größten Einfluss auf die Messungen haben dabei die bestehenden Lichtverhältnisse, transparente Objekte und Differenzen in der internen Positions-bestimmung des Tango-Gerätes.
Diese Arbeit bietet eine geordnete Übersicht über den aktuellen technologischen Stand der Indoornavigation. Hierfür werden diverse Lokalisierungstechniken, Datenmodelle und Routingverfahren im Kontext der Navigation mit mobilen Endgeräten innerhalb von Gebäuden analysiert. Anschließend folgt die Beschreibung der Entwicklung einer Kartierungsapplikation für Googles Project Tango, die zweidimensionale Gebäudepläne und einen Indoornavigations-graphen der Umgebung erzeugt. Diese Daten sollen die Grundlage für ein nachfolgendes Navigationssystem darstellen. Bei Vergleich der, von der Anwendung berechneten, Längenangaben mit Referenzmessungen eines Laser-Entfernungsmessgeräts liegt die Genauigkeit bei durchschnittlich 97 Prozent. Den größten Einfluss auf die Messungen haben dabei die bestehenden Lichtverhältnisse, transparente Objekte und Differenzen in der internen Positions-bestimmung des Tango-Gerätes.
Leseprobe
Inhaltsverzeichnis
Zusammenfassung
Außerhalb geschlossener Räume sind Navigationsanwendungen auf mobilen Endgeräten zu
alltäglichen Begleitern geworden, um möglichst schnell und auf kürzestem Weg zu einem
gewünschten Zielort zu gelangen. Doch innerhalb von Gebäuden funktionieren diese Systeme
bisher noch nicht in gewohnter Weise. In Einkaufscentern, Museen, Universitätsgebäuden
oder an Flughäfen wird in der Regel auf Hinweisschilder und Gebäudepläne mit
Standortmarkierung
zurückgegriffen.
Jedoch
steigt
das
Bedürfnis
gewohnte
Navigationsapplikationen auf dem Smartphone oder Tablet auch in Innenbereichen nutzen zu
können, weshalb das Interesse am Forschungsgebiet der Indoornavigation stetig zunimmt. Die
Tango-Technologie ist eine innovative Lösung von Google, die Bewegungsverfolgung,
Umgebungswiedererkennung und Tiefenwahrnehmung auf Smartphones und Tablets
ermöglicht. Die relative Geräteposition kann kontinuierlich und ohne zusätzlich erforderliche,
externe Hardwarestrukturen bestimmt werden.
Diese Arbeit bietet eine geordnete Übersicht über den aktuellen technologischen Stand der
Indoornavigation. Hierfür werden diverse Lokalisierungstechniken, Datenmodelle und
Routingverfahren im Kontext der Navigation mit mobilen Endgeräten innerhalb von
Gebäuden analysiert. Anschließend folgt die Beschreibung der Entwicklung einer
Kartierungsapplikation für Googles Project Tango, die zweidimensionale Gebäudepläne und
einen Indoornavigations-graphen der Umgebung erzeugt. Diese Daten sollen die Grundlage
für ein nachfolgendes Navigationssystem darstellen. Bei Vergleich der, von der Anwendung
berechneten, Längen-angaben mit Referenzmessungen eines Laser-Entfernungsmessgeräts
liegt die Genauigkeit bei durchschnittlich 97 Prozent. Den größten Einfluss auf die
Messungen haben dabei die bestehenden Lichtverhältnisse, transparente Objekte und
Differenzen in der internen Positions-bestimmung des Tango-Gerätes.
Danksagung
Ein großer Dank geht an Herrn Prof. Dr.-Ing. Dieter Pawelczak für die hervorragende Be-
treuung und Unterstützung während des Verfassens dieser Masterarbeit.
Ebenfalls möchte ich mich beim gesamten Institut für Software Engineering für die Bereit-
stellung des Project Tango Entwicklungstablets und bei Frau Prof. Dr. Andrea Baumann
bedanken, die mich zu dem Thema Indoornavigation geführt hat.
Zudem geht mein Dank an Günter, der mir das Laser-Entfernungsmessgerät für die Referenz-
messungen zur Verfügung gestellt hat.
Besonders möchte ich mich bei meiner Familie, meinen Freunden und bei Nicole bedanken,
ohne deren großartige Unterstützung und Geduld diese Arbeit nicht möglich gewesen wäre.
xii
Inhaltsverzeichnis
Inhaltsverzeichnis
Inhaltsverzeichnis ... xii
1 Einleitung ... 1
1.1 Motivation ... 1
1.2 Gliederung ... 1
2 Einführung ... 3
2.1 Überblick ... 3
2.2 Komponenten eines Indoornavigationssystems ... 5
2.3 Unterschied Outdoor- und Indoornavigation ... 6
3 Lokalisierung ... 9
3.1 Grundlagen ... 9
3.1.1 Begriffe ... 9
3.1.2 Messprinzipien ... 11
3.1.3 Positionierungstechniken ... 12
3.1.4 Multisensorfusion (Kalman-Filter) ... 15
3.2 Technologien ... 17
3.2.1 Überblick ... 17
3.2.2 Radiowellen ... 19
3.2.3 Inertiale Odometrie ... 23
3.2.4 Visuelle Odometrie ... 26
4 Datenbank ... 30
4.1 Kartografie ... 30
4.1.1 Kartierungstechniken ... 31
4.1.2 Graphische Repräsentation ... 33
4.2 Datenformate ... 34
4.2.1 OpenStreetMap (OSM) ... 34
4.2.2 IFC ... 35
4.2.3 CityGML ... 35
4.2.4 IndoorGML ... 36
4.3 Map Matching ... 39
Inhaltsverzeichnis
xiii
5 Routing ... 40
5.1 Überblick ... 40
5.1.1 Arten der Routenplanung ... 40
5.1.2 Präsentation der Routen ... 41
5.2 Algorithmen ... 42
5.2.1 Routingverfahren ... 42
5.2.2 Graphische Struktur und Auswahl des Verfahrens ... 43
6 Project Tango ... 46
6.1 Überblick der Technologie ... 46
6.2 Geräte und Hardware ... 46
6.3 Konzepte ... 48
6.3.1 Motion Tracking ... 48
6.3.2 Area Learning ... 49
6.3.3 Depth Perception ... 50
7 Entwicklung einer Kartierungsapplikation ... 52
7.1 Konzept ... 52
7.1.1 Rahmenbedingungen ... 53
7.1.2 Modellierung eines Indoornavigationsgraphen ... 53
7.1.3 Implementierung ... 55
7.2 Evaluation ... 65
7.2.1 Benutzeroberfläche (GUI) ... 65
7.2.2 Bewertung der Gebäudepläne ... 67
7.2.3 Verifikation des Indoornavigationsgraphen ... 71
7.3 Integration in den Local Area Guide ... 73
8 Zusammenfassung ... 75
8.1 Fazit ... 75
8.2 Ausblick ... 76
8.3 Schlusswort ... 77
9 Anhang ... 79
9.1 Referenzmessungen ... 79
9.1.1 Beispielgebäude 1: Universität der Bundeswehr München ... 79
9.1.2 Beispielgebäude 2: 4-Zimmer-Wohnung in Erding ... 83
xiv
Inhaltsverzeichnis
9.2 Indoornavigationsgraph ... 87
9.2.1 Beispielgebäude 1: Universität der Bundeswehr München ... 87
9.2.2 Beispielgebäude 2: 4-Zimmer-Wohnung in Erding ... 92
9.3 Gliederung der beigelegten DVD ... 96
Abbildungsverzeichnis ... 97
Tabellenverzeichnis ... 100
Formelverzeichnis ... 101
Literaturverzeichnis ... 102
Motivation
1
1 Einleitung
1.1 Motivation
,,Why can we find our way to the moon, but get lost at the mall?"
- Colin Ellard [1]
In der heutigen Informationsgesellschaft ist die Navigation mit Hilfe eines Smartphones
selbstverständlich, sodass die veränderte Situation beim Betreten eines Gebäudes einen
beträchtlichen Unterschied in der Nutzung von Navigationssystemen darstellt. Trotz aller
technologischen Errungenschaften verlaufen sich die Menschen immer noch in Einkaufs-
centern, Flughäfen und anderen großen, unbekannten Gebäuden, was Colin Ellard schon 2009
mit dem einprägsamen Untertitel seines Buches ,,You are Here" betonte. In diesem erkundet
er die menschliche Navigation in psychologischem, philosophischem und anthropologischem
Kontext. Außerhalb von geschlossenen Räumen haben sich auf GPS (engl. Global Positioning
System) beruhende Navigationsanwendungen, wie zum Beispiel Google Maps, mit mobilen
Endgeräten etabliert und diese Lokalisierungstechnologie als Standard gefestigt. Innerhalb
von Gebäuden werden zu diesem Zweck, aufgrund der Abwesenheit von GPS-Signalen,
andere Techniken benötigt. Jedoch hat sich bisher kein System bzw. keine Technologie
durchgesetzt. Das stetig wachsende Forschungsgebiet der Indoornavigation beschäftigt sich
mit Lösungen dieser Problematik, um moderne Alternativen zu Hinweisschildern und
Gebäudeplänen in Innenbereichen anbieten zu können.
1.2 Gliederung
Ziel dieser Arbeit ist es, dem Leser einerseits einen Überblick über den aktuellen Stand der
Indoornavigation zu geben und andererseits die Frage zu beantworten, ob Googles Project
Tango eine Lösung für diese Thematik darstellen könnte. Unstrukturierte und
widersprüchliche Literatur führte zu der Idee, eine geordnete Übersicht zu erstellen. Dabei
wird versucht detailliert über alle relevanten Gebiete mit der entsprechenden Abstraktion zu
berichten und den Schwerpunkt auf Technologien zu setzen, die sich mit gewöhnlichen
mobilen Endgeräten, wie Smartphones und Tablets, verwenden lassen. Zunächst werden in
einer Einführung die einzelnen Komponenten eines Indoornavigationssystems erläutert und
der Unterschied zur Out-doornavigation gezogen (Kap. 2). Anschließend werden die Bereiche
Lokalisierung (Kap. 3), Datenbank bzw. Kartografie (Kap. 4) und Routing (Kap. 5) in eigenen
2
Einleitung
Abschnitten ausgeführt. Im zweiten Teil dieser Arbeit wird Googles Project Tango vorgestellt
(Kap. 6) und anschließend die Entwicklung einer Applikation zur Kartografie von
Innenraumumgebungen und Erzeugung von zweidimensionalen Gebäudeplänen und eines
Indoornavigationsgraphen mit dieser Tech-nologie beschrieben. Zudem wird die Erweiterung
des bestehenden Local Area Guides der Universität der Bundeswehr München auf
Innenbereiche diskutiert (Kap. 7). Abschließend werden die Ergebnisse dieser Ausarbeitung
bewertet und in einem Ausblick mögliche zukünf-tige Entwicklungen betrachtet (Kap. 8).
Überblick
3
2 Einführung
Die folgende Einführung beschreibt in einer Übersicht zunächst die besonderen Umstände bei
der Navigation in Innenbereichen und erläutert die Problematik bei der Verwendung von GPS
als Lokalisierungstechnologie (Kap. 2.1). Anschließend werden die einzelnen Komponenten
eines Indoornavigationssystems (Kap. 2.2) betrachtet und Differenzen zur Outdoornavigation
gezogen (Kap. 2.3).
2.1 Überblick
Das Gebiet der Indoornavigation ist nicht neu. Das Bedürfnis gewohnte Navigations-
applikationen, wie beispielsweise Google Maps, auch innerhalb von Gebäuden zu verwenden,
ist schon länger vorhanden. Jedoch existiert bisher kein einheitlicher Standard, sondern
lediglich zahlreiche Insellösungen. Das Smartphone als ständiger Begleiter unseres
alltäglichen Lebens kann für zahlreiche Anwendungen als Navigationssystem im
Innenbereich genutzt werden. In großen, unbekannten Umgebungen wie Flughäfen,
Einkaufscentern oder komplex konstruierten Gebäuden verlassen sich die Menschen derzeit in
der Regel auf Hinweisschilder und Gebäudepläne mit Standortmarkierungen, um zu einem
bestimmten Ziel zu gelangen. Dies kann unter Umständen zu Verspätungen führen, falls der
korrekte Weg nicht sofort gefunden wird oder Umwege gegangen werden. Die
Indoornavigation kann diese Herausforderung bewältigen und dazu auch körperlich
beeinträchtigten Personen, wie Sehbehinderten oder Roll-stuhlfahrern, das Durchqueren eines
Gebäudes erleichtern, indem beispielsweise der kürzeste barrierefreie Weg berechnet wird.
Auch in Notfallsituationen kann ein solches System die Mobilität verbessern und entworfene
Evakuierungsrouten bereitstellen. Eine Vision des For-schungsgebietes ist die sog. universale
Navigation. Diese soll zu jeder Zeit, an jedem Ort und für sämtliche Benutzertypen zur
Verfügung stehen. Der Schwerpunkt der Forschung liegt dort derzeit auf dem nahtlosen
Übergang zwischen Outdoor- und Indoornavigation. Seit 2010 gibt es zudem mit der IPIN
(engl. International Conference on Indoor Positioning and Indoor Navigation) eine jährlich
tagende Konferenz der IEEE-Organisation (engl. Institute of Electrical and Electronics
Engineers), die sich mit der Thematik befasst.
Navigationsgeräte sind zum alltäglichen Standard geworden. Seit Jahrhunderten gibt es
bereits Geräte zur Orientierungshilfe. Die Entwicklung reicht vom Kompass in den frühen
Anfängen bis hin zu GPS seit Mitte der 1980er Jahre als globales
Positionsbestimmungssystem. Diese Technologie deckt die gesamte Erde global ab, ist
4
Einführung
kostengünstig in Verbrauchergeräten verbaut und ist zu einen Synonym für Navigation
geworden. In der Realität ist GPS aber lediglich eine Komponente eines Navigationssystems.
Innerhalb von Gebäuden gibt es zahlreiche variierende Herausforderungen bei der
Positionsbestimmung.
Die
ausgesendeten
Radiowellen
des
globalen
Navigationssattelitensystems (GPS) erfahren dort eine starke Abnahme ihrer Signalstärke, die
eine Lokalisierung mit der erforderlichen Genauigkeit nicht mehr möglich macht. Durch die
Gebäudebegrenzungen besteht keine direkte Sichtverbindung zu den Satelliten. Außerdem
ver-ursacht die Mehrwegeausbreitung im Innenbereich Schwierigkeiten bei Zeit- und
Richtungs-messungen ankommender Signale. Dies wird in Kapitel 3.1 näher beschrieben.
Abbildung 2-1: Google Maps: Mercedes-Benz-Arena Berlin mit Gebäudeplänen für jedes Stockwerk [2]
Google und Apple bieten in ihren Navigationsanwendungen bisher nur teilweise Karten für
den Innenbereich an, wie zum Beispiel für die Mercedes-Benz-Arena in Berlin (Abbildung
2-1). Eine Lokalisierung innerhalb dieser Karten ist derzeit noch nicht möglich. Dazu müsste
eine speziell für den Innenbereich entwickelte Technik implementiert werden. Durch die
einge-schränkte
Genauigkeit
des
globalen
Positionsbestimmungssystems
der
Outdoornavigation kann der exakte Standort nicht ermittelt werden. Ob sich der Benutzer
innerhalb oder außerhalb eines Gebäudes befindet und in welchem Stockwerk er sich aufhält,
bleibt unbekannt. Die derzeit gebräuchlichen Navigationsapplikationen von Apple und
Google liefern lediglich die Infor-mation, ob sich das zu ortende Gerät bei einem Gebäude
befindet. Speziell seit dem Auf-schwung des Smartphonemarktes wird die
Lokalisierungsgenauigkeit der Navigationsappli-kationen für den Außenbereich durch die
zusätzliche Nutzung von WLAN-Signalen (engl. Wireless Local Area Network) zumindest
ein wenig erhöht. Des Weiteren sind die Koordi-natensysteme in Indoornavigationssystemen
nicht standardisiert. In der Regel werden lokale Koordinaten verwendet, die an sog.
Zugangspunkten (z.B. Haupteingang eines Gebäudes) mit globalen verknüpft werden. Alle
Punktepaare innerhalb eines Gebäudes geben die Position somit nur relativ wieder. Dazu darf
Komponenten eines Indoornavigationssystems
5
der Datenschutz nicht unerwähnt bleiben. Nicht jeder Eigentümer möchte Informationen über
den Innenbereich seines Gebäudes öffentlich zugäng-lich machen. [3, 4]
2.2 Komponenten eines Indoornavigationssystems
Unabhängig von den Details der verwendeten Techniken zeigt Abbildung 2-2 die
Komponenten eines typischen Indoornavigationssytems und veranschaulicht den
Informationsfluss zwischen den jeweiligen Modulen. Eine Benutzeranfrage nach einer
Wegbeschreibung wird von der Routingkomponente (Kap. 5) bearbeitet, die eine Route
zwischen der aktuellen Position des Benutzers und einem gewünschten Zielort berechnet.
Dabei wird der derzeitige Standort von der Lokalisierungskomponente (Kap. 3) ermittelt, die
auf einer speziellen Technik zur Positionsbestimmung in Innenbereichen basiert. Diese zwei
Hauptaktivitäten benötigen eine grundlegende Datenbank (Kap. 4), ein Netzwerk über die
navigierbaren Segmente in einem Gebäude (z.B. Gänge, Räume) und deren Verbindungen.
Dabei werden CAD-Anwendungen (engl. Computer-Aided Design), die ein zwei- oder
dreidimensionales Layout von jedem Stockwerk mit hohem Detailgrad liefern, mit BIM-
Methoden
(engl.
Building
Information
Modelling)
kombiniert.
Diese
Gebäudedatenmodellierung enthält Informationen über Geo-metrie, Topologie, Größe und
Eigenschaften der Innenbereiche. Bisher gibt es jedoch kein einheitliches, standardisiertes
Datenformat. Die berechneten Ergebnisse werden abschließend typischerweise in Form von
einer Kartendarstellung visualisiert, die dem Benutzer präsentiert wird. Es gibt verschiedene
Arten der Interaktion zwischen Nutzer und Navigationssystem. Die Applikation stellt dem
Benutzer die aktuelle Position oder eine Wegbeschreibung auf einer zwei- oder
dreidimensionalen Karte in Form von eingezeichneten Punkten, Linien oder Pfeilen dar.
Alternativ können auch Bilder der Umgebung angezeigt werden. Dazu kann die Benutzer-
bewegung auch mittels Sprach- und Textanweisungen geleitet oder durch zusätzliche
haptische Signale verbessert werden. Beispielsweise weist Apples ,,Watch" in der integrierten
Navi-gationsapplikation durch Vibration auf eine notwendige Richtungsänderung des Nutzers
hin. Der Anwender interagiert mit einer mobilen Navigationsapplikation typischerweise
mittels Sprachanweisungen oder durch händische Eingaben auf dem Touchscreen des
Gerätes. [3, 4]
6
Ab
2.3
Tabelle 2
ergänzt n
Unters
kri
Fortbew
Ort von
(engl. P
Interest
Beeinflu
Faktore
Navigat
Datenba
Skalieru
Kartenk
bbildung 2-2
Unters
2-1: Vergleic
nach [6])
cheidungs-
iterium
wegungsart
Interesse
Point of
t POI)
ussende
en bei der
tion
ank
ung
komplexität
: Komponente
schied O
ch zwischen O
-
Fahren (
Rollstuh
Gebäude
Hotel, M
Wetter, V
· GI
G
S
G
· Ne
Nachbar
Bundesl
Horizon
en eines Indoo
Outdoo
Outdoor- und
Outdoorna
(Auto, Moto
hl), Gehen
e, Restauran
Museum, etc
Verkehr, Un
IS: Straßen-
Gehwegsegm
Straßentyp,
Geschwindi
etzwerk: Str
rschaft, Stad
and, Land
ntal: Ebene (
ornavigationss
r- und
Indoornaviga
avigation
orrad, Fahrr
nt, Tankstel
c.
nfälle, Baus
- und
mente,
Breite, Län
igkeitsbegre
raße, Gehw
dt, Landkrei
(2D)
systems als Inf
Indoorn
ation mit mob
rad,
Ge
lle,
Ra
Te
stellen Re
Öf
nge,
enzung
wege
is,
Ge
Ho
nformationsflu
navigat
bilen Endgerä
Indoorn
ehen, Rollst
aum, Toilett
erminal, etc.
enovierunge
ffnungszeite
· CAD / B
Gangs
Länge
· Netzwer
ebäude
orizontal / V
E
ussdiagramm [
tion
äten (abgewa
navigation
tuhlfahren
te, Geschäft
.
en, Verkehr
en, Zutrittsr
BIM:
segment, Br
e, Höhe
rk: Gänge
Vertikal: Eb
Einführung
[5]
andelt und
t,
,
rechte
reite,
bene
Unterschied Outdoor- und Indoornavigation
7
oder räumliche Ansicht mit
Unterscheidung der
Stockwerke (2,5D 3D)
Erforderliche
Genauigkeit
10 m
1 m
Routing
· Optimale Route: kürzeste,
schnellste, geringster
Verkehr, schönste
Landschaft
· Problemgröße: großes bis sehr
großes Netzwerk
· Rechenaufwand: gering bis
sehr hoch
· Optimale Route:
kürzeste
· Problemgröße: kleines
Netzwerk
· Rechenaufwand: gering
Um die Komplexität der Thematik Indoornavigation korrekt einordnen zu können, ist es
ratsam eine Abgrenzung zum ausgeprägten Gebiet der Outdoornavigation zu ziehen. Während
in gewöhnlichen Navigationssystemen auf GPS als allgemeine Lokalisierungstechnologie
zurückgegriffen wird, werden innerhalb von Bauwerken, aufgrund der Abwesenheit von GPS-
Signalen, andere Lösungen benötigt. Tabelle 2-1 vergleicht beide Systeme hinsichtlich
unterscheidbarer Kriterien in der Navigation und im Routing.
Zum einen müssen alle möglichen Bewegungsarten betrachtet werden. Während außerhalb
geschlossener Räume in der Regel beim Auto-, Motorrad-, Fahrrad- und Rollstuhlfahren oder
beim Gehen auf Fußgängerwegen ein Navigationssystem verwendet wird, benutzt man diese
in Gebäuden bei der Fortbewegung entweder zu Fuß oder im Rollstuhl. Ein sog. Ort von
Interesse (engl. Point of Interest POI) ist in einem Bürokomplex beispielweise ein
bestimmter Raum oder eine Toilette. An einem Flughafen könnten ferner Geschäfte und
Terminals attraktive Punkte darstellen. Das Ausmaß des Gebäudes ist also das entscheidende
Kriterium. In der Outdoornavigation möchte der Benutzer hingegen evtl. auf berühmte
Sehenswürdigkeiten, Tankstellen, Museen oder Restaurants aufmerksam gemacht werden.
Der Unterschied beider Navigationsarten ist hier also weniger gravierend. Zudem wird im
Außenbereich die Navigation von Wetter, Verkehr, Unfällen und Baustellen beeinflusst,
während Renovierungen, Öffnungs-zeiten oder Zutrittsberechtigungen einen Grund
darstellen, weshalb eine Route in einem Indoor-navigationssystem Abwandlungen erfahren
könnte. Allerdings werden auch in Innenbereichen verkehrsleitende Routingverfahren
eingesetzt, um beispielsweise an Flughäfen größere Menschenmengen sinnvoll auf
verschiedenen Wegen aufzuteilen. Geoinformationssysteme (engl. Geographic Information
System GIS) bzw. verknüpfte Straßen- und Gehwegsegmente sind Hauptbestandteil eines
Netzwerkes für die Outdoornavigation. GPS liefert Positions-informationen in Echtzeit,
8
Einführung
während GIS diese Daten verwendet, um Navigationsfunktionen bereitzustellen. Verbundene
Gänge bilden indessen die Grundlage der Datenbank eines Gebäudes, die mittels CAD- und
BIM-Techniken verwaltet werden. Ferner besteht ein Unterschied in der Skalierung bzw. den
Zoomoptionen der Kartendarstellung. In der Outdoornavigation kann die Ansicht bis zur
Weltkarte verkleinert werden, während innerhalb eines Gebäudes das System zumeist auf
dieses beschränkt ist. Die Indoornavigation muss zudem nicht nur zweidimensionale Karten
(2D) zur Verfügung stellen, sondern zumindest einen Wechsel zwischen verschiedenen
Stockwerken anbieten (2,5D) oder gar eine dreidimensionale Darstellung (3D) verwenden.
Ein weiteres Unterscheidungskriterium beider Navigationssysteme ist die erforderliche
Genauigkeit. In der Outdoornavigation genügt eine Positionsbestimmung mit einer geringeren
Fehlerrate als zehn Meter. Innerhalb eines Gebäudes sind jedoch exaktere
Lokalisierungstechnologien unabdingbar, die die Position eines mobilen Endgeräts mit einer
Abweichung von etwa einem Meter angeben, da ansonsten eine Wegplanung zu einem
bestimmten Raum nicht möglich wäre. Die optimale Route außerhalb geschlossener Räume
ist, je nach Benutzerwunsch, die mit der kürzesten Distanz, schnellsten Ankunftszeit, dem
geringsten Verkehr oder mit der schönsten Landschaft. Zur Routen-berechnung wird ein
großes bis sehr großes Netzwerk betrachtet und der Rechenaufwand kann ggf. sehr hoch sein.
Bei der Indoornavigation ist die optimale Route in der Regel auch die kürzeste der
entsprechenden Fortbewegungsart, das Netzwerk ist auf einen kleinen Bereich beschränkt und
das Routing benötigt folglich nur geringe Ressourcen. Bei der Reiseplanung mit dem Auto
von München nach Cagliari (Sardinien, Italien) muss ein Algorithmus beispielsweise viel
mehr Möglichkeiten und Umstände in Betracht ziehen als bei der Wegfindung auf dem
Campus einer Universität vom Eingang eines großen Lehrgebäudes zum Büro einer
Professorin oder eines Professors. [7]
Grundlag
3
Das nac
Routing
Zu Beg
nierung
sensorfu
legten T
liegt de
weiteren
3.1
3.1.1
Falls ei
Ablenku
of Sight
(engl. N
eine LO
Möbeln
dies bei
Beispiel
gen
Lok
chfolgende
g und der D
ginn werden
stechniken
usion besch
Technologie
er Fokus au
n Techniken
Grund
Begriffe
a
in Signal in
ungen oder
t (LOS) be
Non Line of
OS-Verbind
n und Perso
i der Wahl d
l eines rech
Abbild
kalisie
Kapitel be
atenbank di
n die wich
erläutert un
hrieben (Ka
en zur Lok
f der Indoo
n sind den a
dlagen
e
a) Sichtverb
n einer dire
Durchquere
zeichnet. S
f Sight - N
dung. Jedoc
onen häufig
der Technol
htwinkligen
dung 3-1: LO
erung
schäftigt si
ie Basis ein
htigsten, gru
nd mit dem
ap. 3.1). Die
alisierung i
ornavigation
angeführten
bindung (L
ekten Sicht
en von Hind
ofern dies n
NLOS) gesp
ch herrscht
g kein Sicht
logie berück
Ganges bei
OS zwischen St
g
ich mit der
nes Indoorna
undlegende
Kalman-Fi
ese Grundla
innerhalb v
n mit mobil
n Referenzen
LOS) und N
tverbindung
dernissen üb
nicht zutrif
rochen. Vie
in Innenra
tkontakt zw
ksichtigt we
ide Situation
tation A und C
Lokalisieru
avigationssy
n Begriffe,
ilter das bek
agen werde
von Gebäud
len Endgerä
n zu entneh
Nicht-Sichtv
g zwischen
bertragen w
fft, wird von
ele Lokalisi
aumumgebu
wischen Sen
erden muss.
nen. [8]
C, NLOS zwisc
ungskompon
ystems bild
Messprinz
kannteste V
n für die im
den (Kap. 3
äten. Näher
men.
verbindung
Sender un
werden kann
n einer Nic
ierungstech
ungen aufgr
nder und E
Abbildung
chen Station A
nente, die m
det (Abbildu
zipien und
Verfahren zu
m Anschlus
3.2) benötig
re Informati
g (NLOS)
nd Empfäng
n, wird dies
cht-Sichtver
hnologien b
rund von W
Empfänger,
g 3-1 visuali
A und B
9
mit dem
ung 2-2).
Positio-
ur Multi-
ss darge-
gt. Dabei
ionen zu
ger ohne
als Line
rbindung
enötigen
Wänden,
weshalb
isiert am
10
Der Eff
beschäf
untersch
Signal,
Radiow
Objekte
Signalst
der Stru
Signals
Bei dick
Dämpfu
durchdr
Derartig
Übertra
Außerde
den zus
RSS) r
Messtec
direkten
benötigt
und anh
des dire
Method
bei Bew
beeinflu
Mehrwe
Referen
b
fekt der sog
ftigt sich m
hiedlichen
das über d
wellen breite
en in ande
tärke ge-dä
uktur und de
ab. Dabei
ken Metallw
ung erfahre
ringen Radi
g reflektiert
agungszeit
em untersch
ätzlichen W
reduziert. E
chniken vom
n Signals m
t, das die an
hand versch
ekten Weg
den möglich
wegung des
usst wird. D
egeeffekt zu
nzen zu find
Abbil
b) Mehrweg
g. Mehrwe
mit dem E
Zeitpunkten
drei verschi
en sich vom
ere Bewegu
ämpft. Der
er Dicke de
wird zwisc
wänden ode
en, dass da
iowellen die
te, gebeugt
vom Send
heiden sich
Weg wird di
Es sind al
m Effekt de
mit den zeitl
nkommende
hiedener Ber
ges ermittel
hst gering g
s Empfang
Deshalb wird
u reduzieren
den. [8, 9, 10
ldung 3-2: M
geausbreitu
geausbreitu
Erreichen v
n am Emp
iedene Weg
m Sender in
ungsrichtun
Grad der A
es Hindernis
chen Reflex
er Stahlträge
as Empfang
e meisten H
e, gestreute
er zum Em
h die Einfall
e an-komm
lso sowohl
es Mehrweg
ich verzöge
en Signale d
rechnungsv
lt. Die Ung
gehalten. B
sobjektes, w
d die Mittelw
n. Weitere V
0]
Mehrwegeausbr
ung bzw. -e
ung bzw. de
verschiedene
pfänger. Ab
ge von Sta
alle Richtu
ngen, als d
Abschwächu
sses und vo
xion, Beugu
ern in Gebä
gsmodul die
Hindernisse
e oder gesc
mpfänger a
lswinkel (e
mende Signa
l zeit- als
ge-empfang
erten Echos
durch spezi
vor-schriften
genau-igkei
Beispielweis
während de
wertsbildun
Verfahren z
reitung eines
empfang
es Mehrwe
er Pfade (E
bbildung 3-
ation A zu
ungen aus un
die ursprün
ung und Ab
on der Frequ
ung, Streuu
äuden könn
ese nicht m
oder finden
chwundene
als der dir
engl. Angle
lstärke (eng
auch win
gs betroffen
s wird ein M
ielle Antenn
n für LOS- u
it dieser S
se variieren
er geradlini
ng über die
zur Minderu
Signals zwisch
geempfang
Echos) des
-2 zeigt ei
einem Emp
nd werden a
gliche, gel
blenkung hä
uenz bzw. d
ung und Fad
en Radiosig
mehr verwe
n einen We
Signale be
rekte, sicht
of Arrival
gl. Receivin
nkel- und
n. Durch die
Mehrwege-A
nensensorik
und NLOS-
chätzung w
NLOS-Pfa
ige Weg (L
Zeit häufig
ung sind in
hen Station A
Lok
gs (engl. M
sselben Sig
in Beispiel
mpfänger B
auf ihrem W
leitet und
ängt vom M
der Wellenlä
ding unters
gnale eine s
erten kann.
eg um diese
esitzen eine
tbare Pfad
- AOA) un
ng Signal St
amplituden
e Vermisch
Ausbreitung
k voneinand
-Pfade die R
wird durch
ade unvorh
LOS) direk
verwendet,
den nachfo
und B
kalisierung
ultipath)
gnals zu
für ein
gelangt.
Weg von
in ihrer
Material,
änge des
chieden.
so starke
. Jedoch
e herum.
e längere
(LOS).
nd durch
trength
nbasierte
hung des
gsmodell
der trennt
Reisezeit
diverse
ersehbar
kt davon
, um den
olgenden
Grundlag
3.1.2
Dead R
von rel
,,deduce
Dabei w
Startpos
kann so
Schätzu
Systeme
zahlreic
die Iner
der Kop
Relativg
Holzbre
Mit der
wird di
Übertra
Übertra
F
Die La
Ankunf
präzise
gen
Messpri
a
Reckoning (e
lativen Posi
ed reckonin
wird die rel
sition aus d
o ein Schätz
ung sinkt zu
e können e
che Lokalisi
rtiale (Kap.
ppelnavigat
geschwindig
ett berechne
Abb
b
Methode T
ie Distanz
agungszeit
agungsgesch
Formel 3-1: B
aufzeit der
ftszeit von
aufeinande
inzipien
a) Dead Rec
engl. für Ko
itionsinform
ng" ab und
ative Änder
der Bewegun
zwert für d
unehmend m
eigenständig
ierungstech
3.2.3) und
tion aus der
gkeit im W
et. [8, 11]
bildung 3-3: P
b) Time of A
Time of Arr
zwischen
eines
hwindigkeit
Berechnung de
Übertragu
der Sendez
er abgestim
ckoning
oppelnaviga
mationen. D
d bedeutet
rung der Po
ng eines mo
die aktuelle
mit der Lau
g ablaufen
hnologien, d
d Visuelle O
r Schifffahr
Wasser durc
Prinzip der Ko
Arrival (TO
rival (TOA)
Sender und
Signals
(z.B. Licht
er Distanz zwi
ä
ung lässt s
zeit errechn
mmt sein. E
ation) bezei
Der Ausdru
wörtlich ü
osition und
obilen Endg
Position b
ufzeit, wie
und benöti
die auf dies
Odometrie (
rt schon sei
ch ein, an e
oppelnavigatio
OA) / Time
), oftmals a
d Empfäng
(z.B.
tgeschwindi
ischen Sender
=
Ü
ich durch
nen. Dazu
Ein Synchro
ichnet eine
uck leitet s
bersetzt etw
Orientierun
geräts ermit
bestimmt we
in Abbildun
igen keine
ser Methodi
(Kap. 3.2.4)
it Jahrhunde
einer Schnu
on (engl. Dea
e of Flight (
auch als Tim
ger nach Fo
Radiow
igkeit bei Sc
und Empfäng
Ü
Subtrahier
müssen di
onisationsfe
Messtechn
ich aus de
wa ,,abgele
ng in Bezug
telt. Bei bek
erden. Die
ng 3-3 zu s
externe Inf
ik beruhen,
). Historisch
erten bekan
ur befestigte
d Reckoning)
(TOF)
me of Flight
ormel 3-1
wellen)
challwellen
ger bei der TO
en der Em
ie Uhren in
ehler von e
nik zur Best
em Englisch
eitete Berec
g auf eine b
kanntem St
Genauigke
sehen ist. D
frastruktur.
wie beispi
h ist diese
nnt. Dort w
es, bleibesc
[12]
t (TOF) bez
durch Mes
bei
b
n) ermittelt.
OA-Methode [9
mpfangs- b
n beiden O
einer Nano
11
timmung
hen von
chnung".
bekannte
tartpunkt
eit dieser
Derartige
Es gibt
elsweise
Technik
wurde die
chwertes
zeichnet,
ssen der
ekannter
[9]
bzw. der
Objekten
osekunde
12
Lokalisierung
führt bei Radiowellen zu einem Distanzfehler von 30 Zentimeter. Bei der Distanzbestimmung
über die doppelte Strecke (engl. Round Trip Time - RTT) kann die Synchronisierung
entfallen. [8, 9]
c) Time Difference of Arrival (TDOA)
Dieses Verfahren misst die Differenz der Ankunftszeiten von Signalen, die zwischen
mehreren stationären und einer zu ortenden, mobilen Station übertragen werden. Das mobile
Gerät kann dabei Sende- oder Empfangsfunktion wahrnehmen. TDOA (engl. Time Difference
of Arrival) behebt den Nachteil der notwendigen, präzisen Synchronisation zwischen Sender
und Empfänger. Allerdings müssen die sendenden Objekte ihre Signale synchron verschicken
bzw. bei mehreren Empfangsstationen und einer mobilen Sendestation müssen die
Empfängeruhren synchronisiert sein. Dies wird unter anderem bei GPS ausgenutzt, indem
teure Synchronisationselektronik in den Satelliten verbaut wird und in den Empfangsgeräten
(z.B. Smartphones) herkömmliche, kostengünstigere Verbraucherelektronik genutzt werden
kann. Bei TDOA wird analog zu Formel 3-1 aus der Zeitdifferenz
t die Streckendifferenz
d
bestimmt. [8, 9]
d) Angle of Arrival (AOA)
Angle of Arrival (AOA) ist eine Messtechnik, bei der die Richtung des Einfallswinkels eines
Signals, das zwischen einem Sender und einem Empfänger übertragen wird, in Bezug auf ein
gemeinsames Koordinatensystem erfasst wird. Deshalb ist auch der Begriff Direction of
Arrival (DOA) gebräuchlich. Bei Radiowellen werden zur Winkelmessung direktionale,
gerichtete Antennen oder sog. Antennen-Arrays verwendet. Beide können als Sende- oder
Empfangs-station genutzt werden. Zur Messung ist Sichtkontakt (Kap. 3.1.1a)) zwischen
beiden Stationen erforderlich. [8, 9]
3.1.3 Positionierungstechniken
a) Lateration / Trilateration / Multilateration
Die Begriffe Lateration, Trilateration und Multilateration beziehen sich allesamt auf die
Positionsbestimmung aus Distanzmessungen. In der Literatur verweist der Ausdruck Tri-
lateration häufig auf TOA (Kap. 3.1.2b)) und Multilateration auf TDOA (Kap. 3.1.2c)) als zu
Grunde liegende Messtechnik. Allerdings verwenden einige Werke diese Nomenklatur auch,
um auf die Anzahl der vorliegenden Messwerte bzw. ortsfesten Stationen (,,Tri" = drei,
,,Multi" = mehr als drei) hinzuweisen.
Formel 3-2: Kugelgleichung einer TOA-Messung (resultiert aus Abstand zwischen Sender und Empfänger) [13]
(
ä
)
= (
- ) + (
- ) + ( - )
Grundlag
Mit eine
dem R
Kugelgl
wohinge
Laterati
bestimm
Messwe
Allerdin
Bodenn
Abbildun
Ansicht [
Formel
bekannten
=
Bei eine
Hyperbe
denselb
und x, y
erfolgt m
wird de
Bereich
werte b
verschie
widersp
schemat
gen
er vorhande
Radius nach
leichung. D
egen x, y un
ion verwen
men. In der
erte benöti
ngs gibt es a
nähe und nic
ng 3-4: Trilat
[13], Rechts: z
3-3: Hyperb
n und einer un
= (
-
er TDOA-M
ellinie nach
en Wert au
y und z die K
mittels Hyp
er Begriff H
h werden für
benötigt u
edenene A
prüchliche I
tische Dar-s
enen TOA-
h Formel
Der Punkt S
nd z die unb
ndet nun K
Ebene (2D
igt und im
auch Verfah
cht an der D
teration (Kuge
zweidimension
belgleichung
nbekannten St
) + (
-
Messung lie
h Formel 3-3
ufweist. Die
Koordinaten
perbelschnit
Hyperboloi
r die Positio
und im räu
Ausschlusskr
Information
stellung ein
Messung k
3-1 bestim
S
i
(X
i
, Y
i
, Z
bekannten K
Kugelschnitt
D) werden fü
m dreidim
hren, die du
Decke) die n
elschnitte mit
nale Ansicht
einer TDOA
tation) [13]
- ) + (
gt die Posit
3 beschreibt
Punkte S
i
n des Objek
ten durch d
d bzw. Hy
onsbestimm
umlichen B
riterien ver
nen zu diese
nes Hyberbe
kann die Pos
mmt werd
Z
i
) bezeich
Koordinaten
te (Abbildu
für die Loka
mensionalen,
urch Aussch
notwendige
TOA-Messun
A-Messung (r
- ) -
tion des zu
t die Orte a
(X
i
, Y
i
, Z
i
) u
kts, dessen S
die Technik
yperboloidsc
mung wieder
Bereich vi
rringert we
em Punkt z
elschnitts in
sition eines
en. Forme
hnet die Po
n des zu ort
ung 3-4), u
alisierung m
, räumliche
hlusskriterie
Anzahl redu
gen dreier be
resultiert aus
(
-
ortenden G
ller Punkte,
und S
j
(X
j
,
Standort erm
der Laterat
chnitt verw
rum mindes
ier. Diese
erden, wesh
zu finden s
der Ebene.
Objektes a
l 3-2 zeig
osition der
enden Gerä
um dessen
mindestens d
en Bereich
en (z.B. Obj
uzieren.
kannter Statio
s Abstandsdiff
) + (
-
Gerätes auf e
, deren Strec
Y
j
, Z
j
) sind
mittelt wird
ion. Im drei
wendet. Im
tens drei St
Anzahl k
halb in de
ind. Abbild
[8, 13, 14,
auf einer K
gt die zug
bekannten
äts beschreib
Standort e
drei Station
h zuminde
jekt befinde
onen), Links:
fferenz zwisc
) + (
einer Hyper
ckendiffere
bekannte S
d. Die Lokal
idimensiona
zweidimen
tationen bzw
kann erneu
er Literatur
dung 3-5 ze
15, 16]
13
Kugel mit
gehörige
Station,
ben. Die
exakt zu
nen bzw.
est vier.
et sich in
räumliche
chen zwei
- )
rbel. Die
enz (
d
ij
)
Stationen
lisierung
alen Fall
nsionalen
w. Mess-
ut durch
r häufig
eigt eine
14
Ab
Triangu
Einfalls
auf die
sondern
zweidim
Orien-ti
auf ein
die Schn
festen
Position
Lediglic
angepas
windsch
wird da
Stereom
verwend
Abb
bbildung 3-5:
b
ulation beze
swinkelmess
Anzahl de
n auf die Be
mensionalen
ierung erfor
gemeinsam
nittmenge d
Stationen
nsbestimmu
ch die Sen
sst werden,
hief im Rau
as Werk vo
metrieverfah
det. [8, 9, 1
bildung 3-6: T
Multilateratio
b) Angulati
eichnet die P
sungen (Ka
er Basisstat
erechnung d
n Fall sind
rderlich, die
mes Koordin
der sich erg
steigt d
ungen ist b
nsorik zur
, da sich z
um liegen. F
on Goswam
hren zur
8]
Triangulation
on (Zweidimen
on / Triang
Positionsbe
ap. 3.1.2d)).
tionen, wie
der Position
mindesten
e den Wink
natensystem
gebenden Li
die Genau
bei diesem
Winkelerf
zwei Gerad
Für genauer
i [9] empfo
Gewinnun
n (Zweidimens
nsionale Hype
gulation
stimmung e
Die Vorsil
e bei der L
durch trigo
ns zwei Ba
kel des Sign
m erfassen. D
inien (Abbi
uigkeit des
m Verfahren
fassung un
den in der
re Informati
ohlen. Trian
ng von
sionale Positio
erbelschnitte d
eines Gegen
lbe ,,Tri" be
Lateration im
onometrisch
asisstationen
nalaustausch
Die Lokalis
ildung 3-6).
s Ergebni
n keine zu
nd die Ber
r Regel nic
ionen zu de
ngulation w
dreidimens
onsbestimmun
durch TDOA-
nstands auf
ezieht sich i
m vorausge
he Funktione
n mit bekan
hs mit einem
sierung erfo
Mit zuneh
sses. Für
usätzliche
rechnungsvo
cht exakt s
en mathema
wird zudem
ionalen T
ng durch AOA
Lok
-Messungen) [
f der Grundl
in diesem F
ehenden Ab
en in Dreiec
annter Posit
m Objekt i
olgt daraufh
hmender An
dreidime
Basis erfo
orschriften
schneiden,
atischen Fun
auch bei v
Tiefeninform
-Messungen)
kalisierung
[17]
lage von
Fall nicht
bschnitt,
cken. Im
tion und
n Bezug
hin durch
nzahl der
ensionale
rderlich.
müssen
sondern
nktionen
visuellen
mationen
[17]
Grundlagen
15
c) Cell of Origin (COO)
Cell of Origin (dt. Ursprungszelle) ist ein vor allem im Mobilfunkbereich bekannt
gewordenes Verfahren. Im mobilen Gerät wird festgestellt, von welchem Sender ein Signal
ankommt bzw. welches die größte Signalstärke (engl. Receiving Signal Strength RSS)
aufweist. Durch die bekannte Lage der Sendestationen kann dadurch jede Position einer
bestimmten Zelle zugeordnet werden. Die Genauigkeit hängt von der Größe und Form der
Zellen ab. Diese wird durch die Art des Signals und die Anzahl der Sender bestimmt.
Beispielsweise könnte ein System mit Ultraschalltags in jedem Raum, aufgrund der
Beschränkung der Ultraschall-ausbreitung durch die umliegenden Wände, eindeutig
bestimmen, in welchem Zimmer sich ein entsprechender Empfänger befindet. Diese
Genauigkeit ist für die Indoornavigation unter Umständen ausreichend. [8, 16]
d) Fingerprinting (FP)
Fingerprinting ist eine Methode der Merkmalserkennung (engl. Pattern Matching) zur Lokali-
sierung. Sie beruht ursprünglich auf verschiedenen Ausbreitungsmodellen bzw. der Abnahme
der Signalstärke (RSS) von Radiosignalen (z.B. WLAN) mit zunehmender Entfernung von
der Quelle. Allerdings wird die Methode auch mit akustischen Tönen und visuellen Bildern
ein-gesetzt. In einer Kalibrierungs- bzw. Trainingsphase (offline) werden Karten mit sog.
Finger-abdrücken von zahlreichen Positionen erstellt. Die Daten können dabei durch
empirisches Messen oder durch analytische Modelle gewonnen werden. In der
Operationsphase (online) werden aktuelle Signale mit der vorab aufgenommenen Datenbank
verglichen und der Wert mit der besten Übereinstimmung repräsentiert die Position des
Objekts. Zusätzlich wird in vielen Verfahren die Karte laufend mit neuen Fingerabdrücken
erweitert. [8, 9, 19]
3.1.4 Multisensorfusion (Kalman-Filter)
Das Kalman-Filter ist kein Filter im eigentlichen Sinne, sondern eher ein Algorithmus, der
Zustände abschätzt. Die grundlegende Technik wurde bereits 1960 vom ungarischen Mathe-
matiker Rudolf E. Kálmán entworfen und seitdem zahlreich weiterentwickelt. Dieser Schätz-
algorithmus ist die Basis der beliebtesten Verfahren zur Multisensorfusion von relativen und
absoluten Messwerten in Navigationssystemen, weshalb er hier exemplarisch vorgestellt wird.
Es existieren auch diverse Abwandlungen für nichtlineare Modelle, wie beispielsweise das
Erweiterte Kalman-Filter (engl. Extended Kalman Filter EKF), bei denen zuvor eine
Lineari-sierung durchgeführt werden muss.
Ein Algorithmus zur Zustandsvorhersage ermittelt die Werte von mehreren Parametern eines
Systems in Echtzeit, die sich kontinuierlich verändern. Alle vorliegenden Sensorwerte werden
fusioniert, kalibriert und dynamisch angepasst. Dabei verwendet ein Kalman-Filter alle Mess-
16
Lokalisierung
werte seit Start der Berechnung und nicht nur die aktuellsten. Es nutzt Wissen aus determinis-
tischen und statistischen Vorhersagen der Systemparameter und Messwerte und stellt durch
Bayes'sche Prognosen eine optimale Schätzung bereit. Nach einer Initialisierungsphase
arbeitet das Filter rekursiv, indem es die Schätzung als gewichtetes Mittel zwischen
vorherigen und neuen Messwerten berechnet. Nichtrekursive Algorithmen würden alle
Kalkulationen nur aufgrund der aktuellen Messungen tätigen und die bisherigen nicht mit
einbeziehen. Um eine optimale Vorhersage treffen zu können, fließt zudem ein Fehlermodell
über die Abweichungen und Korrelationen der Messdaten und Parameter in die Berechnung
ein. Dies wird neben dem Schätzergebnis iterativ übertragen. Das Kalman-Filter kann somit
als Kreislauf aus Messen, Vorhersagen und Korrigieren beschrieben werden, wie in
Abbildung 3-7 zu sehen ist. Ein praxiserprobtes Beispiel ist erneut die Applikation Google
Maps, bei der GPS u. a. mit der Technik der Inertialen Odometrie (Kap. 3.2.3) verknüpft
wird. Für detaillierte Informationen zu den verschiedenen Filterarten und den genauen
Berechnungsverfahren wird auf das Werk von Groves [20] verwiesen. Dort wird diese
Thematik vertiefend beschrieben. [20]
Abbildung 3-7: Das Kalman-Filter als iterativer Kreislauf
Messung
Vorhersage
Korrektur
Technologien
17
3.2 Technologien
3.2.1 Überblick
Abbildung 3-8: Überblick typischer Lokalisierungstechnologien der Indoornavigation
Als Ersatz für die Lokalisierung mittels GPS gibt es zahlreiche verschiedene Technologien,
um die Position eines Objekts innerhalb eines Gebäudes zu bestimmen. Abbildung 3-8 stellt
einen Überblick der weitverbreitetsten Verfahren dar. Dabei handelt es sich keinesfalls um
eine vollständige Darstellung, da die Forschung stets neue, mehr oder weniger erfolgreiche,
Lokali-sierungstechnologien entwickelt. Bisher hat sich jedoch noch kein einheitlicher
Standard ge-formt. Zudem wird in realen Systemen nur selten eine dieser Technologien
verwendet, sondern häufig eine Kombination mehrerer Verfahren. Dies wird als sog.
Hybrides System bezeichnet. Die Techniken können hinsichtlich globaler und relativer
Positionsbestimmung aufgeteilt werden. Bei der Unterteilung der erstgenannten Gruppe
stechen die Lokalisierungsverfahren auf Basis von Radiowellen besonders hervor. Dazu
gehören WLAN, Bluetooth und RFID, die in Kapitel 3.2.2 näher betrachtet werden. Ferner
gibt es die Funkzellenortung [21, 22], die oft in Kombination mit GPS eingesetzt wird, um
dessen Genauigkeit zu erhöhen, und die Ultra-weitbandtechnologie (UWB) [23, 24]. Die
weiteren globalen Lokalisierungstechnologien basieren auf Magnetismus [25, 26], Akustik
[27] und visuellen Verfahren, zu denen Infrarot [28] und sog. Landmarken [29] gezählt
werden. Dies sind beispielsweise an Wänden angebrachte Barcodes oder QR-Codes, die im
eigentlichen Sinne keine Technik zur Positions-bestimmung darstellen. Allerdings werden sie
Indoor-
lokalisierung
Globale
Lokalisierung
Radiowellen
WLAN
Bluetooth
RFID
Funkzellen-
ortung
UWB
Magnetismus
Akustik
Ultraschall
Hörbare
Töne
Visuelle
Verfahren
Infrarot
Landmarken
Relative
Lokalsierung
Inertiale
Odometrie
Visuelle
Odometrie
18
Lokalisierung
in manchen Fällen verwendet, um die Installation einer besonderen Technik zur Lokalisierung
zu vermeiden, weshalb sie in die vorliegende Überblicksdarstellung aufgenommen werden.
Der Benutzer einer solchen Navigationsanwen-dung wird durch das Gebäude geleitet, indem
er an bestimmten Stellen mit einem mobilen Endgerät einen Code abscannt, der gut sichtbar,
beispielsweise an Wänden, platziert ist, und dem System dadurch die aktuelle Position
mitteilt. Für weitere Details zu den globalen Lokali-sierungstechniken sind die genannten
Referenzen zu empfehlen. Odometrieverfahren, bei der die Position relativ zu einem
Startpunkt gemessen wird, lassen sich in inertiale und visuelle Systeme unterteilen. Die auf
der Trägheit beruhende Inertiale Navigation wird in Kapitel 3.2.3 und die Visuelle Odometrie
in Kapitel 3.2.4 behandelt. Tabelle 3-1 fasst die genannten Techniken in abstrakter Weise
hinsichtlich ihrer Lokalisierungsgenauigkeit, der Reichweite eines einzelnen Knotens und
typisch verwendeter Messprinzipien zur Positionsbestimmung zusammen. Die angegebenen
Intervalle stellen einen Mittelwert dar und beziehen sich auf die Mehrheit der Systeme in der
jeweiligen Kategorie. Sicherlich gibt es Methoden, die diese Grenzen nach oben oder nach
unten überschreiten. [30, 31]
Tabelle 3-1: Überblick typischer Lokalisierungstechnologien der Indoornavigation, Die (typische) Reichweite
bezieht sich auf einen einzelnen Knoten (abgewandelt und ergänzt nach [32])
Technologie
Genauigkeit
Reichweite [m]
Typisches Messprinzipien
WLAN / WiFi
m
20-50
FP, COO, Lateration
Bluetooth
m
5-10
FP, COO, Lateration
RFID
dm m
0,5-10
FP, COO, Lateration
Funkzellenortung m 100 m
10-1000
(Zellgröße)
FP, COO, Lateration
UWB
cm m
1-50
FP, COO, Lateration
Inertiale
Odometrie
1 %
10-100
Dead Reckoning
Visuelle
Odometrie
1 %
1-10
Dead Reckoning, FP
Magnetismus
mm cm
1-20
FP, COO, Lateration
Infrarot
cm m
1-5
FP, COO, Lateration
Akustik
cm
2-10
FP, COO, Lateration
Landmarken
-
-
Einscannen mit Smartphone
Technologien
19
3.2.2 Radiowellen
a) WLAN
Die weitverbreitete Nutzung von WLAN (engl. Wireless Local Area Network) in Häusern,
Hotels, Flughäfen, Einkaufscentern und anderen kleinen und großen Gebäuden ist der Grund,
weshalb diese Technologie zu den aktuell am häufigsten genutzten Techniken zur Positions-
bestimmung in Innenräumen gehört. Die Verfügbarkeit von WLAN ist in den vergangenen
Jahren zu einem alltäglichen Lebensstandard gereift.
Typischerweise besteht ein WLAN-System aus stationären Zugangspunkten (engl. Access
Points AP), die über ein Gebäude an bekannten, geeigneten Orten verteilt sind. Mobile
Geräte kommunizieren über das Internet durch diese APs. Das Institute of Electrical and
Electronics Engineers (IEEE) hat WLAN in der IEEE 802.11 Norm standardisiert. Dabei
wurde dieser Standard hauptsächlich für einen schnellen, kabellosen Internetzugriff und nicht
für den Zweck der Lokalisierung erschaffen. Die benötigte Hardwarestruktur zur
Positionsbestimmung ist dabei allerdings bereits vorhanden, da ein Gebäude, in dem ein
Indoornavigationssystem installiert werden soll, in der Regel bereits über eine WLAN-
Infrastruktur verfügt. Im Vergleich zu GPS ist keine Line of Sight (Kap. 3.1.1a)) notwendig,
da sich die WLAN-Signale durch Wände hindurch im Gebäude ausbreiten. Zur Verbesserung
der Lokalisierung wird WLAN-Ortung bereits zusätzlich zu GPS in herkömmlichen
Outdoornavigationssystemen (z.B. Google Maps) verwendet.
Algorithmen, die TOA- und TDOA-Messungen zur Ortung verwenden (Kap. 3.1.3a)),
erfahren aufgrund des schwer berechenbaren Ausbreitungsmodells der Radiowellen innerhalb
von Ge-bäuden und des Problems der Mehrwegeausbreitung (Kap. 3.1.1b)) durch geringe
Genauigkeit der Positionsbestimmung alleinstehend keine besondere Beliebtheit. Außerdem
werden im regulären IEEE-Standard keine Zeitstempel in den Signalen versendet. Beim
Messen der Round Trip Time (RTT) müsste zudem die Verzögerung bei der Verarbeitung im
Access Point berück-sichtigt werden. Deshalb sind die in den vergangenen Jahren
weitverbreitetsten Ansätze, bei der auf WLAN basierten Lokalisierungstechnologie, Cell of
Origin (Kap. 3.1.3b)) und Finger-printing (Kap. 3.1.3d)). Beim Betrachten der Receiving
Signal Strength (RSS) müssen jedoch die Eigenschaften verschiedener Chips in
unterschiedlichen WLAN-Zugangspunkten beachtet werden. Allerdings können die großen
Zellen bei der COO-Technik eine bedeutende Unge-nauigkeit hervorrufen, da WLAN eine
durchschnittliche Reichweite von 20 bis 50 Metern in geschlossenen Räumen besitzt. In
manchen Fällen kann diese sogar über 100 Meter betragen. Eine Einschränkung der
Sendeleistung der Zugangspunkte (APs) und Installation weiterer Geräte würde die Fehlerrate
verbessern, jedoch der eigentlichen Bestimmung der Access Points nach IEEE 802.11
entgegenwirken und höhere Kosten durch die zusätzlich benötige Hardware verursachen.
20
Lokalisierung
Mit einem Smartphone lassen sich an den meisten Orten in Städten in der Regel zahlreiche
verschiedene WLAN-Netzwerke bzw. Zugangspunkte finden. Auch wenn an der Universität
der Bundeswehr München das ,,1X"-Netzwerk nahezu global über dem Campus ausgebaut ist,
erfolgt eine Verbindung stets zu verschiedenen Access Points. Beim Wechseln der Position in
Räumen oder bei der Bewegung durch Gebäude verändert sich die Verteilung der sichtbaren
Zugangspunkte stetig. Dadurch kann die Technik des Fingerprinting eine sehr gute
Performanz aufweisen. Karimi [33] vergleicht diverse Systeme, deren Fehlerdurchschnitt in
der Genau-igkeit der Lokalisierung bei zwei bis sechs Metern liegt. Dessen ungeachtet ist der
Nachteil dieser Methode das Aufzeichnen zahlreicher Fingerabdrücke in der Trainingsphase.
Zudem können Veränderungen in der Umgebung (z.B. Bewegung von Möbeln oder
Umbauten) neue Aufzeichnungen notwendig machen oder die Positionsbestimmung negativ
beeinflussen, wie beispielsweise offene bzw. geschlossene Türen oder sich bewegende
Personen. [33, 34]
b) Bluetooth
Bluetooth ist eine kabellose Netzwerktechnologie, die hauptsächlich als Kommunikations-
verbindung zwischen verschiedenen Geräten (z.B. Lautsprecher, Smartwatch, Smartphone)
verwendet wird, da es nur in einem eingeschränkten Bereich verfügbar ist. Die typische
Reichweite beträgt etwa fünf bis zehn Meter. Dies ist ein deutlicher Rückschritt im Vergleich
zur WLAN-Technologie. Allerdings gibt es bei Bluetooth zahlreiche Geräteklassen, welche
sich hinsichtlich ihrer Sendeleistung unterscheiden, weshalb auch Reichweiten von bis zu 100
Metern möglich sind.
1
Die Vorteile dieser Technologie sind die hohe Sicherheit, die niedrigen
Kosten, der geringe Stromverbrauch und die Möglichkeit sehr kleine Geräte mit der
erforderlichen Technik auszustatten. Es bedarf keiner sichtbaren Verbindung (Kap. 3.1.1a)),
um Bluetoothsignale zu empfangen. Die durchschnittliche Fehlerrate bei der Lokalisierung
beträgt nach Karimi [35] zwei bis sechs Meter - kein Fortschritt gegenüber WLAN - und es ist
eine zusätzliche Hardwarestruktur in Form von sendenden Bluetooth-Chips erforderlich.
Häufig wird mit Hilfe eines analytischen Ausbreitungsmodells aus der empfangenen Signal-
stärke (RSS) der Abstand zwischen Sender und Empfänger geschätzt und die Genauigkeit
dieser Messung angegeben. Negativ beeinflusst wird diese Technik durch Mehrwegeausbrei-
tung (Kap. 3.1.1b)), bewegende Personen und physische Objekte (z.B. Wände), da Bluetooth-
signale aufgrund der geringeren Sendeleistung bzw. Reichweite starke Abnahmen in der
Signalstärke durch Hindernisse erfahren. Deshalb wird typischerweise zusätzlich zur
einfachen Abstandsmessung Lateration (Kap. 3.1.3a)) und Fingerprinting (Kap. 3.1.3d))
verwendet. Au-ßerdem ist die Methode der Cell of Origin (Kap. 3.1.3b)) sehr beliebt.
1
Für nähere Informationen zu den verschiedenen Bluetooth-Standards wird auf die offizielle Webseite
verwiesen: https://www.bluetooth.com/ [Zugriff am: 15.05.2016]
Technologien
21
Die iBeacon-Technologie ist ein von Apple entwickeltes System zur Lokalisierung. Dabei
werden zahlreiche Tags, sog. Beacons, über ein Gebäude verteilt. Diese senden sehr strom-
sparende Bluetooth Low Energy Signale aus. Mit einer Knopfzellenbatterie beträgt die Ver-
wendungszeit eines Beacons mindestens einen Monat. Es besteht zudem die Möglichkeit
größe-re Batterien oder eine externe Stromversorgung einzusetzen. Abbildung 3-9 zeigt
schematisch für die iBeacon-Technik die Abstandsmessung aus der Signalstärke (RSS) und
die bereits ange-sprochenen Probleme.
Abbildung 3-9: Links oben: Smartphone weit vom Beacon entfernt, verringerte Signalstärke und somit
reduzierte Genauigkeit; Rechts oben: Smartphone näher am Beacon, weshalb Signalstärke und somit die
Genauigkeit steigen; Links unten: Physische Objekte (z.B. Wände) reduzieren Signalstärke; Rechts unten:
Menschen beeinflussen das Signal [37]
Abbildung 3-10: BSB Navigator Indoor Navigationssystem für die Bayerische Staatsbibliothek [38]
Das Münchener Unternehmen ,,Bokowsky + Laymann GmbH" entwarf ein
Indoornavigations-system für die Bayerische Staatsbibliothek. Die im März 2016
veröffentliche Applikation ,,BSB Navigator" (Abbildung 3-10) nutzt zur Lokalisierung 245
Bluetooth-Signalgeber, die sämtliche öffentlich zugänglichen Räume des Gebäudes abdecken.
Diese sind im Abstand von etwa zehn bis fünfzehn Metern deckennah an den Wänden
22
Lokalisierung
positioniert, sodass von jedem Standort eine sichtbare Verbindung (Line of Sight) zu
zumindest einem Beacon besteht. In der Regel sind aber zwei bis drei Signalgeber sichtbar. Es
wird eine Kombination der obig beschriebenen Techniken verwendet, um den Standort des
Nutzers zu ermitteln. Zur Realisierung des Finger-printing wurde im Gebäude in der
Entwicklungsphase alle paar Meter ein Fingerabdruck in eine Datenbank aufgenommen. In
diesem sind die Sendestärke (RSS) und der Abstand zu den sichtbaren Beacons zu finden. Zur
Identifikation der Blickrichtung werden Kompass und Gyro-skop und zur
Stockwerksbestimmung das Barometer des Smartphones genutzt (siehe auch Kap. 3.2.3
Inertiale Odometrie). Es handelt sich somit um ein Hybrides System, da eine Fusionie-rung
verschiedener Technologien die Position des Geräts bestimmt. Die Anwendung weist eine
gute Performanz hinsichtlich der Genauigkeit der Lokalisierung auf, allerdings kommt es in
abgeschotteten Bereichen mit nur einem Bluetooth-Signalgeber in der Line of Sight (LOS) zu
größeren Diskrepanzen, die das Verfolgen einer berechneten Route bedeutend erschweren.
[35, 36, 37, 38]
c) RFID
RFID (engl. Radio Frequency IDentification) hat in kürzester Zeit immer mehr an Bedeutung
gewonnen. Die Anwendungsgebiete sind vielfältig und reichen vom Ersatz für Barcodes, zum
elektronischen Bezahlen (z.B. Apple Pay, Mensakarte) bis zur Sicherheitstechnik (z.B.
Zugangskarte zum Gelände der Universität der Bundeswehr München, Diebstahlschutz im
Einzelhandel). Auch in der Indoornavigation ist diese Technologie weitverbreitet. Prinzipiell
wird zwischen passiven und aktiven RFID-Tags unterschieden, wobei die durchschnittliche
Reichweite eines Chips dieser Technik zwischen einem halben und drei Metern liegt, eine
erkennbare Abnahme gegenüber WLAN und Bluetooth. Ein weiteres Unterscheidungs-
kriterium ist der Frequenzbereich. Bei RFID gibt es Langwellen (LF), Kurzwellen (HF),
Dezimeterwellen (UHF) und Mikrowellen (SHF). Im Vergleich zu den anderen, auf
Radiowellen basierenden Lokalisierungsverfahren, wird bei RFID ebenfalls auf Lateration
(Kap. 3.1.3a)), Cell of Origin (Kap. 3.1.3c)) und Fingerprinting (Kap. 3.1.3d)) gesetzt. Die
Anzahl bzw. die Dichte der passiven oder aktiven RFID-Tags und deren Reichweite
beschränkt dabei die Genauigkeit der Positionsbestimmung. Die durchschnittliche Fehlerrate
typischer Systeme reicht nach Mautz [39] vom Dezimeterbereich bis zu einer Abweichung
von fünf Metern. Häufig wird RFID mit dem Begriff NFC (engl. Near Field Communication)
verwechselt. Dabei handelt es sich jedoch nur um einen speziellen RFID-Standard mit
passiven Transpondern, die eine Reichweite von wenigen Zentimetern aufweisen.
Ein passiver Tag enthält nur wenige Kilobyte an Daten, die von einem leistungsstärkeren
Lesegerät (z.B. Smartphone), dem sog. Scanner, durch induktive oder kapazitive Kopplung
ausgelesen werden können. Dabei wird ein Signal vom Leser am passiven Chip mit einer
spezifischen Modulation (enthält typischerweise Seriennummer bzw. ID) reflektiert. Da die
gesamte Energie hierbei vom Lesegerät kommt, brauchen passive RFID-Tags keinerlei
Technologien
23
Stromversorgung, weshalb derartige Chips auch sehr kostengünstig erhältlich und einfach zu
warten sind. Weitere Vorteile sind die geringe Größe und eine gewisse Unempfindlichkeit
gegenüber Störungen. Die Tags können für den Benutzer unauffällig in Teppiche oder Wände
integriert werden. Jedoch beschränkt sich die Reichweite der passiven RFID-Chips auf
wenige Zentimeter bis max. zwei Meter. Aktive RFID-Tags benötigen eine externe
Stromversorgung bzw. eine Batterie und können selbst Signale aussenden, die von
Lesegeräten erfasst werden. Dabei sind im Mikrowellenbereich auch Reichweiten von über
zehn Metern möglich.
Zusammenfassend ist RFID die kostengünstigste auf Radiowellen basierende Technologie zur
Lokalisierung mit einer für die Indoornavigation ausreichenden Genauigkeit. Allerdings wird,
wie bei Bluetooth, zusätzliche Hardware benötigt. Einerseits ist eine im Gebäude verteilte
RFID-Tagstruktur erforderlich und andererseits muss das Smartphone bzw. das Lesegerät
diese Technik ebenfalls beherrschen. Nachdem Samsung schon länger auf die NFC-
Technologie in ihren Android-Smartphones setzt, gibt es diese Technik nun auch seit dem
iPhone 6 in den Geräten von Apple. Allerdings kann beispielsweise der Apple Pay Dienst in
Deutschland zum Verfassungszeitpunkt dieser Ausarbeitung noch nicht verwendet werden.
[39, 40]
3.2.3 Inertiale Odometrie
Das Prinzip der Inertialen Odometrie wird in der Literatur häufig mit verschiedenen Begriffen
bezeichnet. Neben dem Ausdruck Trägheitsnavigationssystem bzw. Inertiales Navigations-
system (engl. Inertial Navigation System INS), die als Synonym verwendet werden können,
wird diese Technik oftmals mit Dead Reckoning (Kap. 3.1.2a)) oder Inertiale Messeinheit
(engl. Inertial Measurement Unit IMU) referenziert. Diese beiden Begriffe stellen jedoch
ein Messprinzip bzw. eine Messkomponente der übergeordneten Technologie der Inertialen
Odometrie dar, die im Folgenden erläutert wird.
24
Ein Trä
Inertiale
auch für
das auf
Freiheit
nander
torische
(Gyrosk
sind fes
Systems
die Zeit
Informa
geschieh
Geräteb
die Mes
Des We
Position
Standor
Messda
Navigat
Smartph
Höhenin
(Magne
In den A
wendet.
Abbildun
ägheitsnavig
en Messeinh
r die Komb
f der Dead
tsgrade best
orthogonal
e Bewegun
kope), welc
st mit dem G
s vorliegen
t erhält ma
ation über
ht im sog
bewegung m
ssungen no
eiteren ist e
n, Ausrichtu
rt im global
aten addiert
tionssystem
hones, we
nformatione
etometer) ve
Anfängen de
. Heute dom
ng 3-11: Sche
gationssyste
heit (IMU)
bination bei
Reckoning
teht ein Ine
ausgerichte
ng messen
che die Rota
Gerät verbu
. Durch num
an zunächst
die relativ
g. Navigati
misst, fließt
och um Gra
es unabding
ung und G
len Koordin
t. Abbildun
ms. Bei vie
erden zum
en und
erbaut, die d
er Inertialna
minieren so
ematische Dar
em (INS) e
und einem
ider Kompo
Messtechn
ertiales Nav
eten Beschl
n, und d
ation hinsic
unden, sodas
merische In
t die Relativ
ve Position
ons-prozess
zudem ein
avitations-,
bar zu Beg
Geschwindig
natensystem
ng 3-11 zei
elen Träghe
m Erhöhen
wiederum
die geschätz
avigation w
og. MEMS-
rstellung eines
ines typisch
m sog. Navig
onenten geb
nik beruht.
vigationssys
leunigungss
drei Drehr
chtlich aller
ss alle Mes
ntegration d
vgeschwind
und Orien
sor. Da di
n Gravitatio
Zentrifugal
inn eine Ini
gkeit vorzun
m zu erhalte
igt eine sc
eitsnavigati
n der G
orthogon
zte Bewegun
wurden mech
Sensoren (e
s Inertialen N
hen mobile
gationsproz
bräuchlich i
Zur Erfassu
tem typisch
sensoren (A
ratensensore
r drei Achs
swerte im l
der Beschle
digkeit und
ntierung de
ie Inertials
onsmodell in
l- und Cori
itialisierung
nehmen. Um
en, werden d
chematische
-onssystem
enauigkeit
nal angeo
ngsrichtung
hanische Se
engl. Micro
Navigationssys
en Endgerät
zessor, wobe
st, und beze
ung aller se
herweise au
Acceleromet
en oder
en aufnehm
okalen Koo
unigungs- u
anschließe
es mobilen
sensorik ni
n die Berec
iolisbeschle
g mit absolu
m die aktu
die relativen
e Darstellun
en, speziel
zusätzlich
ordnete M
g verbessern
ensoren für d
o-Electro-M
Lok
stems [41]
ts besteht a
ei der Begr
eichnet ein
echs kinem
us jeweils d
ter), die die
Kreiselinst
men. Diese
ordinatensys
und Drehra
end eine ge
n Endgeräte
icht nur d
chnung mit
eunigung ko
uten Werten
uelle Lage
en auf die a
ng eines In
ll bei Tabl
h Barome
Magnet-felds
n.
die Messun
Mechanical S
kalisierung
aus einer
riff IMU
System,
matischen
drei zuei-
e transla-
trumente
Bauteile
stem des
aten über
eschätzte
es. Dies
ie reine
ein, das
orrigiert.
n für die
und den
bsoluten
nertialen
lets und
eter für
sensoren
ngen ver-
System),
Technolo
die sehr
fortschr
ein Mik
MEMS-
sind be
deutlich
Messfeh
etc.) au
relativen
großen
Beschle
letzendl
durch m
und daz
Lokalisi
typische
aktuelle
Sensors
Navigat
Abbildun
Multisens
Die Vo
Updater
Robusth
benötigt
Fehlerra
Frequen
Die Ge
Sensorf
kürzer
Navigat
ogien
r klein, kos
reitende Min
krosystem z
-Technik ha
eispielsweis
h höheren
hler (z.B. B
f. Diese füh
n Position
Abweichun
eunigungen
lich quadrat
mathematisc
zu zyklisch
ierungs-tech
erweise ein
en Position
s kann dur
tionslösung
ng 3-12: Inte
sorfusion mit
orteile der
rate, die B
heit gegenü
t keine exte
ate zu min
nz deutlich g
enauigkeit
fusion und
die Integ
tionssystem
stengünstig
niaturisieru
zu integriere
at ihren Nac
se in militä
Preisen z
Bias, Bias-D
hren mit zu
und Orient
ngen in der
und Drehr
tisch bzw.
ch modellier
mit externe
hnologie)
n Kalman-F
und Ausric
rch einen
. Dieses Pri
egration von
einem Kalman
Technolog
ereitstellun
über Störun
erne Infrast
nimieren, si
geringer sei
hängt von
der Fehlerl
grationszeit
m ohne Kom
und robust
ng ist es inz
en und plat
chteil allerd
ärischen un
zu finden.
Drift, Skalen
unehmender
tierung und
r globalen L
raten über d
kubisch in
rte, reprodu
en, absoluten
kombinier
ilter (Kap.
chtung aus
anderen a
inzip ist in A
Inertialer Od
n-Filter in ein
gie der Ine
g von Pos
ngen. Ein d
truktur. Um
ind allerdin
in kann. Au
der Art d
losigkeit un
t, desto
mbination m
gegenüber
zwischen m
tzsparend in
dings in der
nd zivilen
Preiswert
nfaktorfehle
r Laufzeit z
d letztendlic
Lokalisierun
die Zeit im
die Berech
uzierbare Fe
n Referenzm
rt. Dabei
3.1.4), eine
allen vorlie
ausgeglichen
Abbildung 3
dometrie mit
nem sog. Hybr
ertialen Od
sition, Orien
derartiges S
m die daraus
ngs zyklisch
ußerdem ist
der verwen
nd Updatefr
exakter is
mit anderen
Störungen
möglich, alle
n ein mobil
Genauigke
Flugzeuge
te MEMS-
er, Nichtort
zu erheblich
ch durch Ad
ng. Durch
m Navigation
hnung ein.
ehlermodell
messungen
bestimm
e Vorhersa
egenden Da
n werden.
3-12 darges
einer global
riden System (
dometrie si
ntierung un
System kan
s resultieren
h globale M
zu Beginn
ndeten Sen
frequenz de
st das Er
n Lokalisie
produziert
e Einheiten
les Endgerä
it des Inerti
n hochwer
-Sensoren
thogonalität
h anwachsen
ddition auf
die mehrfac
nsprozessor
Deshalb we
le zur Laufz
(z.B. auf R
men Multi
ge bzw. ein
aten. Der N
Es entsteh
tellt.
en Lokalisier
(abgewandelt
ind eine k
nd Geschw
nn eigenstä
nde, streng
Messdaten
eine Initiali
soren, dem
r absoluten
rgebnis. D
erungstechni
werden. D
einer IMU
ät zu verbau
ialsystems.
rtigere Syst
weisen er
t der Skalen
nden Fehler
f absolute W
ache Integra
r fließen di
erden die S
fzeit stetig k
Radiowellen
isensoralgo
nen Schätzw
Nachteil ein
ht eine in
rungstechnolo
nach [42])
kontinuierlic
windigkeit u
ändig ablau
monoton s
erforderlich
isierung von
m Algorithm
n Messwert
Da ein I
niken aussch
25
Durch die
in solch
uen. Die
Deshalb
teme zu
rhebliche
nachsen,
rn in der
Werte zu
ation der
e Fehler
Sensoren
kalibriert
n basierte
orithmen,
wert der
nes jeden
ntegrierte
ogie durch
ch hohe
und eine
ufen und
teigende
h, deren
n Nöten.
mus der
te ab. Je
nertiales
hließlich
26
Lokalisierung
relative Werte für Position und Ausrichtung liefert, wird die Genauigkeit anhand des
Verhältnisses von berechneter Position zu realer Position angegeben. Durchschnittlich liegt
sie bei etwa einem Prozent. Durch die Verbindung mit anderen Technologien in einem
Hybriden System (Abbildung 3-12) können Abweichungen im Zentimeter- bis
Millimeterbereich erreicht werden. Die Inertiale Odometrie ist aus der Indoornavigation somit
nicht mehr wegzudenken. [43, 44, 45]
3.2.4 Visuelle Odometrie
Bildbasierte Navigation (engl. Image-Based Navigation) ist zu einer der dominierenden
Techniken zur Positionsbestimmung geworden und wird zukünftig eine große Rolle im
Forschungsgebiet der Indoornavigation einnehmen. Die Verbesserung und Miniaturisierung
von Kamerasystemen und effizientere Bildverarbeitungsalgorithmen sind, neben der
Zunahme von Datenraten und Rechenleistung, für den Erfolg von optischen Methoden
verantwortlich. Außerdem ist bei derartigen Verfahren in der Regel keine zusätzliche
Hardwarestruktur im Gebäude erforderlich. Im Folgenden wird der Schwerpunkt auf die
Navigation mit Kamera-systemen von mobilen Endgeräten gelegt. Dies wird in dieser Arbeit
als Visuelle Odometrie bezeichnet, da die vorgestellte Lokalisierungstechnologie auf dem
Prinzip des Dead Reckoning (Kap. 3.1.2a)) beruht. Es gibt jedoch auch zahlreiche weitere
kamerabasierte Verfahren. Hierfür sind die Werke von Mautz [47] und Groves [48] zu
empfehlen. Oftmals wird in der Literatur auch mit dem aus der Robotik stammenden Begriff
Simultane Lokalisierung und Kartenerstellung (Simultaneous Localization and Mapping -
SLAM) auf diese Technologie ver-wiesen.
Abbildung 3-13: Beispiel einer Bildersequenz (aufgenommen mit einem iPhone 6S)
Das Verfahren der Visuellen Odometrie basiert auf sequentiell aufgenommenen Bilderreihen
(Abbildung 3-13) entlang einer zurückgelegten Strecke. Während sich der Benutzer beispiels-
weise mit einem Smartphone durch das Gebäude bewegt, erfasst die integrierte Kamera die
Umgebung. Dabei wird die aktuelle Aufnahme mit einer bekannten Datenbank verglichen, in
der alle zuvor aufgezeichneten Bilder enthalten sind, und die Differenz der Aufnahme-
positionen wird berechnet. Durch Wiedererkennen von bereits durchlaufenen Gebieten kann
somit die relative Position und Orientierung des Geräts bestimmt werden. Hierbei wird nicht
das gesamte Bild betrachtet und gespeichert, sondern besondere Merkmale aus diesem
Technologien
27
extrahiert. Diese lassen sich oftmals an Ecken und Kanten von Objekten finden. Ein Bildver-
arbeitungs- bzw. Matching-Algorithmus sucht nach Übereinstimmungen mit bekannten
Beson-derheiten. Eine hierfür häufig verwendete Technik ist die sog. skaleninvariante
Merkmalstrans-formation (engl. Scale-Invariant Feature Transform - SIFT), die im Werk von
Goswami [46] ausführlich erläutert wird. Abbildung 3-14 zeigt eine allgemeine Darstellung
des Prinzips der Visuellen Odometrie. Oftmals reicht das Kamerasystem zur Lokalisierung
nicht aus, sodass zusätzliche Informationen durch eine externe Referenz benötigt werden, um
Lücken zwischen einzelnen Berechnungen zu schließen, den bei Odometrieverfahren mit der
Zeit wachsenden Fehler zu kontrollieren und globale Positionsangaben bereitzustellen.
Hierfür gibt es zahlreiche verschiedene Methoden, die in den genannten Quellen ausführlich
erläutert werden. Ein derartig Hybrides System ist beispielsweise Googles Project Tango, das
in Kapitel 6 vorgestellt wird.
Die Mehrheit der Applikationen, die solch ein System verwenden, besitzen eine Genauigkeit
im Millimeterbereich. Wie bei der Inertialen wird bei der Visuellen Odometrie alleinstehend
ausschließlich die relative Position bestimmt, weshalb die durchschnittliche Abweichung
häufig auch mit etwa einem Prozent beziffert wird. Außerdem wird neben dem mobilen End-
gerät keine spezielle Hardwarearchitektur innerhalb eines Gebäudes benötigt, um dieses Ver-
fahren für die Indoornavigation nutzen zu können. Allerdings wird zum Erkennen von
Überein-stimmungen in Bildern eine hohe Rechenleistung benötigt und das Verwalten der
Datenbank erfordert einen enormen Speicherplatzbedarf. In den Anfängen dieser Technologie
war oft zusätzliche, mobilitätseinschränkende Ausrüstung notwendig, da in einem mobilen
Endgerät nicht die erforderliche Hardware verbaut werden konnte. Inzwischen ist aber nicht
nur diese Herausforderung erfolgreich bewältigt, sondern die Geräte können die Technik
mittlerweile in Echtzeit zur Verfügung stellen. Ferner beeinflussen u. a. Veränderungen der
Umgebung (z.B. bewegende Personen, neue Möbel), Tageszeiten und gleichartige Gänge oder
Gebäude die Performanz des Bildverarbeitungsalgorithmus und wirken sich negativ auf die
Dauer und Genauigkeit der Positionsbestimmung aus. [46, 47, 48]
28
Abbil
ldung 3-14: W
Wiedererkenneen von Merkm
malen durch M
Matching-Algorithmus (abge
Lok
ewandelt nach
kalisierung
h [49])
Technologien
29
30
Datenbank
4 Datenbank
Nachdem im vorherigen Kapitel diverse Lokalisierungstechniken beschrieben wurden,
behandelt dieser Abschnitt die Datenbank bzw. das zugrundeliegende Netzwerk eines
Indoornavigationssystems. Dieses soll zum einen optisches Kartenmaterial für die Benutzer-
visualisierung liefern und zum anderen der Routingkomponente eine graphische
Repräsentation des Gebäudenetzwerks zur Berechnung von Wegen bereitstellen (Abbildung
2-2). Während zahlreiche Organisationen (z.B. Google, OpenStreetMap) Daten für
Outdoornavigations-systeme sammeln, hat sich bisher keine Vereinigung zum einheitlichen,
standardisierten Er-fassen von Innenraumumgebungen profiliert. Sicherlich spielen dabei
datenschutzrechtliche Bedenken bei der Veröffentlichung des Innenbereichs eines Gebäudes
auch eine große Rolle. Zunächst werden in diesem Kapitel verschiedene Kartografietechniken
und graphische Reprä-sentationen (Kap. 4.1) erläutert und anschließend einige existierende
Datenformate (Kap. 4.2) beschrieben, wobei sich bisher kein Standard durchgesetzt hat.
Abschließend wird auf die Methode des sog. Map Matching (Kap. 4.3) eingegangen, das
wesentliche Verfahren, um Posi-tionsinformationen mit Kartenmaterial zu verbinden.
4.1 Kartografie
Als Kartografie wird in dieser Arbeit der Herstellungsprozess von digitalen Gebäudekarten
zur direkten Verwendung in einem Navigationssystem bezeichnet. Derartige Karten sind in
der Regel nicht vorhanden und müssen mit spezieller Hard- und Software erstellt werden. Sie
stellen einen weiteren kritischen und kostspieligen Teil eines Indoornavigationssystems dar
und beeinflussen direkt dessen Qualität. Deshalb ist es wichtig, ein einheitliches Format zum
Mo-dellieren, Speichern und Austauschen von Innenraumkarten zu finden, um Insellösungen
abzu-schaffen, einen Standard zu formen und so die Kooperation verschiedener Programme
zu er-möglichen. Der Benutzer möchte mit einer Applikation durch viele Gebäude geleitet
werden und nicht stets die Anwendung wechseln müssen. Eine Gebäudekarte lässt sich
abstrakt in Räume und Gänge unterteilen, die durch Wände voneinander abgegrenzt sind und
Türen als horizontale bzw. Treppen und Aufzüge als vertikale Verbindungen besitzen. Die
Daten ent-halten zudem Längen- und Höhenangaben sowie die Namen der Objekte. Die
Positionen der Elemente werden relativ zu sog. Fixpunkten angegeben. An diesen
Zugangspunkten findet in einem universalen Navigationssystem eine Umrechnung zwischen
lokalen und globalen Koordinaten statt, um einen nahtlosen Übergang zwischen Innen- und
Außenbereichen zu gewährleisten. Außerdem erfolgt ein Austausch zwischen den
verschiedenen Datenmodellen. Häufig wird dabei von CAD und GIS Integration gesprochen.
Kartografie
31
Im Zusammenhang mit Datenmodellen bzw. Kartierungstechniken von Indoornavigations-
systemen sind in der Literatur zumeist die Begriffe GIS, BIM und CAD zu finden. Allerdings
handelt es sich bei keinem dieser Ausdrücke um ein, ohne manuelle Anpassungen, verwend-
bares Datenformat zum Modellieren, Speichern und Austauschen von Gebäudeinformationen.
Nachfolgend werden die Begriffe in den Kontext dieser Ausarbeitung eingeordnet. GIS (engl.
Geographic Information System) steht für Geoinformationssystem und wird in
Outdoornaviga-tionssystemen als räumliches Datenmodell für Straßen- und Gehwegsegmente
verwendet. In Kombination mit GPS-Lokalisierungsinformationen stehen Routingfunktionen
zur Verfügung. Rechnerunterstütztes Konstruieren bzw. CAD (engl. Computer Aided Design)
ist ein allgemein bekannter Begriff für das Erstellen von zwei- oder dreidimensionalen
Modellen auf Computer-basis. Mit CAD-Programmen (z.B. AutoCAD, SketchUp,
ArchiCAD) können Abbildungen von Innenraumumgebungen erzeugt werden. Somit steht für
jedes Stockwerk ein Layout in gewünschter Dimension und definiertem Detailgrad zur
Verfügung. BIM (engl. Building Information Modeling) ist ein Verfahren der
Gebäudedatenmodellierung aus der Bauindustrie und kombiniert CAD-Modelle mit
zusätzlichen Informationen über Geometrie, Topologie und Eigenschaften von
Innenbereichen. Es können auch semantische Verknüpfungen bzw. Bezie-hungen zwischen
einzelnen Objekten modelliert werden. Datenformate der Indoornavigation (Kap. 4.2) beruhen
zumeist auf der BIM-Methodik. Kapitel 4.1.1 erläutert diverse Techniken zur
Kartenerzeugung, gefolgt von einer genaueren Betrachtung der graphischen Repräsen-
tationen der Karten (Kap. 4.1.2), die Routingfunktionen bereitstellen. [18, 50, 51, 52]
4.1.1 Kartierungstechniken
Die Kartierung eines Gebäudes umfasst das Sammeln von Informationen zur Beschreibung
des Layouts und die Konvertierung der Daten in eine Form, die von anderen Komponenten
des Systems (Abbildung 2-2) genutzt werden können. In der Indoornavigation benötigt die
Routingkomponente topologische und semantische Angaben über die Zusammenhänge
zwischen den Gebäudeteilen. Außerdem bedarf es für die Kartenvisualisierung einer zwei-
oder dreidimensionalen, benutzerfreundlichen Darstellung. Die korrekte Erfassung und
Darstellung des Innenbereichs beeinflusst die Genauigkeit der Navigationsanwendung direkt.
Elektro-nische, digitale Karten haben Pläne in Papierform nahezu vollständig verdrängt.
Neben der ein-fachen Visualisierung von Gebäuden werden meist Optionen zum Zoomen und
Verschieben der Karte und zum Auswählen und Suchen bestimmter Orte angeboten. Weitere
Funktionen sind die Lokalisierung des aktuellen Standorts und die Navigation zu
gewünschten Zielpositi-onen. In Indoornavigationssystemen sind die Möglichkeiten dabei
meist auf ein bestimmtes Gebäude beschränkt, da es bisher noch keine globale Lösung für die
Navigation innerhalb von geschlossenen Räumen gibt. Tabelle 4-1 zeigt einen Überblick über
32
Datenbank
die
verschiedenen
Möglichkeiten
der
Kartenerzeugung.
Jede
gegenwärtige
Indoornavigationslösung verwendet eine individuelle Kombination verschiedener
Kartierungstechniken, deren Vor- und Nachteile im Folgenden erläutert werden.
Tabelle 4-1: Merkmale und Varianten der Kartierungstechniken für die Indoornavigation
Merkmal
Varianten
Dimension
· 2D (2,5D)
· 3D
Datenbasis
· Grundriss (2D)
· CAD-Modell (2D, 3D)
· Wahrscheinlichkeitsmodell (SLAM)
Zeitpunkt
· vorher
· zur Laufzeit (SLAM)
Die Kartendimension stellt das erste Unterscheidungsmerkmal dar. Zweidimensionale Karten
sind aus der Outdoornavigation hinreichend bekannt und bei Nutzern sehr beliebt. Für die
Navigation in Innenbereichen sind 2D-Pläne für jedes Stockwerk notwendig. Hierfür ist der
Begriff 2,5D geläufig. Durch Herauszoomen kann zudem die globale Lage und Orientierung
des Gebäudes betrachtet werden, nachdem diese durch Ziehen der zweidimensionalen Karte
an die richtige Position in einem globalen Navigationssystem (z.B. Google Maps) fixiert
wurde. Die aktuelle Position des Benutzers wird typischerweise durch einen Punkt visualisiert
und Wegbeschreibungen können somit in Form von verbundenen Liniensegmenten dargestellt
werden. Dreidimensionale Innenraummodelle hingegen präsentieren dem Nutzer während der
Navigation mehr Informationen über die Umgebung und ermöglichen eine bessere räumliche
Orientierung. Die globale Position bleibt verborgen. Der gegenwärtige Standort und die Lage
des Navigationsgeräts werden in Form einer 3D-Ansicht demonstriert. Oftmals weisen Pfeile
den Weg, nachdem eine Route berechnet wurde. Einige Indoornavigationssysteme erlauben
ein dynamisches Umschalten zwischen zwei- und dreidimensionaler Kartenansicht.
Als Datenbasis der Kartografie dienen zum einen 2D-Grundrisse oder Satellitenaufnahmen,
aus denen Navigationskarten mit manuellen Anpassungen extrahiert werden können. Pläne
dieser Art sind für viele Gebäude verfügbar. Zum anderen bieten CAD-Modelle drei- und
zwei-dimensionale Karteninformationen an. Allerdings müssen derartige Daten häufig
aufwendig durch entsprechende Soft- und Hardware konstruiert werden, da CAD-
Modellierungen bzw. Vermessungen von Gebäuden typischerweise nicht vorhanden sind.
Durch steigende Automati-sierung in der Gebäudeerfassung und Erkennung von Objekten
werden diese Verfahren zuneh-mend vereinfacht. Der aktuelle Stand der Technik erfordert
dennoch zahlreiche manuelle Eingriffe. Geometrische Informationen können beispielsweise
automatisch generiert werden, aber die semantische Verknüpfung von Treppen und Aufzügen
muss stets per Software festgelegt werden. In der Regel geschieht die Kartierung bei diesen
Kartografie
33
beiden Techniken vor dem Start des Navigationssystems. Zudem kann zwischen Karten
unterschieden werden, die Hinder-nisse und Möbel beinhalten und solchen, die diese
ignorieren.
Einen anderen Ansatz verfolgt die dynamische Kartenerzeugung zur Laufzeit. Diese Technik
der Simultanen Lokalisierung und Kartenerstellung wird als SLAM (engl. Simultaneous
Localization and Mapping) bezeichnet und hat ihren Ursprung in der Robotik, wo sich
Roboter-systeme in unbekannten Umgebungen zurechtfinden. Es gibt aber bereits viele
Versuche für die Nutzung in der Indoornavigation. Durch Auswerten von Sensordaten mit
einem Wahrschein-lichkeitsmodell wird während der Navigation durch ein Gebäude, ohne
vorheriges Wissen über die Umgebung, eine Karte erzeugt. Menschliche Bewegungsmodelle
und Bewegungsschätz-ungen fließen in die Berechnung mit ein. Es gibt sogar Modellierungen
für betrunkene Personen. Als Ergebnis sollte letztendlich eine Karte mit alle begehbaren
Bereichen und Hindernissen entstehen. Für eine vollständige Kartierung besteht die
Notwendigkeit, das Gebäude mit einem oder mehreren Geräten zumindest einmal zu
durchlaufen. Durch Kombination von SLAM mit anderen Verfahren und Verknüpfung mit
bekannten Positionen von Objekten (z.B. WLAN-APs) kann diese Methode andere Varianten
mit dynamischen Informationen über veränderte Umgebungen (z.B. neues Hindernis)
unterstützen. Bereits vorhandene zwei- oder dreidimensionale Karten liefern von Anfang an
gute Ergebnisse, während bei der Verwendung von SLAM eine Initialisierungsphase
notwendig ist, bis genügend Informationen über die Umgebung vorhanden sind. [18, 51, 52]
4.1.2 Graphische Repräsentation
Um mit einem Algorithmus den bestmöglichen Weg zwischen zwei Positionen zu berechnen
und Routingfunktionen bereitzustellen, muss das Layout bzw. die Kartendarstellung eines
Innenbereichs zu einer Graphstruktur mit Knoten und Kanten konvertiert werden, da die
meisten Routingalgorithmen auf derartigen Modellierungen beruhen. Hierfür gibt es ver-
schiedene Verfahren und Modelle. Räume bzw. Gänge werden typischerweise als Knoten
modelliert und sind mittels Türen, Aufzügen und Treppen miteinander verbunden. Eine
derartige Verbindung bzw. Kante repräsentiert einen Weg, den eine Person direkt zwischen
zwei Knoten betreten kann. In einigen graphischen Strukturen besteht zudem die Möglichkeit
große Knoten, wie beispielsweise einen langen und verwinkelten Korridor in einem
Bürokomplex, in kleinere Teilstücke zu zerlegen, sodass bei jeder Orientierungsänderung
beim Verfolgen eines Weges auch ein Knoten passiert wird. Dies steigert die Effizienz des
Routingalgorithmus. Die Wahl einer Abzweigung bzw. einer Kante ist mit Kosten verbunden.
Oft werden diese in Navigationssystemen anhand von Distanzen oder Zeiten angegeben. Es
gibt aber auch Verfahren, in denen beispielsweise nur die Anzahl der zu überwindenden
Türen bzw. Treppen gezählt werden. [18, 52]
34
Datenbank
4.2 Datenformate
Um Informationen über die Innenbereiche von Gebäuden speichern und austauschen zu
können, bedarf es eines einheitlichen, strukturierten Datenformates, das sämtliche, von einem
Indoornavigationssystem benötige, Daten beinhaltet. Dadurch würde der Transfer von Ge-
bäudedaten und die Zusammenarbeit verschiedener Programme stark vereinfacht werden. Die
Mehrzahl der bestehenden Formate wurde nicht für die Indoornavigation entworfen, weshalb
oftmals nur geometrische und logische Informationen über ein Gebäude und dessen Elemente
gespeichert werden und aufgrund von fehlendem topologischem Wissen keine Routing-
funktionen angeboten werden können. Die Topologie von Innenbereichen wird häufig in
Form eines Graphen mit Räumen als Knoten und Türen, Treppen und Aufzügen als Kanten
modelliert. Einige Datenformate können sogar die Öffnungsrichtung einer Tür beschreiben.
Es gibt auch Ansätze ohne konkrete Geometrie, in denen Längenangaben bzw. Distanzen
durch die Anzahl der zu überwindenden Türen von einer Start- zu einer Zielposition
wiedergegeben werden. Bisher gibt es kein Standardformat, sondern lediglich eine Vielzahl
an unstrukturierten Halblösungen, wobei im Folgenden die in der Literatur am häufigsten
beschriebenen Entwürfe vorgestellt werden. Der Schwerpunkt dieses Teilkapitels liegt auf
IndoorGML (Kap. 4.2.4), da dieses Format eine der vielversprechendsten Lösungen darstellt.
Zukünftige Konzepte sind bislang nicht absehbar. In den nächsten Jahren besteht allerdings
die unbedingte Notwendigkeit in der Forschung und Industrie zur Standardisierung, um die
zunehmende Entwicklung von Insellösungen für die Indoornavigation zu stoppen und
verschiedene Systeme bzw. Karten-materialien miteinander kompatibel zu machen. [52]
4.2.1 OpenStreetMap (OSM)
Neben den kommerziellen Drittanbietern zur Sammlung von Geodaten hat sich die offene
Kartografiegemeinschaft OpenStreetMap (OSM) als kostenlose Alternative etabliert, wobei
deren Datenbank mittlerweile mehr Gebäude als Straßen besitzt. Der Schritt in Richtung
Indoornavigation ist also naheliegend. Der Vorteil bestünde darin, dass sobald eine
Innenarchitektur mit einem in OSM benutzbaren Datenformat modelliert werden würde, alle
verfügbaren Funktionen des Netzwerkes zur Verfügung stehen. Mit einer entsprechenden
Lokalisierungstechnologie für den Innenbereich wären Routingfunktionen verfügbar und
somit ein betriebsbereites Indoornavigationssystem einfach realisierbar. Bei der Recherche
nach Datenformaten zur Beschreibung von Innenbereichen in OSM wird in der Literatur
häufig IndoorOSM
2
(engl. Indoor OpenStreetMap) erwähnt. Dies ist ein erster Versuch, eine
ein-heitliche Struktur zu erschaffen, um in diesem Netzwerk auch Karten innerhalb von
2
IndoorOSM: http://wiki.openstreetmap.org/wiki/IndoorOSM [Zugriff am: 23.06.2016]
Datenformate
35
Gebäuden anbieten zu können. Allerdings soll dieses Format, laut einem Hinweis auf der
offiziellen Web-seite, nicht mehr verwendet werden. Die Mehrzahl der gefundenen, aktuellen
Softwaresysteme zum Thema Indoornavigation in OpenStreetMap beruht allerdings immer
noch auf IndoorOSM und es existieren diverse Tools, um aus dem Grundriss eines Gebäudes
mit manuellen Bearbeitungen eine IndoorOSM-Datei zu erzeugen. Dazu gibt es zahlreiche
weitere un-strukturierte Ansätze zur Modellierung von Innenraumumgebungen auf der
Webseite von OpenStreetMap, wie beispielsweise das sog. Simple Indoor Tagging
3
, die
allesamt eine mangelhafte Dokumentation und kaum umgesetzte Lösungen besitzen. [53, 54]
4.2.2 IFC
IFC
4
(engl. Industry Foundation Classes) ist ein von buildingSMART International (bSI)
geformter, offener Standard im Bauwesen zur Beschreibung und zum Austausch von
digitalen, zwei- oder dreidimensionalen Gebäudemodellen. Er ist registriert unter ISO 16739
und liegt aktuell in Version 4.0 von 2014 vor. Eine IFC-Datei enthält logische und
geometrische Informationen über Gebäudeelemente und deren Beziehungen, aber es fehlen
toplogische Ver-bindungen zwischen den einzelnen Objekten. Deshalb kann das IFC-
Datenformat nicht direkt zur Indoornavigation benutzt werden und dient in erster Linie der
Bauindustrie als BIM-Datenmodell. Allerdings lassen sich IFC- mit IndoorGML-Daten
kombinieren. Es wird versucht, diese Lücken zu schließen, weshalb IFC in der Literatur zur
Navigation innerhalb von Gebäuden häufig erwähnt wird. [52]
4.2.3 CityGML
CityGML
5
(engl. City Geography Markup Language) ist ein Datenformat zum Darstellen,
Speichern und Austauschen von virtuellen, dreidimensionalen Stadtmodellen. Es gehört zum
OGC-Standard (engl. Open Geospatial Consortium) und liegt aktuell in der Version 2.0 von
2012 vor, die auf der Auszeichnungssprache GML (engl. Geography Markup Language) 3.2.1
basiert. Die Entwicklung von CityGML galt dem Gewinn und der Vereinheitlichung von
digitalen Geoinformationen und nicht der Navigation. Herkömmliche CAD-Programme
bieten Tools zum Erstellen von CityGML-Dateien an. Stadt- und Landschaftsobjekte werden
in fünf verschiedenen Detailgraden (engl. Level of Detail - LOD) modelliert. In der vierten
dieser Unterteilungen (LOD 4) stellt CityGML ein Modul für Gebäude und
Innenarchitekturen zur Verfügung. Dort können jedoch ausschließlich geometrische
Informationen erfasst werden, sodass dieses Format ebenfalls nicht ohne Anpassungen für die
3
Simple Indoor Tagging: http://wiki.openstreetmap.org/wiki/Simple_Indoor_Tagging [Zugriff am: 20.07.2016]
4
IFC: http://www.ifcwiki.org, http://www.buildingsmart.org [Zugriff am: 23.06.2016]
5
CityGML: http://www.citygml.org/ [Zugriff am: 22.06.2016]
36
Datenbank
Indoornavigation genutzt werden kann, da für Routenberechnungen topologisches Wissen
über die Verknüpfung verschiedener Elemente in einem Gebäude unabdingbar ist. Um diese
Beziehungen besser darstellen zu können, wurde IndoorGML entwickelt, das im
nachfolgenden Abschnitt vorge-stellt wird. Allerdings lassen sich in CityGML Objekte
detaillierter beschreiben. [52, 55]
4.2.4 IndoorGML
IndoorGML
6
(engl. Indoor Geography Markup Language) basiert ebenfalls auf GML 3.2.1,
liegt aktuell in der Version 1.0 von 2014 vor und ist ein Kandidat bzw. Anwärter für den
OGC-Standard. Ziel dieses Datenformates ist es, eine Bibliothek mit sowohl geometrischen,
als auch topologischen und semantischen Informationen über Innenbereiche von Gebäuden
zur Ver-fügung zu stellen. Dabei handelt es sich nicht um eine neue Entwicklung, sondern
lediglich um eine Erweiterung bereits existierender Formate (u. a. IFC, CityGML) speziell für
die Indoor-navigation. Teile einer IndoorGML-Datei können aus anderen Datenformaten
gewonnen werden und externe Referenzen zu diesen enthalten. Des Weiteren existieren
Tools, um aus einem Gebäudegrundriss mit manuellen Eingriffen eine IndoorGML-Datei zu
erzeugen. Es soll zu einem Standardformat zum Speichern, Austauschen und Modellieren von
Innenraummo-dellen für die Navigation innerhalb von Gebäuden geformt werden.
IndoorGML besteht aus fünf allgemeinen Konzepten, die im Folgenden erläutert werden:
1. Zellnetzwerk
Innenbereiche werden als Netzwerk aus Zellen modelliert, die die kleinste Einheit
darstellen (z.B. Räume). Jede Zelle hat einen eindeutigen Namen (z.B. ID,
Raumnummer) und grenzt an andere Zelleinheiten. Benachbarte Zellen überlappen
sich nicht. Positionsangaben können nur in Form des Zellnamens oder präziser zwei-
oder dreidimensionaler Koordinaten angegeben werden. Des Weiteren besteht die
Möglich-keit große Zellen, wie beispielsweise Hallen oder Korridore, in kleinere
Bereiche zu unterteilen.
2. Semantik
Die semantische Repräsentation von IndoorGML ermöglicht die Identifikation
verschiedener Zellarten und deren Verbindungen (z.B. Türen, Treppen, Fahrstühle).
So kann beispielsweise zwischen navigierbaren (z.B. Räume, Gänge, Türen) und
nicht-navigierbaren Bereichen (z.B. Wände, Hindernisse) unterschieden werden.
6
IndoorGML: http://indoorgml.net/ [Zugriff am: 22.06.2016]
Datenform
3. G
D
O
D
M
I
b
4. T
D
d
g
R
d
D
O
5. S
I
b
W
e
k
A
M
Z
h
Ab
mate
Geometrie
Das Bereit
Objekte geh
Datenforma
Möglichkei
IFC, CityG
beschrieben
Topologie
Der sog. N
dungen der
geometrisch
Routenbere
diese dua
Dreidimens
Oberflächen
Schichten
In der Da
Schich-ten.
bilden eine
WLAN-Zug
eigenständi
kann ein na
Abbildung
Modell mit
Zwischen d
hergestellt w
bbildung 4-1:
tstellen von
hört nicht z
aten eindeu
iten angebo
GML) eines
n werden.
Node-Relatio
r Zellen in
hem und lo
echnung gen
ale Graph
sionale Obj
n werden zu
atenbank ei
Topologis
e Ebene, w
gangspunkt
iges Zellnet
avigierbare
4-1 zeigt in
t jeweils e
den Schicht
werden. Die
Links: Dreisc
n geometris
zu den Hau
utig beschri
oten. Geome
anderen Fo
on-Graph (
einer einfa
ogischem N
nutzt werde
hstruktur
ekte (z.B.
u Kanten, di
ines Indoor
sche Inform
ährend in e
te des Inne
tzwerk des
s Gerät in
n der linken
einem NRG
ten können
es wird im r
chichtiges Ind
schen Infor
uptaufgaben
ieben werd
etriedaten k
ormates, eig
(NRG) repr
achen, abstr
NRG unters
en. Zur Abb
wird die
Räume) w
ie zwei Kno
rnavigation
mationen üb
einer ander
enbereiches
Gebäudes.
jeder Schic
n Hälfte ein
G für Topo
durch sog
rechten Aus
doorGML Mod
rmationen
n von Indoo
den. Desha
können durc
genständig
räsentiert d
rakten Dars
schieden. D
bildung von
sog. P
werden zu K
oten verbind
ssystems g
ber Räume
ren beispiel
s zu finden
Da die Ze
cht nur in e
einfaches B
ologie, WL
. Inter-Laye
sschnitt von
dell, Rechts: I
zwei- oder
orGML, da
lb werden
ch eine exte
in IndoorG
ie Beziehun
stellung. Da
Dadurch kan
n räumliche
Poincaré-Du
Knoten und
den (z.B. Tü
gibt es me
und Gäng
lsweise die
n ist. Jede
llen nicht ü
einer Zelle
Beispiel für
AN- und R
er-Verbindu
n Abbildung
Inter-Layer-Ve
r dreidimen
a diese von
nachfolgen
erne Refere
GML oder g
ungen bzw.
abei wird z
nn IndoorG
en Informat
ualität aus
d zweidime
üren).
ehrere unab
ge eines G
e Abdeckun
Schicht fo
überlappen
lokalisiert
r ein dreisch
RFID-Infra
ungen Bezi
g 4-1 visuali
erbindungen [
37
nsionaler
anderen
nde drei
enz (z.B.
gar nicht
Verbin-
zwischen
GML zur
tionen in
sgenutzt.
ensionale
bhängige
Gebäudes
ng durch
ormt ein
können,
werden.
hichtiges
astruktur.
ehungen
isiert.
[56]
38
Ab
Die fün
MLSM)
Wie in
topolog
Innen- u
Navigat
Points)
Umscha
mindest
hervorg
und top
Währen
Informa
Räumen
bildung 4-2:
nf Konzepte
) und struk
n Abbildung
ische Inform
und Außenb
tion ein St
zur Umrec
alten zwisch
tens einen
gehoben sin
pologischen
nd in and
ationen übe
n liegt, steht
Strukturiertes
e werden a
kturiertes (e
g 4-2 zu
mationen, s
bereiche na
tück weit n
ch-nung zw
hen Indoor-
dieser Zu
d. IndoorG
Informatio
deren Daten
er den Aufb
t bei Indoor
s (SSM) und m
auch als me
ngl. Structu
sehen ist,
sowie die e
ahtlos mitein
näher zu ko
wischen glo
und Outdo
ugangspunkt
ML ergänz
onen und ka
nformaten
fbau und di
rGML die N
mehrschichtige
ehrschichtig
ured Space
werden du
einzelnen Sc
nander zu v
ommen, di
obalen und
oornavigatio
te besitzen
zt CityGML
ann deshalb
der Foku
ie verbaute
Navigation i
es (MLSM) Ra
ges (engl. M
Model - S
ualer und
chichten str
verknüpfen
enen spezi
lokalen K
on. Jede Ind
n, die im
L um die Be
b direkt zum
us auf räu
en Materiali
im Mittelpu
aummodell in
Multi-Layer
SSM) Raum
Ur-Raum,
rikt voneina
und dem Z
elle Fixpun
Koordinatens
doorGML-R
NRG als
ereitstellung
m Routing
umlichen u
ien von Ge
unkt. [52, 55
D
IndoorGML [
red Space
mmodell bez
geometrisc
ander getre
Ziel der uni
nkte (engl.
systemen u
Repräsentati
besondere
g von sema
verwendet
und geome
ebäuden un
5, 57]
Datenbank
[56]
Model -
zeichnet.
che und
nnt. Um
iversalen
Anchor
und zum
ion muss
Knoten
antischen
werden.
etrischen
nd deren
Map Mat
4.3
Abbildun
zu bringe
Sind P
Kompon
sierungs
Datenba
Standor
Matchin
und die
die am b
eine gew
zu bestm
reiche F
Aufenth
zudem d
Algorith
blauen K
Abbildun
Genauigk
(aufgenom
tching
Map M
ng 4-3: Karte
en (abgewande
Positions-
nen-ten mit
stechnologi
ank zu ver
rt anzuzeige
ng Algorith
digitale Ka
besten pass
wisse Unge
möglichen S
Faktoren, w
haltsorte, in
die Möglich
hmus zu vi
Kreis um di
ng 4-4: Goo
keit in der
mmen mit eine
Matchin
enabgleich (M
elt nach [58])
und digita
teinander ko
ie mit der zw
rschmelzen
en, wird ty
hm) verwen
arte des Ge
sende Positi
nauigkeit b
Standorten i
ie beispielsw
n die Ausw
hkeit, die U
isualisieren
ie geschätzt
ogle Maps
Positionsbes
em iPhone 6S)
ng
Map Matching)
)
ale Karten
ombiniert w
wei- oder dr
n und dem
ypischerwei
ndet. Als Ei
ebäudes, die
ion (Abbild
esitzt, könn
in navigierb
weise der b
wahl des Ka
Ungenauigke
. Dies gesc
te Position d
(Apple iOS):
stimmung in
S)
), um Position
ninformation
werden. Um
reidimensio
m Benutzer
ise ein sog
ingabe erhä
e oft in For
dung 4-3). D
nen Lokalisi
baren Gebie
bereits zurüc
artenabgleic
eit der Stand
chieht in d
des Benutze
: Lokalisieru
der rechte
nsinformation
nen vorhan
m die Sensor
onalen Dars
des Navig
g. Kartenab
ält dieser ak
rm eines Gr
Da jede Tec
ierungen in
eten angepas
ckgelegte W
chs ein. Vie
dortbestimm
er Anwend
ers (Abbildu
ungsungenauig
en gegenüber
en und digita
nden, müs
daten der v
tellung des
gationssyste
gleichalgor
ktuelle Posi
raphen vorl
hnik zur Po
nicht navig
sst werden.
Weg oder ge
ele Navigat
mung bzw. d
dung Googl
ung 4-4). [1
gkeit als bla
r der linken
ale Karte in V
ssen diese
verwendeten
Gebäudes b
ems den a
rithmus (en
itionsinform
liegt, und b
ositionsbest
gierbaren B
Dabei fließ
eschätzte zu
tionssystem
des Map-M
le Maps mi
8]
auer Kreis,
n Bildschirm
39
Verbindung
beiden
n Lokali-
bzw. der
aktuellen
ngl. Map
mationen
erechnet
timmung
ereichen
ßen zahl-
ukünftige
me bieten
Matching-
it einem
Steigende
maufnahme
40
Routing
5 Routing
Neben der Lokalisierungskomponente und einem Datenmodell benötigt ein
Indoornavigationssystem ein Element, das dem Benutzer Anweisungen bereitstellt, um vom
aktuellen Standort aus auf einer optimalem Route zu einer gewünschten Zielposition zu
gelangen (Abbildung 2-2). Diese Aufgabe wird als Routing bezeichnet und beinhaltet zum
einen das Berechnen des Weges aus der graphischen Repräsentation des Gebäudes der
Datenbank und zum anderen das Umwandeln dieses Pfades in Navigationsanweisungen an
den Nutzer der Applikation, die dieser Schritt für Schritt befolgen kann. Zunächst werden
diverse Arten der Routenplanung und deren Benutzerpräsentation in einer kurzen Übersicht
be-schrieben (Kap. 5.1). Anschließend werden die drei beliebtesten Routingalgorithmen
erläutert, die für das Errechnen der bestmöglichen Wege zuständig sind (Kap. 5.2).
5.1 Überblick
5.1.1 Arten der Routenplanung
Um optimales Routing bereitzustellen, sollte sich die Wegplanung an die verschiedenen
Wünsche des Anwenders anpassen können. Gewöhnlich ist der bestmögliche Pfad der
kürzeste oder der schnellste. Jedoch kann auch die Route mit den geringsten
Richtungsänderungen oder Stockwerkswechseln die angenehmste darstellen. Ein nützlicher
Vergleich zwischen verschiedenen Lösungen ist nicht immer möglich. Rollstuhlfahrer
benötigen barrierefreie Wege und für sehbehinderte Personen ist es von Vorteil, möglichst
einfache Routen entlang von Wänden einzuschlagen. Dazu sind beispielsweise in Museen
oftmals Rundgänge entlang spezieller Sehenswürdigkeiten erwünscht. Dies beeinflusst
ebenfalls die Routenführung. Ferner könnte der Zutritt zu einzelnen Gebäudeteilen nur zu
bestimmten Öffnungszeiten oder mit speziellen Zutrittsrechten möglich sein. Des Weiteren
wirken sich temporäre Situationen, wie beispielsweise Renovierungen, auf das Planen des
Weges aus. Einige Lösungen berücksich-tigen zudem Hindernisse entlang des Pfades, andere
ignorieren diese. Der Bewegungsfluss kann durch intelligentes Routing ebenfalls gesteuert
werden. Um Staus zu vermeiden, ist es sinnvoll alternative Pfade anzubieten, in denen sich
weniger Menschen bewegen. Außerdem besteht die Möglichkeit zwischen verschiedenen
Gruppen zu differenzieren und beispielsweise an einem Flughafen männlichen und
weiblichen Personen, aufgrund der angrenzenden Geschäfte, unter-schiedliche Routen
zuzuweisen. [18, 19, 59, 60, 61]
Überblick
5.1.2
Ein Rou
Kriterie
Form v
sollte m
dreidim
Weg-be
werden
bzw. zu
unerläss
und des
auf dem
anweisu
erprobt
wird di
Wenn d
Route w
abermal
Systeme
nicht an
Abbildun
Navigatio
k
Präsenta
utingalgorith
en und den ä
von Anweis
möglichst g
men-sionale
eschreibung
oft Sprach
usätzlich zu
slich. In Ab
s ,,BSB Nav
m Fußbode
ungen (mitt
sind, darge
ie aktuelle
der Benutze
wählt, finde
ls eine Pla
e für die N
n, die in der
ng 5-1: Lin
onsanweisung
ation der
hmus ist da
äußeren Um
sungen und
ering gehal
Kartendars
g in Form v
hanweisunge
ur Verfügun
bbildung 5-1
vigators" ein
en (linkes
tleres und r
stellt. Beim
Position dy
er vom bere
et ggf. ein
anung des W
Navigation i
Outdoorna
nks & Mitte
gen bzw. Visua
Routen
afür zuständ
mständen bzw
Visualisier
lten werden
tellungen o
von Punkte
en, haptisch
ng gestellt. F
1 werden am
nerseits ein
Bild) und
rechtes Bild
m Verfolgen
ynamisch e
chneten We
sog. Rerout
Weges zum
nnerhalb vo
vigation fas
: AR- und
alisierung der
dig den optim
w. Echtzeit
rungen zu
n. Zur Präs
oder Bilder
en, Linien o
he Signale o
Für sehbeh
m Beispiel d
ne Augment
d andererse
d), die aus
des von de
ermittelt un
eg abweicht
uting statt. D
m gewünsch
on Gebäud
st immer ve
2D-Navigatio
r berechneten
malen Pfad
tinformation
beschreiben
sentation de
der Umgeb
oder Pfeilen
oder textue
hinderte Per
der Navigat
ted-Reality-
eits typisch
Outdoornav
er Routingko
nd auf der
t, also eine
Dabei gesch
hten Ziel. V
en bieten d
erfügbar ist.
onsanweisung
Route (BSB N
nach den be
nen zu berec
n. Das Risi
er Routen w
bung verwe
n visualisie
lle Beschre
sonen sind
tionsanwend
-Routenführ
he zweidim
vigationssys
omponente
Kartendarst
andere als
hieht vom n
Viele der d
diese Funkti
[18, 19, 59
gen (NAVVIS
Navigator [38]
enutzerspez
chnen und d
iko des Ve
werden zw
endet, in de
ert wird. Au
eibungen ve
akustische
dungen ,,NA
rung mittels
mensionale
stemen hinr
berechneten
tellung aktu
die vorgesc
neuen Stan
derzeit verf
ion allerdin
9, 60, 61]
S [62]), Rec
])
41
zifischen
diesen in
erlaufens
wei- oder
enen die
ußerdem
erwendet
Befehle
AVVIS"
s Pfeilen
Linien-
reichend
n Pfades
ualisiert.
chlagene
ndort aus
fügbaren
ngs noch
chts: 2D-
42
Routing
5.2 Algorithmen
Im Folgenden werden mit dem Dijkstra-, A*- und Bellman-Ford-Algorithmus drei
Routingverfahren beschrieben und gegenübergestellt, die in der Praxis und Literatur am
häufigsten auftreten (Kap. 5.2.1). Dabei wird auf eine detaillierte Beschreibung der
algorithmischen bzw. mathematischen Ebene verzichtet, da zahlreiche Werke dies vertiefend
behandeln. Für nähere Informationen hierzu wird auf die angeführten Referenzen verwiesen,
wobei die Übersicht der Fakultät für Mathematik der Technischen Universität München [63]
besonders empfehlenswert ist. Anschließend werden verschiedenen Kriterien erläutert, die bei
der Wahl des Routingalgorithmus beachtet werden müssen, und ein Blick auf die graphische
Struktur geworfen, die zur Verwendung eines der beschriebenen Verfahren vorausgesetzt
wird (Kap. 5.2.2).
5.2.1 Routingverfahren
In Tabelle 5-1 werden die wesentlichsten Vor- und Nachteile der verschiedenen Verfahren
miteinander verglichen. Die Algorithmen werden äquivalent für die Outdoor- und
Indoornavigation verwendet und stellen den mathematischen Teil einer Routingkomponente
dar. Voraussetzung für die Anwendung ist eine graphische Repräsentation der Umgebung in
einem entsprechenden Datenmodell, das Routingfunktionen bereitstellt (Kap. 4), und
benutzerspezifische Kriterien über die Art der gewünschten Route.
Tabelle 5-1: Vergleich zwischen Dijkstra-, A*- und Bellman-Ford-Algorithmus hinsichtlich Geschwindigkeit,
Verwendungsmöglichkeit und Qualität der Ergebnisse (abgewandelt und ergänzt nach [18])
Algorithmus
Vorteile
Nachteile
Dijkstra
· immer optimale Lösung
· keine negativen Gewichte in
der Kostenfunktion
· langsam (für große Netze)
Bellman-Ford
· negative Gewichte in der
Kostenfunktion
· immer optimale Lösung
· sehr langsam
A*
· schnell
· keine negativen Gewichte in
der Kostenfunktion
· nicht immer optimale Lösung
(abhängig von Heuristik)
Der nach seinem niederländischen Entwickler Edsger Dijkstra benannte Algorithmus ist das
beliebteste und bekannteste Verfahren zur Lösung von Wegfindeproblemen. Dazu werden
Orte als Knoten in einem Graphen modelliert, die durch Kanten verbunden sind, welche die
Algorithmen
43
Wege zwischen zwei Orten repräsentieren und die Kosten bzw. Gewichte enthalten, die
aufgewendet werden müssen, um diese Strecke zu überwinden. Diese sog. Kostenfunktion
kann beispiels-weise durch die Distanz oder die Reisezeit zwischen zwei Knoten dargestellt
werden. Der Dijkstra-Algorithmus berechnet, mathematisch bewiesen, immer den optimalsten
Weg in einem Graphen von einem Start- zu einem oder mehreren Zielknoten. Dabei werden
vom Startpunkt aus pro Schritt, die anhand der gewählten Kostenfunktion, günstigsten Wege
zu den momentan erreichbaren Knoten berechnet. Sind alle Verbindungen besucht und keine
Verbesserungen mehr möglich, kann der optimale Pfad vom gewünschten Ziel zum Start
entlang der Kanten zurückverfolgt werden. Trotz diverser Optimierungen gibt es keine
Lösung des Dijkstra-Verfahrens, deren Zeitkomplexität keine direkte Proportionalität zur
Anzahl der Knoten im Graphen aufweist, da stets alle Knoten im Netzwerk untersucht
werden. Aufgrund dieser linearen Abhängigkeit benötigt der Algorithmus bei großen Netzen
eine lange Zeit zur Be-rechnung des Ergebnisses. Zudem können negative Gewichte in der
Kostenfunktion nicht verarbeitet werden.
In einem derartigen Szenario ist das Verwenden des Bellman-Ford-Algorithmus notwendig,
der auch negative Kosten berücksichtigt und ebenfalls den optimalsten Pfad berechnet.
Allerdings besitzt er eine schlechtere Zeitkomplexität als die Lösung von Dijkstra, weshalb in
der Regel versucht wird, Werte der Kostenfunktion kleiner als Null zu vermeiden.
Der sog. A*-Algorithmus hingegen stellt eine Erweiterung des Verfahrens von Dijkstra dar,
der den Geschwindigkeitsnachteil für große Netze behebt, aber nicht in jedem Fall zu einem
optimalen Ergebnis führt. Die A*-Kostenfunktion eines Knotens setzt sich aus tatsächlichen,
vom Startpunkt zurückgelegten, und geschätzten Kosten bis zum Ziel zusammen, die von
einem heuristischen Modell bestimmt werden. Dies führt zu einer zielgerichteten
Suchmöglichkeit und somit zur Verringerung der Laufzeit. Die verwendete Heuristik darf die
tatsächlichen Kosten niemals überschätzen. Wenn beispielsweise die Distanz zwischen zwei
Knoten als Kostenfunktion verwendet wird, könnte die Luftlinie zwischen beiden Orten, also
der euklidische Abstand, als heuristische Funktion dienen. Deren Wert ist nie größer als der
effektive Weg. Die Wahl der Heuristik beeinflusst die Performanz des A*-Algorithmus
direkt. Das Verfahren findet immer eine Lösung, allerdings ist diese nicht in jedem Fall
optimal. Darüber hinaus kann die A*-Methode, genauso wie der Algorithmus von Dijkstra,
keine negativen Kosten bzw. Gewichte behandeln. [18, 60, 61, 63]
5.2.2 Graphische Struktur und Auswahl des Verfahrens
Die Größe des Routingnetzwerkes bzw. die Anzahl der Knoten im Graphen, die verfügbare
Rechenleistung und die Art der Kantengewichte beeinflussen die Entscheidung, welches
Verfahren gewählt wird. Diese Eigenschaften und die verwendete Datenstruktur zum Mo-
dellieren und Speichern der Innenraumumgebung und der Routinginformationen üben
44
Routing
Einfluss auf die Leistungsfähigkeit des Algorithmus aus. Die Antwortzeit stellt dabei einen
wichtigen Faktor dar, da sich diese direkt auf die Performanz des gesamten
Navigationssystems auswirkt. Der Benutzer möchte Wege zu diversen Zielen in möglichst
kurzer Zeit berechnet und auf der Karte visualisiert bekommen. Speziell beim Rerouten ist ein
schneller Routingalgorithmus essentiell, da in diesem Fall der Pfad in Echtzeit während der
Bewegung des Navigationsgerätes kalkuliert wird. Im Allgemeinen beruhen sämtliche
Methoden zur Lösung von Wegfinde-problemen auf einer graphischen Struktur, die die
Umgebung repräsentiert. Ein Ort (z.B. detaillierte Koordinatenangaben oder gesamter Raum)
wird durch Knoten modelliert. Herrscht eine Verbindung zwischen zwei Knoten (z.B.
benachbarte Koordinaten oder Tür), sind diese mit einer Kante verknüpft, für deren
Überqueren gewisse Kosten aufgewendet werden müssen. Die Gewichte der Kostenfunktion
variieren je nach Art der gewünschten Route. Für jedes Szenario (z.B. kürzeste, schnellste
oder barrierefreie Route) existiert ein separates Kosten-modell. Typischerweise werden
hierfür Distanzen oder Reisezeiten zwischen den Knoten verwendet. Je nach gefordertem
Bewegungsmodus erfolgt eine Aufteilung des Routing-netzwerkes in navigierbare und nicht
navigierbare Bereiche. Beispielsweise können Treppen bei dem Wunsch nach einer
barrierefreien Route nicht betreten werden und erhalten somit ein unendlich hohes Gewicht
gegenüber stufenfreier Verbindungen im Routinggraphen, sodass diese Wege zur optimalen
Pfadbestimmung nicht einbezogen werden. [18, 59, 60, 61]
Algorithmen
45
46
Project Tango
6 Project Tango
Nachdem in den vorausgegangenen Kapiteln sämtliche Komponenten eines
Indoornavigations-systems erläutert wurden, wird in diesem Abschnitt die Tango-
Technologie von Google als Beispiel für eine Technik vorgestellt, die keine externe
Hardwarestruktur benötigt, um Navi-gationsfunktionen in Innenbereichen bereitzustellen.
Nach einem kurzen Überblick (Kap. 6.1) erfolgt eine Einführung in die Hardware (Kap. 6.2)
und Konzepte (Kap. 6.3) des Project Tango.
6.1 Überblick der Technologie
Project Tango ist eine von Googles ,,Advanced Technology and Projects Group" (ATAP)
entwickelte und 2014 erstmalig veröffentlichte Technologieplattform für Android Tablets und
Smartphones. Mit dem Vorbild der räumlichen Wahrnehmung des Menschen sollen mobile
Endgeräte mit den Konzepten Motion Tracking (Bewegungsverfolgung), Area Learning
(Umgebungswiedererkennung) und Depth Perception (Tiefenwahrnehmung) eine neuartige
Erfassung der physischen Umgebung erlangen. Dabei werden moderne Sensoren, Methoden
der Bildverarbeitung und Maschinelles Sehen (Inertiale und Visuelle Odometrie) miteinander
kombiniert. Typische Anwendungsgebiete sind Indoornavigation, Vermessungs- und Rekon-
struktionssoftware und Augmented- bzw. Virtual-Reality-Applikationen. Zunächst wird eine
genaue Messung der relativen Positionierung des Geräts bezüglich eines Startpunktes ermög-
licht. Durch das Wiedererkennen von visuellen Merkmalen bereits durchlaufener Gebiete
werden mit der Dauer der Aufnahme wachsende Ungenauigkeiten in der relativen Position
korrigiert. Es ist auch eine Lokalisierung bezüglich einer vorherigen Aufnahme möglich.
Zusätzlich kann das Project Tango mit speziellen Sensoren Tiefeninformationen über jeden
Bildausschnitt gewinnen und dem Anwender in Form einer sog. Punktewolke (engl. Point
Cloud) räumliche Informationen über die Umgebung zur Verfügung stellen. [64, 65, 66, 67]
6.2 Geräte und Hardware
Zum Zeitpunkt des Verfassens dieser Arbeit befindet sich das Project Tango noch in der
Entwicklungsphase, weshalb derzeit nur Prototypen bzw. Entwicklungsgeräte zu erwerben
sind. Das ,,Peanut Phone" (Abbildung 6-1, linkes Bild) war Anfang 2014 das erste Ent-
wicklungsgerät mit der Tango-Technologie auf dem Markt. Es wurde bereits im Juni 2014
durch das ,,Yellowstone Tablet" (Abbildung 6-1, rechtes Bild) ersetzt.
Geräte und Hardware
47
Abbildung 6-1: Links: erstes Entwicklungssmartphone [68], Rechts: aktuelles Entwicklungstablet [69]
Das sieben Zoll große Gerät ist mit hochgradig moderner Hardware ausgestattet. Neben
einem Infrarot-Projektor befindet sich eine Weitwinkelkamera (Fisheye) mit einem
Aufnahmewinkel von bis zu 160 Grad. Links davon ist zusätzlich eine vier Megapixel RGB-
Infrarot-Kamera verbaut. Zudem befinden sich in dem Gerät eine Vielzahl an Sensoren, unter
anderem ein Beschleunigungssensor, Umgebungslichtsensor, Barometer, Kompass, GPS und
ein Gyroskop, die in der Regel in allen aktuellen Smartphones zu finden sind. Betrieben wird
das Tablet von einem NVIDIA Tegra K1 Prozessor. Es verfügt über vier Gigabyte
Arbeitsspeicher und 128 Gigabyte internen Flashspeicher. Die vorinstallierte
Betriebssystemversion Android 4.4 KitKat kann nicht aktualisiert werden. Abbildung 6-2
zeigt die Vorder- und Rückseite des Tablets mit den Positionen der sichtbaren Sensoren. Mit
diesem wurde die im nachfolgenden Kapitel 7 beschriebene Applikation entwickelt. Da dieses
Tablet das zum Verfassungszeitpunkt dieser Arbeit einzige verfügbare Tango-Gerät ist, wird
im weiteren Verlauf der Arbeit der Begriff Tablet häufig für alle Geräte mit Project Tango
Technologie verwendet. Für detaillierte Hard-wareinformationen wird auf die Webseite des
Entwicklers
7
und der Analyse der Komponenten des Tablets von IFIXIT
8
verwiesen. Im
September 2016 wird Google in Kooperation mit Lenovo ein erstes kommerzielles
Smartphone mit der Tango-Technologie auf den Markt bringen. Sollte das Lenovo Phab 2
Pro
9
von den Konsumenten angenommen werden und sich die Technik von Google
etablieren, könnte ein Meilenstein in der Forschung zur Indoornavigation erreicht werden.
[70, 71]
7
Google - Project Tango Development Kit: https://developers.google.com/tango/hardware/tablet [Zugriff am:
06.07.2016]
8
IFIXIT Project Tango Tablet Teardown:
https://de.ifixit.com/Teardown/Project+Tango+Tablet+Teardown/28148 [Zugriff am 03.05.2016]
9
Lenovo Phab 2 Pro: http://shop.lenovo.com/de/de/tango/ [Zugriff am: 04.07.2016]
48
6.3
6.3.1
Motion
Herkunf
Tango T
Visuelle
Kom-bi
Träghei
Änderun
Untersc
60 Bild
die mit
mensch
Fisheye
Beispiel
verschie
Fotos d
Abbildung
Konze
Motion T
Tracking
ft zu verfol
Tablets bez
en und Ine
ination de
itsnavigation
ngen in de
chiede anhan
der pro Seku
ttels Kanten
lichen Aug
e-Kamera k
lsweise ist
edenen Dist
die relative B
g 6-2: Vorders
epte
Tracking
ermöglicht
lgen. Goog
züglich des
rtialen Odo
er bereits
n (Kap. 3.2
r Posi-tion
nd verschie
unde). Dies
nerkennung
ge, das ein
kann Bilde
es möglic
tanzen durc
Bewegung
seite (oben) un
g
es dem G
le verwend
Startpunkte
ometrie (en
im Verl
2.3) und de
des Geräts
edener Merk
se Besonder
g ermittelt
en Sehwink
er mit ein
ch aus zwe
ch die Größe
der Kamera
nd Rückseite (
Gerät, seine
det für die r
es der Aufn
ngl. Visual-
lauf diese
er Visuellen
s mit der W
kmale in de
rheiten sind
werden kö
kel von bi
nem Winke
ei Aufnahm
en- und Pos
a zu identif
(unten) des ,,Y
Bewegung
relative Pos
nahme (engl
-Inertial-Od
er Arbeit
n Odometri
Weitwinkelk
en Bildaufn
d zum Beis
önnen. Dab
s zu 180 G
el von bis
men eines
sitions-ände
fizieren. Die
Yellowstone Ta
gen durch G
sitionsbestim
l. Origin) di
ometry - V
erläuterten
ie (Kap. 3.2
kamera erfa
ahmen erka
piel Eckpun
ei orientier
Grad besitz
s zu 160
Apfels auf
erung der F
ese Technik
Proj
Tablets" [70]
Gebiete rel
mmung des
die Technik
VIO). Dies
n Verfahr
2.4). Dabei
asst, indem
annt werden
unkte von O
rt sich Goo
zt. Die ver
Grad auf
f einem Ti
Frucht in den
k wird ansch
ject Tango
lativ zur
s Project
der sog.
ist eine
ren der
i werden
relative
n (bis zu
Objekten,
ogle am
rwendete
fnehmen.
sch von
n beiden
hließend
Konzepte
49
mit den Sensordaten der Inertialen Odometrie bzw. der integrierten IMU fusioniert (bis zu
100 Messungen pro Sekunde). Dadurch wird die Präzision der Echtzeitinformationen
bezüglich Position und Orientierung (sechs Freiheitsgrade) des Tablets erhöht. Project Tango
ist ein sog. Soft-Echtzeitsystem, da der Android-Linux-Betriebs-systemkern keine Garantien
bezüglich der Ausführungszeit von Befehlen geben kann. Deshalb enthalten sämtliche
Messergebnisse (Sensoren, Positionen, etc.) stets Zeitstempel. Einge-schränkt wird die
Bewegungsverfolgung jedoch durch wachsende Abweichungen der Messergebnisse mit
zunehmender Zeitdauer der Aufnahme. Dieses Verhalten ist charakte-ristisch für jegliche
Odometriesysteme. Kleine Differenzen in einzelnen Messungen führen auf Dauer zu großen
Fehlern in der Relativposition. Außerdem besteht bisher kein Bezug zu vorherigen, zuvor
aufgenommenen Aufzeichnungen und allein durch Motion Tracking ist keine globale
Lokalisierung möglich. Die Details des Verfahrens, welche spezifischen Techniken zur
Merkmalserkennung und Differenzberechnung eingesetzt werden, sind nicht explizit von
Google veröffentlicht. Jedoch können in der Arbeit von Tröster [67] einige Hinweise dazu
gefunden werden. [72, 67]
6.3.2 Area Learning
Die angesprochenen Beeinträchtigungen des Motion Tracking bei alleinstehender Nutzung
werden durch parallele Anwendung von Area Learning behoben. Dieses Prinzip der Umge-
bungswiedererkennung ist des Öfteren auch unter dem Namen SLAM (engl. Simultaneous
Localization and Mapping) bekannt. Dabei werden markante Stellen in den
Kameraaufnahmen des Motion Tracking (z.B. Ecken, Kanten) in Form von mathematischen
Beschreibungen abgespeichert. Diese können bei erneutem Erfassen durch die Kamera schnell
wiedererkannt werden. Die Methode kann auch den Fingerprinting-Verfahren (Kap. 3.1.3d))
zugeordnet werden. Hierbei kann wiederum der Bezug zur menschlichen Wahrnehmung
gezogen werden. Bei mehrmaligem Besuchen eines Ortes orientiert sich der Mensch anhand
früherer Erinnerungen oder Merkmale, die das Gehirn reproduziert. Durch Area Learning
wird die Genauigkeit der relativen Positionsbestimmung auch bei längerer
Aufzeichnungsdauer gewährleistet. Sobald das Gerät auf dem linken Bild in Abbildung 6-3
den Startpunkt (engl. Origin) der Aufnahme wiedererkennt, da dieser Ort zuvor schon
durchlaufen wurde, wird die zunehmend abweichende, errechnete Position des Motion
Trackings (rote Linie) angepasst. Zudem ist eine globale Lokalisierung bezüglich eines zuvor
erlernten Gebietes möglich (Abbildung 6-3, rechtes Bild). Dazu können sog. Area-
Description-Files (ADF) erzeugt und abgespeichert werden, die Bildaufzeichnungen eines
bestimmten Gebietes rekonstruieren. Die Lokalisierung innerhalb eines geladenen ADFs
erfolgt immer in Bezug auf den Startpunkt der Aufnahme der Datei. Somit sind auch
Mehrspieler-Anwendungen möglich, indem auf mehreren Geräten ein gemeinsames ADF
geladen wird. Auch bei diesem Konzept bleiben die Details von Google verborgen. Für
50
möglich
Umgebu
Aufnahm
Merkma
zahlreic
auszum
Tages, B
Abbi
6.3.3
Unabhä
Gewinn
mit Mo
verschie
die Met
im infra
Punktew
Messun
schwarz
Nähe v
Triangu
eingeset
wider,
Tiefenw
Reichw
dreidim
werden,
eingefüg
hst genaue,
ungswieder
men aus de
alen gespei
chen weiße
machen. Zud
Bewegunge
ildung 6-3: Li
Depth P
ängig von d
nung von T
otion Trac
edene Verfa
thode des S
aroten Spek
wolke (engl
ngen durch
ze Objekte,
von Licht-q
ulation (Kap
tzt. Dies sp
die sich
wahrnehmun
weite von
mensionale M
, Räume un
gt werden (
effiziente
rerkennung
en verschied
ichert werd
en Wänden
dem müssen
en von Perso
inks: Korrektu
Perception
den beiden b
iefeninform
cking ermit
ahren angew
Strukturierte
ktrum in de
l. Point Clou
h Licht, w
LCD-Disp
quellen schw
p. 3.1.3b))
piegelt erneu
in geringe
ng optimal
einem ha
Modelle bzw
nd Gegenstä
(Augmented
und flüssi
(Area Lea
densten Ori
den. In ein
n ist es f
n Veränderu
onen, Hinzu
ur des Motion
n
bereits besc
mationen. D
ttelt werde
wendet. Bei
en Lichts v
n Raum, du
ud) erzeugt
weshalb refl
plays), lichtd
wer zu erfa
ein Stereom
ut die visue
em Abstand
e Funkti-o
alben bis
w. Rekonst
ände verme
d Reality, V
ige Bewegu
arning) sol
ientierungen
nem Gebie
für das Ta
ungen in de
ufügen von
n Tracking, Re
chriebenen K
istanzen in
en. Mit In
Infrarot we
verwendet. D
urch die mi
t wird. Der
flektierende,
durchlässig
assen sind.
metrieverfa
elle Wahrne
d zueinand
onalität inn
vier Met
truktionen v
essen und z
Virtual Reali
ungs-verfol
llten in de
n und Sicht
et mit viele
ango-Tablet
er Umgebun
Möbeln, etc
echts: Lokalisi
Konzepten
der realen
nfrarot und
erden TOA-
Der Infraro
ittels der In
Nachteil hi
, lichtabso
e Objekte (
Deshalb w
hren mit d
ehmung der
der befinde
nerhalb ges
tern. Durc
von Objekt
zudem virtu
ity). [74]
gung (Mot
en ADFs e
twinkeln m
en identisc
t schwierig
ng (z.B. Li
c.) berücksi
ierung durch A
fungiert De
Welt könn
d Stereome
-Messungen
ot-Laserproj
nfrarot-RGB
erbei ist die
rbierende
(z.B. Glas)
wird zusätz
en beiden v
r Menschen
en. Laut G
chlossener
ch dieses
en in der r
uelle Objekt
Proj
tion Tracki
eine Vielz
mit untersch
chen Räum
g, Besonde
icht im Ver
ichtigt werd
Area Learning
epth Percep
nen in Kom
etrie werde
n (Kap. 3.1.
ektor streut
B-Kamera e
e Beeinflus
Gegenständ
und Gebiet
zlich mit H
verbauten K
n durch zwe
Google lie
Räume m
Konzept
realen Welt
te in die rea
ject Tango
ng) und
ahl von
eidbaren
men oder
er-heiten
rlauf des
den. [73]
g [73]
ption zur
mbination
en zwei
2b)) und
t Punkte
eine sog.
sung der
de (z.B.
te in der
Hilfe von
Kameras
ei Augen
efert die
mit einer
können
t erzeugt
ale Welt
Konzepte
51
52
Entwicklung einer Kartierungsapplikation
7 Entwicklung einer
Kartierungsapplikation
Der sog. Local Area Guide der Universität der Bundeswehr München ist ein am Institut für
Software Engineering der Fakultät für Elektrotechnik und Technische Informatik betreutes
Projekt für die Navigation auf dem Campusgelände. Bisher findet die Wegplanung
ausschließ-lich bis zu den Eingängen von Gebäuden statt. Eine Erweiterung für Innenbereiche
ist somit der nächste Schritt der Entwicklung. Für das Betreiben eines
Indoornavigationssystems sind Kartenmaterialien der Innenräume in einem entsprechenden
Datenmodell (Kap. 4) notwendig. Fehlende Gebäudepläne führten u. a. zu der Entscheidung,
zunächst eine Kartografieapplikation mit der Tango-Technologie von Google zu entwerfen,
die Gebäude kartiert, zweidimensionale Grundrisse formt und die Daten in ein, für die
Indoornavigation verwendbares, Datenformat konvertiert. Außerdem schlugen sämtliche
Versuche, derartige Informationen mit diversen Softwaretools aus zweidimensionalen Plänen
zu extrahieren, fehl. Anschließend könnte eine Navigationsanwendung die erzeugten Daten
und Pläne verwenden und mit einer beliebigen Lokalisierungstechnologie Indoornavigation
auf dem Campus zur Verfügung stellen. Der nach-folgende Abschnitt beschreibt die
Entwicklung der Applikation Graphmapper
10
. Zunächst wird das Entwurfskonzept zur
Implementierung (Kap. 7.1) dargestellt. Anschließend folgt eine Be-wertung bzw. eine
Evaluation der erreichten Ergebnisse (Kap. 7.2) und in einem abschlie-ßenden Ausblick wird
die Integration der Anwendung in den bestehenden Local Area Guide diskutiert (Kap. 7.3).
7.1 Konzept
Der nachfolgende Abschnitt gliedert sich in die Beschreibung der Rahmenbedingungen des
Projekts
(Kap.
7.1.1),
die
Darlegung
des
entworfenen
Modells
eines
Indoornavigationsgraphen (Kap. 7.1.2) und der Implementierung der Anwendung (Kap.
7.1.3). Für ausführlichere Infor-mationen zu letzterem Abschnitt wird auf die JavaDoc-
Dokumentation verwiesen, die auf der beiliegenden DVD (Anhang 9.3) und im GitHub-
Verzeichnis
10
von Graphmapper zu finden ist.
10
Tango Graphmapper 1.0 (Demo) 2D floor plan mapping for indoor navigation graph network
Google Play Store: https://play.google.com/store/apps/details?id=com.projecttango.unibw.graphmapper
GitHub:
https://github.com/King-Konsto/graphmapper_demo/tree/master
[Zugriff am: 06.07.2016]
Konzept
7.1.1
Die An
Zeitpun
dem Be
wurde A
API von
auch ei
objektor
hardwar
Struktur
dient al
diversen
verwies
7.1.2
Die Pro
bereiche
Kartenm
Arbeit v
mit dem
males Z
vielvers
modelle
von Da
wird in
verwend
Möglich
Abbildun
Bundeswe
Rahmen
nwendung
nkt des Verf
etriebssyste
Android Stu
n Tango in
ine Unity-
rientierte Pr
renahen, na
ren sind ei
ls Grundlag
n Entwicklu
sen.
Modellie
oblematik de
en zur Indo
material des
von Buchm
m OpenStre
Zusammensp
sprechenden
e gibt es bis
ateien. Somi
n diesem
det. Dieses
hkeit zur ein
ng 7-1: Graph
ehr München
nbedingun
ist mit dem
fassens dies
em Android
udio in der
der Versio
und eine
rogrammier
ativen C im
nfach reali
ge bei der
ungsmög-lic
erung ein
es fehlende
oornavigatio
s Local Are
mann [76] bi
etMap-Netz
piel zwisch
n Lösung In
her jedoch
it können e
Softwarepr
orientiert s
nfachen Ko
hische Repräs
(Zeichnung n
ngen
m Entwick
ser Arbeit e
d 4.4 (KitK
r Version 2
on 1.37 (Ok
C-Umgebu
rsprache ge
m Szenario d
sierbar und
Entstehung
chkeiten mi
nes Indoor
n, standard
on ist in Kap
ea Guides d
isher im OS
zwerk komp
hen Indoor-
ndoorGML
kein funktio
entstandene
ojekt das
sich an Ind
nvertierung
sentation des
icht maßstabs
klungstablet
einzig verfü
Kat) entstan
.0 und als
kul) gewähl
ung verfüg
egenüber de
der Indoorn
d das bereit
g von Grap
it Tango w
rnavigatio
disierten Dat
pitel 4 dies
der Univers
SM-Datenfo
patiblen Fo
und Outdoo
(Kap. 4.2.4
onstüchtige
Graphen n
nachfolgen
doorGML u
g in ein Wun
fünften Stock
sgetreu)
t ,,Yellows
ügbare Gerä
nden. Als E
Programmi
lt. Alternati
gbar. Die W
r Spiele- bz
navigation z
ts existieren
phmapper.
wird auf die
onsgraph
tenformats
er Arbeit au
sität der Bu
ormat vorlie
ormats (Kap
ornavigatio
4) wäre eben
es Tool zum
nicht derart
nde Model
und lässt du
nschformat
kwerkes des G
tone" von
ät mit Tango
Entwicklung
erschnittste
v ist für Ta
Wahl fiel
zw. 3D-Eng
zu bevorzug
nde ,,Floorp
Für nähere
Webseite d
en
zur Repräse
usführlich b
undeswehr
egt, wäre da
p. 4.2.1) sin
n zu förder
nso denkba
m Betrachten
ig verifizier
l als Indo
urch die sch
offen.
Gebäudes 41/1
Google, d
o-Technolo
gsumgebun
elle (API) d
ango-Applik
auf Java,
gine Unity u
gen ist. Gra
rplan"-Beisp
e Angaben
des Herstell
entation vo
beschrieben
München n
as Verwend
nnvoll, um e
rn. Die Nutz
ar. Für beide
n bzw. Visu
ert werden.
oornavigatio
hlichte Stru
100 der Unive
53
das zum
ogie, und
ng (IDE)
die Java-
kationen
da eine
und dem
aphische
piel [75]
zu den
lers [65]
n Innen-
n. Da das
nach der
den eines
ein opti-
zung der
e Daten-
alisieren
Deshalb
onsgraph
uktur die
ersität der
54
Abbildun
Universit
Ein Geb
(Entryp
oder Au
Die Kon
und die
Campus
Gebäud
jekten e
solchen
sphäre d
indem R
Des We
weise d
Knoten
Kanten
Room u
maßstab
der Bun
Zwische
Treppen
Geschoß
der Gra
und im
interne
ist in A
zusätzli
ng 7-2: Link
tät der Bundes
bäude wird
oint) verknü
ufzüge (LIF
nzeption de
e Größe de
sgelände in
des dargeste
enden zu la
n Raumes is
der Mitarbe
Räume eben
eiteren könn
die Positione
des Indoor
verbunden
und Marker
bsgetreue Z
ndeswehr M
entüren get
nhäusern be
ßen in Form
aph bzw. da
rechten Tei
Struktur de
Abbildung
ch das Mark
ks: Hallwayne
swehr Münche
d in Zellen
üpft sind. D
FT). Ein Gan
er derartigen
s Navigatio
der Regel
ellt wird, ist
assen, zuma
st keine wei
eiter zu sch
nfalls als Ha
nen Gänge e
en von Lan
rnavigations
sind. Für d
für die Ele
Zeichnung d
München mi
trennte, Ha
efinden sich
m von Trepp
as Hallwayn
il eine verg
s Ganges m
7-3 anhan
ker-Elemen
etzwerk des f
en, Rechts: Ha
aus Gänge
Diese repräs
ng kann ein
n Modellier
onsnetzwerk
durch ein B
t es ausreich
al der gesuc
itere Naviga
hützen. Natü
allway mit
eine Menge
ndmarken, w
sgraphen bi
den Rest die
emente des
des fünften
it dem besch
llways, die
h zusätzlich
pen und ein
netzwerk d
größerte Dar
mit sämtliche
nd einer 4-
nt zu finden
fünften und s
Hallway ,,5_Te
en (Hallway
sentieren Zw
ne beliebige
rung dient d
kes zu beg
Büro, ein L
hend, die In
chte Ort be
ation erford
ürlich kann
einer Tür a
e von Marki
wie Beacon
ilden demna
eser Arbeit
Konzepts v
Stockwerk
hriebenen M
e allesamt d
h Entrypoint
nem Aufzug
des fünften
rstellung de
en Räumen
-Zimmer-W
ist, das in d
Entw
sechsten Stoc
eil2" im Detai
y) unterteilt
wischentüre
e Anzahl vo
dem Zweck
renzen. Da
Labor oder
ndoornaviga
ereits erreich
derlich. Auß
auf diese A
ls Entrypoin
ierungen (M
ns oder QR-
ach Hallwa
werden die
verwendet. A
kes des Geb
Modell. Die
diverse Räu
ts zu den d
g. In Abbildu
und sechste
es Knotens
abgebildet
Wohnung in
diesem Fall
wicklung einer
kwerkes des
l
t, die mitte
en (DOOR),
on Räumen
k, den Aufw
a ein Navig
einen bestim
ation an der
ht worden
ßerdem gilt
Abstraktion
nt (DOOR)
Marker) bes
Codes, fest
ays, die mitt
Begriffe H
Abbildung 7
bäudes 41/1
e Etage best
ume enthal
darüber- und
ung 7-2 ist
en Stockwe
,,5_Teil2" z
ist. Ein wei
n Erding d
ein Fenster
r Kartierungsa
Gebäudes 4
els Zugangs
, Treppen (S
(Room) bei
wand der Ka
gationsziel
mmten Rau
r Tür zu die
ist. Innerha
es dort, die
n verzichtet
modelliert
sitzen, die b
thalten könn
ttels Entryp
Hallway, En
7-1 zeigt ei
100 der Un
teht aus vie
lten. In den
d darunterli
auf der link
erkes des G
zu sehen, in
iterer Beisp
dargestellt,
r kennzeichn
applikation
1/100 der
spunkten
STAIRS)
inhalten.
artierung
auf dem
um eines
esen Ob-
alb eines
e Privat-
werden,
werden.
beispiels-
nen. Die
oints als
trypoint,
ine nicht
niversität
er, durch
n beiden
iegenden
ken Seite
Gebäudes
n der die
pielgraph
in dem
net.
Konzept
55
Abbildung 7-3: Graphische Repräsentation einer 4-Zimmer-Wohnung in Erding
7.1.3 Implementierung
a) Umsetzung des Navigationsgraphmodells
Für die Umsetzung des entworfenen Konzepts ist das Package ,,graph" der Applikation
Graph-mapper zuständig. Eine vereinfachte Darstellung der Klassendiagramme ist in
Abbildung 7-4 zu finden. Neben den bereits erläuterten Elementen Hallway, Entrypoint,
Room und Marker, gibt es ferner eine Klasse Graph, in der das gesamte Hallwaynetzerk bzw.
der Indoornavi-gationsgraph in Form einer HashMap (mHallwayNet) gespeichert wird. Die
Zuordnung erfolgt mit einer Identifikationsnummer (ID), weshalb zwei Integer-Variablen zur
Verwaltung erforderlich sind (mHallwayIDCounter, mSavedIDCounter). Jedes Hallway-
Objekt besitzt eine individuelle ID (mID), eine Liste von Eckpunkten (mHallwayPoints), die
den Gang begrenzen, einen Namen (mName), eine Zuordnung zu einem Stockwerk (mLevel)
und je eine Liste für die vorhandenen Verbindungen bzw. Entrypoints (mConnections),
Räume (mRooms) und Mar-kierungen (mMarker). Des Weiteren besteht die Möglichkeit,
diverse Hindernisse in einem Gang auszuschneiden (mCuttedObstacleList). Dazu werden
deren äußere Begrenzungspunkte gesichert. Die Klassen Room und Marker benötigen
lediglich Attribute zum Speichern der Position (mPosition) und zur Benennung (mNumber
bzw. mName). Eine Instanz eines Entry-points enthält, neben Standort (mPositionFrom) und
Bezeichnung (mName), die ID des Hallway-Objekts (mHallwayFromID), in dem der
Zugangspunkt liegt, und Listen für Lage (mPositionToList) und Hallway-
Identifikationsnummern (mHallwayToIDList) der verbun-denen Entrypoints. Die Art der
Verknüpfung wird in einem Attribut des Aufzählungstyps MeasurementType (mType)
abgelegt. Zugangspunkte können Zwischentüren (DOOR), Auf-züge (LIFT) oder Treppen
56
Entwicklung einer Kartierungsapplikation
(STAIRS) repräsentieren. Außerdem wird in dieser Enumeration zwischen den verschiedenen
Aktionsmöglichkeiten unterschieden, die beim Benutzen von Graphmapper auftreten. So
können Wand-, Hindernis-, Raum-, Markierungs- und Entrypoint-messungen (WALL, CUT,
ROOM, MARKER, ENTRY) vorgenommen werden. Letztere werden nachträglich vom
Benutzer in eine der drei obigen Kategorien eingeteilt.
Abbildung 7-4: Indoornavigationsgraph bzw. netzwerk: Übersicht der Klassendiagramme aus dem Package
,,graph" (vereinfachte Darstellung ohne Funktionen bzw. Methoden)
b) Anwendungsfälle
Um die Funktionsweise von Graphmapper mit den nachfolgenden Aktivitätsdiagrammen
ausführlich zu erläutern, werden zunächst die in Abbildung 7-5 zu sehenden Anwendungsfälle
der Applikation beschrieben. Im sog. Aufzeichnungsmodus erhält der Benutzer die RGB-
Kamera als Hintergrundansicht. Abgesehen von den bereits dargelegten fünf Mess- bzw.
Markierungsarten, die durch Antippen der entsprechenden Stelle des Kamerabildes auf dem
Touchscreen des Tablets hervorgerufen werden, können zuletzt getätigte Messungen
rückgängig bzw. die aktuelle Hallwayaufnahme vollständig zurückgesetzt werden.
Entrypoints können beim Anlegen oder nachträglich miteinander verknüpft werden, um so die
Beziehungen zwischen den einzelnen Hallway-Objekten herzustellen. Funktionen zum
Hinzufügen von neuen Hallways und ganzen Stockwerken vervollständigen den
Aufzeichnungsmodus. In der sog. Kartenansicht können die intern erzeugten,
zweidimensionalen Gebäudepläne für eine ganze Ebene oder separat für eine Hallway
Konzept
57
betrachtet werden. Optional können dabei die Längen der jeweiligen Wandabschnitte,
Hindernisse, und die sog. Orte von Interesse (POIs) angezeigt werden, zu denen in dieser
Anwendung Instanzen der Klassen Room, Marker und Entrypoint zählen. Des Weiteren
besteht die Möglichkeit die Namen der Objekte ein- oder auszublenden. Die Pläne können als
Bilddatei (JPG) im internen Speicher des Geräts gesichert werden. Dort wird beim Beenden
des Aufzeichnungsmodus auch der geschaffene Graph des Indoornavigationsnetzwerkes und
das ADF abgelegt, da zur Lokalisierung in der Umgebung das Konzept des Motion Tracking
in Verbindung mit Area Learning genutzt wird. Tiefeninformationen erhält das Programm
durch Depth Perception. Sämtliche Positionsan-gaben werden in der gesamten Applikation in
Form typischer, dreidimensionaler Koordinaten als Array des Datentyps Float gespeichert und
beziehen sich auf den Start der Aufnahme. Falls eine vorherige Sitzung geladen wird, ist
zuerst eine Relokalisierung bezüglich des zuvor erzeugten ADFs notwendig, bevor der Nutzer
die Aufzeichnung fortsetzen oder den sog. Viewer-Modus starten kann. In diesem steht
lediglich die Kartenansicht zur Verfügung. Allerdings kann dort zusätzlich die aktuelle
Position des Tablets auf der Karte sichtbar gemacht werden. Dies ist in den anderen Fällen
aufgrund von Einschränkungen in der API von Google bisher nicht möglich. Ein Neustarten
der Anwendung durch den Benutzer ist ebenfalls implementiert.
Abbildung 7-5: Übersicht über die wichtigsten Anwendungsfälle der Applikation Graphmapper
58
Entwicklung einer Kartierungsapplikation
c) Klassenübersicht
Abbildung 7-6: Packagestruktur und deren Klassen in der Anwendung Graphmapper
Abbildung 7-6 stellt die Packagestruktur von Graphmapper dar. Nachdem die Klassen-
bibliothek ,,graph" zu Beginn dieses Teilkapitels bereits beschrieben wurde, folgt hiermit eine
kurze Darstellung der Aufgaben der übrigen Klassen. Im Package ,,floorplan" befindet sich
die Klasse GraphmapperActivity. Dies ist die Hauptaktivität des Programms. Eine Android-
Applikation besteht aus einer oder mehreren sog. Activities, die jeweils unterschiedliche
Aufgaben erfüllen. In dieser Arbeit werden die einzelnen Bausteine einer Android-
Anwendung nicht näher erläutert, weshalb hierfür auf die offizielle Entwicklungswebseite des
Betriebs-systems [77] verwiesen wird. GraphmapperActivity initialisiert das System und die
Benutzer-oberfläche, regelt das Verhalten beim Pausieren, Anhalten, Fortsetzen und
Neustarten der Applikation und sorgt für die Verknüpfung aller Klassen. Zudem erfolgt hier
die Verarbeitung der Daten des Systems (u. a. Kamera, Bewegungsverfolgung,
Tiefenwahrnehmung, Benutzer-eingaben) in Echtzeit und die Steuerung des
Programmablaufs. Für die Bildsynthese ist der sog. GraphmapperRenderer zuständig, der
weitgehend auf dem ,,Floorplan"-Beispiel von Google beruht, das die 3D-Engine Rajawali
[78] benutzt. Hierbei werden virtuelle Rechtecke für die benutzerspezifischen Messungen
bzw. Markierungen (WALL, CUT, ROOM, MARKER, ENTRY) mittels AR-Echtzeitrendern in
die reale Kameraansicht projiziert. Die Klasse GraphBuilder besteht ausschließlich aus
statischen Klassenmethoden. Neben Funktionen zur Skalierung der Gebäudepläne auf die
Bildschirmgröße des Tango-Tablets, werden hier Hallway- (mit beinhaltenden Hindernissen),
Room-, Marker- und Entrypoint-Instanzen aus den rohen Messdaten erzeugt. Diese sind
zunächst in Form von WallMeasurement-Objekten, nach Typ differenziert, in Listen abgelegt
und beinhalten u. a. die Positionen der Elemente in Bezug auf den Startpunkt des ADF. Mit
Hilfe der Tiefenwahrnehmung des Geräts können zunächst Ebenen entlang der Wände
geformt und anschließend miteinander geschnitten werden. Auf diese Art und Weise
entstehen die Eckpunkte einer Hallway und eines Hindernisses. Dabei muss die Aufnahme
der jeweiligen Messpunkte im oder gegen den Uhrzeigersinn erfolgen, da die Schnittoperation
jeweils zwischen zwei nacheinander aufgezeichneten Messungen durchgeführt wird.
Außerdem müssen zur Funktionsfähigkeit zumindest drei Werte bzw. Wände vorhanden sein.
Die Z-Koordinate (Höhe der WallMeasurement-Instanz) spielt bei diesem Vorgang keine
Konzept
Rolle,
verdeutl
sämtlich
Dialoge
ausgewä
ADFPai
von AD
sind.
Abbildun
(WallMea
da lediglic
licht das V
he statische
e können b
ählt werden
ir, die Paare
DFs bildet, d
ng 7-7: Entst
asurement) un
ch zweidim
Vorgehen.
e Klassenm
eispielswei
n. Außerdem
e aus lesbar
da diese im
tehungsprozes
nd der Tiefenw
mensionale
Die Klass
methoden zu
se Objekte
m befindet s
ren Namen
m internen S
ss der Eckpun
wahrnehmung
Gebäudep
se Dialog
ur Kontroll
benannt o
sich in dies
und UUIDs
Speicher nu
nkte durch Sc
g des Geräts en
pläne erzeu
des gleichn
e der Benu
oder die Ve
er Klassenb
s (engl. für
r durch der
chneiden von
ntstehen
ugt werden
namigen P
utzereingabe
erbindungen
bibliothek n
Universally
rartige Ident
Ebenen, die d
n. Abbildu
Packages b
en. Durch
n eines Ent
noch die Hi
y Unique Id
ntifikatoren
durch Wandm
59
ung 7-7
einhaltet
geführte
trypoints
lfsklasse
dentifier)
abgelegt
messungen
60
Entwicklung einer Kartierungsapplikation
d) Programmablauf
Abbildung 7-8: Aktivitätsdiagramm der Initialisierungsphase der Anwendung
Nachfolgend werden einige der wesentlichen Programmabläufe beschrieben und in Form von
Aktivitätsdiagrammen visualisiert. Abbildung 7-8 stellt die Initialisierungsphase der Anwen-
dung dar, die bei erstmaligem Aufruf oder bei einem Neustart der Applikation abgearbeitet
wird. Nach der grundlegenden Initialisierung des Systems (Tango, Renderer, Benutzer-
oberfläche) steht der Nutzer vor der Wahl, eine neue Aufnahme zu beginnen oder eine
vorherige zu laden (ADF und Graph). Im ersten Fall wird eine neue Area-Description-Datei
erzeugt und nach Eingabe des aktuellen Stockwerks in einem Benutzerdialog beginnt der
Aufzeichnungs-modus, in dem auf das nächste verfügbare Kamerabild (Frame) und Eingaben
auf dem Touch-screen des Tablets gewartet wird. Demgegenüber wird nach erfolgreichem
Laden einer bereits vorhandenen Aufnahme und der Entscheidung diese fortzusetzen eine
Kopie des geladenen ADFs angelegt, die im Anschluss mit den neuen Informationen ergänzt
wird. Die Angabe des als nächstes aufzuzeichnenden Geschoßes ist ebenso erforderlich.
Sollte sich der Benutzer für den Viewer-Modus entscheiden, ist die Initialisierungsphase nach
dem Ladevorgang beendet.
In Abbildung 7-9 ist das Verhalten der Applikation nach Erhalten eines neuen RGB-
Kamerabildes zu sehen. Da das Tango-Tablet ein sog. Soft-Echtzeitsystem (Kap. 6.3.1) ist,
besitzen sämtliche Messdaten Zeitstempel. Deshalb wird dieser, sobald ein neues Einzelbild
bzw. ein sog. Frame zur Verfügung steht, zunächst aktualisiert. Hierfür gibt es zwei
Konzept
61
Variablen, die für die Sicherung der aktuellen und der vorherigen Zeitinformationen der
Kamerabilder zuständig sind. Der Programmfluss wird nur fortgesetzt, falls es sich um einen
neuen Zeitstempel bzw. ein neues Einzelbild handelt. Anschließend wird aus dem Frame die
derzeitige Position der Kamera in Bezug auf den Startpunkt der ADF-Aufnahme berechnet.
Aus dieser kann in einem späteren Schritt ohne größeren Aufwand auf die Lage und
Orientierung des Tango-Geräts geschlossen werden. Sollte es sich um eine gültige Positions-
angabe (POSE_VALID) handeln, wird der vorherige Zeitstempel auf den Wert des aktuellen
gebracht und der Frame wird dem Renderer zur Verfügung gestellt, sodass dieser die
Kameraansicht im Hintergrund der Benutzeroberfläche aktualisieren kann. Nähere Informa-
tionen zu Positionsdaten des Tablets sind der Entwicklungsseite [79] zu entnehmen. Falls die
Aufzeichnung ein geladenes ADF aus einer früheren Sitzung besitzt, erfolgt nach diesem
Schritt noch die einmalige Ausgabe einer Meldung über die erfolgreiche Relokalisierung bzw.
erscheint im Viewer-Modus ein Button, mit dem der Benutzer in die Kartenansicht gelangen
kann. In diesem Fall weist der Statuscode nicht den Wert POSE_VALID auf, bis eine
relokalisierte Positionsangabe verfügbar ist.
Parallel zur Bearbeitung neuer Kamerabilder verarbeitet Graphmapper Eingaben des
Benutzers auf dem Touchscreen des Geräts (Abbildung 7-10). Je nach Typ der ausgewählten
Messung (WALL, CUT, ROOM, MARKER, ENTRY) drückt der Anwender auf die
entsprechende Stelle des Bildschirms mit den RGB-Kameraaufnahmen im Hintergrund. Aus
der zweidimensionalen Klickposition, den Tiefeninformationen (Punktewolke) und den
visuellen Daten wird ein dreidimensionaler Punkt im Raum berechnet und eine
WallMeasurement-Instanz erzeugt. Je nach Lichtverhältnissen und Abstand des Tablets zur
ausgewählten Position (optimal zwischen einem halben und vier Metern) besteht die
Möglichkeit des Fehlschlagens dieser Messung, das durch eine entsprechende Fehlermeldung
visualisiert wird. Bei erfolgreicher Aktion wird das Objekt, je nach Messart, in die
entsprechende Liste eingeordnet und in Form eines AR-Rechtecks durch den Renderer an der
kalkulierten Position auf dem Display dargestellt. Im Viewer-Modus werden Touchgesten
nicht verarbeitet.
Das Aktivitätsdiagramm in Abbildung 7-11 veranschaulicht den Programmablauf beim
Hinzufügen einer neuen Hallway bzw. Abschließen der aktuellen. Die Verhaltensweise bei
Er-weiterung des Graphen um ein neues Stockwerk ist nahezu identisch, mit dem Unterschied
der zusätzlichen Angabe der neuen Etagennummer. Beide Aktionen können durch Betätigen
eines entsprechenden Buttons ausgeführt werden. Zunächst wird geprüft, ob mindestens drei
Wandmessungen (WALL) vorhanden sind, die benötigt werden, um einen Raum zu formen.
Anschließend erfolgt die Benennung der aktuellen Hallway in einem Benutzerdialog, das
Entfernen aller Elemente aus dem Renderer und die Aktualisierung sämtlicher Positions-
angaben der WallMeasurement-Objekte. Danach wird eine neue Instanz der Klasse Hallway
und deren Räume, Markierungen, Hindernisse, Eck- und Zugangspunkte erzeugt und in die
Graphstruktur eingefügt. Zuletzt werden alle temporären Variablen zurückgesetzt und die
62
Entwicklung einer Kartierungsapplikation
Listen zur Speicherung der fünf unterschiedlichen Messungen geleert. Die Aufnahme eines
neuen Ganges oder Raumes kann beginnen.
Abbildung 7-9: Aktivitätsdiagramm zum Verhalten des Programms bei Erhalten eines neuen Frames
Konzept
63
Abbildung 7-10: Aktivitätsdiagramm zum Verhalten des Programms bei Anklicken von Displaypositionen
Abbildung 7-11: Aktivitätsdiagramm zum Hinzufügen einer neuen Hallway
64
Entwicklung einer Kartierungsapplikation
Abbildung 7-12: Aktivitätsdiagramm zum Beenden des Aufzeichnungsmodus
Abschließend wird in Abbildung 7-12 das Verhalten der Applikation beim Beenden des
Aufzeichnungsmodus betrachtet. Die Aktion kann wiederum durch einen Button gestartet
werden. Nach Prüfung der vorhandenen Mindestanzahl an Wandmessungen und dem aus-
drücklichen Wunsch des Benutzers, die Aufnahme zu beenden, wird die aktuelle Hallway
entsprechend dem bekannten Vorgehen aus Abbildung 7-11 erzeugt und dem Graphen
hinzuge-fügt.
Daraufhin
erscheint
ein
Dialog
zum
Benennen
des
Indoornavigationsnetzwerkes und des ADFs. Ist dieses speicherbar, besteht die Option der
Verknüpfung von Entrypoints. Schließlich erfolgt nach dem Sichern der Area-Description-
Datei und des Graphen der Wechsel in die Kartenansicht.
Evaluatio
7.2
Nachde
tigsten
Applika
dienwei
Anschli
hinsicht
sungen
der erze
7.2.1
Abbildu
Diverse
rabild a
sehen, d
Durch B
Abbildu
Auswäh
der Gr
beschrif
on
Evalua
m die Rahm
Punkte des
ation Graph
ise des Prog
ießend erfo
tlich Länge
mit einem
eugten graph
Benutze
A
ung 7-13 ze
e Buttons, de
als Hinterg
die in die
Betätigen d
ung 7-14 d
hlen der ge
rundriss ei
fteten Hallw
ation
menbedingu
s Vorgehens
hmapper nac
gramms anh
lgt eine Be
enangaben u
Laser-Entfe
hischen Net
eroberfläc
Abbildung 7-1
eigt eine B
eren Funkti
grund. Auß
reale Welt
der ,,Done"-
dargestellt i
wünschten
ines ganze
ways zu se
ungen, das K
s bei der Im
chfolgend b
hand dessen
eurteilung d
und Qualitä
ernungsmes
tzwerke (Ka
che (GUI)
13: Aufzeichnu
ildschirmau
ionen in der
ßerdem sind
projiziert
-Schaltfläch
ist. Dort be
Visualisier
en Stockwe
ehen. Im lin
Konzept des
mplementie
bewertet un
n Benutzerob
der von der
ät der Grun
ssgerät vorg
ap. 7.2.3).
)
ungsansicht d
ufnahme de
r Darstellun
d zwei vir
werden, um
he gelangt d
efinden sic
rungsoption
erkes eine
nken Teil v
s Indoornav
erung bekan
nd evaluiert
berfläche (G
r Anwendun
ndrisse (Kap
genommen w
der Applikation
es Aufzeich
ng beschrifte
rtuelle Aug
m die Wan
der Benutze
h erneut z
nen der Geb
er 4-Zimm
von Abbild
vigationsgra
nnt sind, wi
. Dabei wir
GUI) beschr
ng berechn
p. 7.2.2), w
werden, und
n Graphmapp
hnungsmodu
et sind, liege
gmented-Re
ndmessunge
er in die K
ahlreiche B
bäudepläne.
er-Wohnun
ung 7-15 i
aphen und d
wird die ents
rd zunächst
hrieben (Kap
neten Gebäu
wobei Refer
d einer Ver
per
us der Anw
en über dem
eality-Recht
en zu visua
Kartenansich
Bedienschal
. In diesem
ng in Erd
ist eine ver
65
die wich-
standene
t die Be-
p. 7.2.1).
udepläne
renzmes-
rifikation
wendung.
m Kame-
tecke zu
alisieren.
ht, die in
lter zum
m Fall ist
ing mit
rgrößerte
66
Darstell
Wandab
rechten
erfolgre
den Kar
der App
ein Vide
zu finde
Ab
Abbildun
,,Esszimm
11
Google
[Zugriff a
lung der H
bschnitte un
Abschnitt
eicher Relok
rtenmodus
plikation mö
eo, das auf
en ist, die B
bbildung 7-14
ng 7-15: Li
mer", Rechts:
e Project Tang
am: 22.07.201
Hallway ,,E
nd die Posit
dieser Abb
kalisierung
wechseln k
öglich. Zus
der beiliege
Bedien- und
4: Kartenansic
inks: Kartena
Anzeige der e
go Tango Gr
16]
Esszimmer"
tionen und N
bildung ist
abgedruckt
kann. Zuvor
ätzlich zu d
enden DVD
Funktionsw
cht der Applik
ansicht der
erfolgreichen
raphmapper 1
" abgebild
Namen der
ein Bildsch
t, in dem d
r ist dieser
den vorliege
D (Anhang 9
weise von G
kation Graphm
Applikation
Relokalisieru
.0 (Demo): ht
Entw
det, in der
Orte von I
hirm-aussch
der Benutze
ausge-blen
enden Bilds
9.3) oder de
Graphmappe
mapper mit G
Graphmappe
ng im Viewer-
ttps://www.yo
wicklung einer
zusätzlich
nteresse an
hnitt des V
er durch den
det und led
schirmaufna
er Internetpl
er.
ebäudeplan ei
er mit Gebä
-Modus
outube.com/wa
r Kartierungsa
h die Läng
ngezeigt wer
Viewer-Mod
en ,,Next"-B
diglich ein
ahmen dem
lattform Yo
ines Stockwer
äudeplan der
atch?v=QVfo
applikation
gen der
rden. Im
dus nach
Button in
Neustart
monstriert
ouTube
11
rkes
Hallway
-_gM7gA
Evaluation
67
7.2.2 Bewertung der Gebäudepläne
Die Evaluation der von Graphmapper erzeugten Gebäudepläne geschieht anhand zweier
Kriterien. Zum einen wird die Genauigkeit der berechneten Längenangaben und zum anderen
die Qualität der Grundrisse untersucht. Dabei wird das fünfte und sechste Stockwerk des
Gebäudes 41/100 der Universität der Bundeswehr München, das längere Korridore, Treppen
und einen Aufzug beinhaltet, und eine 4-Zimmer-Wohnung mit zehn verschiedenen Hallways
in Erding vermessen.
a) Genauigkeit der Längenangaben
Die Längenangaben der Wandabschnitte der Applikation werden mit Referenzmessungen
eines Laser-Entfernungsmessgerätes des Typs DLE 50 von Bosch [80] verglichen, das eine
Messgenauigkeit im Millimeterbereich besitzt. Die Referenzpläne der beiden Innenraum-
umgebungen sind in Abbildung 9-1 und Abbildung 9-2 im Anhang 9.1 zu finden. Dort sind
ebenfalls alle erfassten Messdaten in tabellarischer Form aufgelistet. Pro Gebäude gibt es
zwei unterschiedliche Messreihen mit je drei Durchläufen an einem gewöhnlichen, sonnigen
Sommertag. In der ersten wird jeweils der gesamte Bereich am Stück erfasst. Die Aufnahmen
der zweiten Messreihe werden in der Universität nach einem Stockwerk und in der Wohnung
nach jedem Raum (Hallway) abgespeichert. Nach erfolgreicher Relokalisierung erfolgt
anschließend die Fortsetzung der Aufzeichnung. Für das Universitätsgebäude existiert zudem
eine dritte Messreihe, ebenfalls mit drei Durchgängen. Deren Aufnahmen entstehen ohne
Unterbrechungen zwischen den Etagen und in Abwesenheit von Tageslicht. Ferner werden
alle aus Glas bestehenden Zwischentüren mit einem Papierstück beklebt. Die Startpunkte und
Wege durch die Innenraumumgebungen variieren in allen Durchläufen der Messreihen.
Tabelle 7-1 zeigt eine Übersicht der durchschnittlichen Abweichung der Messreihen von den
Längenangaben der Laserdaten in Prozent und alternativ in Metern pro Strecke bzw. Wand-
abschnitt. In Abbildung 7-16 sind zudem in einem Diagramm die prozentualen Differenzen
jedes Durchlaufs grafisch visualisiert. Sämtliche Berechnungen sind dem Anhang 9.1 zu
entnehmen. Die Vorzeichen der Längendifferenzen werden in dieser Arbeit nicht betrachtet.
Tabelle 7-1: Durchschnittliche Abweichung der Längenangaben von Graphmapper pro Strecke nach drei
Durchläufen pro Messreihe in Bezug zu den Werten des Laser-Entfernungsmessgeräts (Angaben in Prozent und
in Metern)
Ort
Messreihe
Universität
Wohnung
1 (ohne Pause)
3,56 % (0,20 m)
2,16 % (0,05 m)
2 (mit Pause)
3,91 % (0,23 m)
2,30 % (0,06 m)
3 (ohne Pause)
3,13 % (0,18 m)
-
68
Entwicklung einer Kartierungsapplikation
Abbildung 7-16: Durchschnittliche Abweichung der Längenangaben von Graphmapper pro Strecke in Bezug zu
den Werten des Laser-Entfernungsmessgeräts pro Durchlauf (Angaben in Prozent)
Die Auffälligkeiten dieser Statistik ergeben sich einerseits aus den großen Abweichungen in
den Messgenauigkeiten zwischen beiden erfassten Gebäuden. In den Messreihen 1 und 2
besteht eine deutliche Differenz zwischen den Daten der Universität und der Wohnung.
Mögliche Gründe hierfür könnten die langgestreckten Korridore des Universitätsgebäudes
darstellen, die zu längeren Wegen bei der Aufzeichnung führen und somit größere Fehler in
der Bewegungsverfolgung (Motion Tracking) und Umgebungswiedererkennung (Area
Learning) des Tango-Tablets hervorrufen könnten, die auf den Verfahren der Inertialen (Kap.
3.2.3) und Visuellen Odometrie (Kap. 3.2.4) basieren. Außerdem befinden sich in der
bewohnten 4-Zimmer-Wohnung deutlich mehr Merkmale, die als Landmarken des Area
Learning Konzepts im ADF gespeichert werden können, während die Gänge an der
Universität oftmals keine Besonderheiten aufweisen und sich auch untereinander nicht
problemlos voneinander unterscheiden lassen. Die Tatsache des durchschnittlichen
Längenunterschieds von zwanzig (München) zu fünf (Erding) Zentimetern im Vergleich zu
den Laserwerten bestärkt diese Theorie und beschreibt eine weitere Anomalie. Aufgrund der
auf Kamera- und Infrarot-systemen basierten Tango-Technologie spielen Lichtverhältnisse
ebenfalls eine große Rolle bei der Exaktheit der Resultate. Zum Zeitpunkt der Erfassung der
Messreihen 1 und 2 herrschten zwar dieselben äußeren Umstände, allerdings ist die 4-
Zimmer-Wohnung in Erding tagsüber weitestgehend vor direkter Sonneneinstrahlung
geschützt. Im Gebäude 41/100 der Universität der Bundeswehr München hingegen könnte das
hell einstrahlende Sonnenlicht an den Fenstern die Performanz der Applikation beeinflusst
haben. Des Weiteren befinden sich in diesem Bauwerk zahlreiche Zwischentüren aus Glas,
die sich negativ auf die Qualität der Infra-rotprojektion bzw. der Tiefenwahrnehmung
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
Universität -
Messreihe 1
Universität -
Messreihe 2
Universität -
Messreihe 3
Wohnung -
Messreihe 1
Wohnung -
Messreihe 2
Abweichung
in
Prozent
Durchschnittliche Abweichung
Durchlauf 1
Durchlauf 2
Durchlauf 3
Evaluation
69
auswirken. Deshalb sind diese in einer dritten Messreihe, die in Abwesenheit von Tageslicht
durchgeführt wird, mit einem Papierstück beklebt. Die mittlere prozentuale Abweichung pro
Strecke kann so um fast ein halbes Prozent im Vergleich zur ersten Messreihe minimiert
werden (Tabelle 7-1). Generell weist die relative Positionsbestimmung des Tablets an beiden
Orten also eine gewisse Ungenauigkeit auf. Andererseits sticht ebenso die Differenz in der
Genauigkeit zwischen den beiden Auf-zeichnungsmodi hervor. Mit Unterbrechung bzw.
Zwischenspeicherung und Relokalisierung der Aufnahmen werden deutlich schlechtere
Ergebnisse erzielt als ohne. Dieser Sachverhalt könnte mit Ungenauigkeiten in der
Relokalisierung des Tango-Geräts in Bezug auf ein zuvor aufgenommenes ADF begründet
werden. Allerdings ist der Unterschied in der Wohnung, trotz neunmaligem Speichern und
Laden (zehn Hallways), geringer als an der Universität, in der nur einmalig nach dem zuerst
aufgezeichneten Stockwerk eine Pause eingelegt wird. Selbstver-ständlich könnten auch
unbestimmbare Diskrepanzen in den Messungen, wie zum Beispiel ungleichartiges Wackeln
des Geräts während der Bewegung oder unterschiedliche Startpunkte und Wege durch das
Gebäude, Abweichungen der Messergebnisse hervorgerufen haben. Abbildung 7-16 zeigt ein
Balkendiagramm, das die prozentuale Differenz zu den Laserwerten für jeden Durchlauf pro
Messreihe visualisiert. Dabei sind eindeutig Schwankungen zwischen den jeweils drei
Aufzeichnungsdurchgängen im Universitätsgebäude zu erkennen, während die Messungen im
Wohngebäude weitestgehend konstant verlaufen. Insgesamt beträgt die durchschnittliche
Abweichung der Applikation Graphmapper bei Zusammenfassung der Ergebnisse sämtlicher
Messreihen beider Orte etwa drei Prozent. Die Differenz des besten Durchlaufs beläuft sich
auf 2,09 (Erding) und des schlechtesten auf 4,36 (München) Prozent. Bei Vergleichen der
Ergebnisse mit der Veröffentlichung von Gülch [81], der in dieser die Messgenauigkeit von
Objekten des Tango-Entwicklungstablets anhand der vorinstallierten Anwendung
,,MeasureIt" von Google untersucht und eine durchschnittliche Längendiskrepanz von etwa
5,5 Prozent erreicht, kann ein durchweg positives Fazit gezogen werden, wenngleich die
äußeren Umstände (z.B. Licht) die Resultate enorm beeinflussen. Auch sollte die mit der
Dauer der Aufnahme steigende Speicherzeit und Größe des ADFs nicht unerwähnt bleiben.
Im schlechtesten Fall dauert das Sichern der Datei nach Aufzeichnen des fünften und sechsten
Stockwerkes des Gebäudes 41/100 der Universität der Bundeswehr München etwa ein bis
zwei Minuten mit einer resultierenden Dateigröße von maximal 50 Megabyte.
b) Qualität
Neben der quantitativen Auswertung der Genauigkeit der berechneten Längenangaben wird
nachfolgend die Qualität der erzeugten Gebäudepläne bewertet. Nachstehend werden die von
Graphmapper angefertigten Grundrisse des fünften (Abbildung 7-17) und sechsten
(Abbildung 7-18) Stockwerkes des Gebäudes 41/100 der Universität der Bundeswehr
München mit ihren Referenzplänen gegenübergestellt. Des Weiteren ist der Plan einer 4-
Zimmer-Wohnung in Erding (Abbildung 7-19) angehängt. Teilweise überlappen einzelne
70
Hallway
Graphm
Indoorn
Eine Na
Abbildun
Bundeswe
Abbildun
Bundeswe
ys und die L
mapper
j
navigationsa
avigation au
ng 7-17: Ob
ehr München,
ng 7-18: Obe
ehr München,
Längen-ung
jedoch
anwendunge
uf Basis der
en: Referenzp
, Unten: Von G
en: Referenzp
, Unten: Von G
genauigkeite
qualitativ
en erforderl
erzeugten P
plan des fünf
Graphmapper
plan des sech
Graphmapper
en sind zu e
überzeu
liche Ge-na
Pläne ist som
nften Stockwe
r erzeugter Pl
hsten Stockwe
r erzeugter Pl
Entw
erkennen. In
ugen
un
auigkeit von
mit möglich
rkes des Geb
lan mit POIs
erkes des Ge
lan mit POIs
wicklung einer
nsgesamt kö
nd
erfü
n etwa einem
h.
bäudes 41/10
ebäudes 41/10
r Kartierungsa
önnen die P
üllen
di
m Meter (K
00 der Unive
00 der Unive
applikation
läne von
ie
in
Kap. 2.3).
ersität der
ersität der
Evaluation
71
Abbildung 7-19: Links: Von Graphmapper erzeugter Plan mit POIs, Rechts: Von Graphmapper erzeugter Plan
mit Beschriftungen der Hallways
7.2.3 Verifikation des Indoornavigationsgraphen
Abgesehen von den Gebäudeplänen erzeugt die Applikation Graphmapper einen Indoor-
navigationsgraphen nach dem obig beschriebenen Modell (Kap. 7.1.2). Da bisher kein
einheitliches Datenmodell zum Modellieren, Speichern und Austauschen von Graphen in der
Indoornavigation existiert, werden die graphischen Strukturen im JSON-Format (engl.
JavaScript Object Notation) gesichert. Dieses lässt sich nahtlos in die bestehende Datenbank-
infrastruktur des Local Area Guides der Universität der Bundeswehr München integrieren und
bietet zudem die Möglichkeit der einfachen Konvertierung in ein anderes Datenmodell (z.B.
IndoorGML), sobald ein einheitliches Standardformat abzusehen ist. Dieser Abschnitt
beschäftigt sich mit der Verifikation der erzeugten graphischen Repräsentationen der
Innenraumumgebungen. Die Kontrolle der Graphen auf deren Richtigkeit gestaltet sich ohne
ein Softwaretool, das die Netzwerke entsprechend automatisiert visualisiert, als äußerst
mühsame Aufgabe, da die JSON-Dateien manuell untersucht werden müssen. Zur besseren
Übersicht wird zusätzlich beim Speichern einer Aufzeichnung eine Textdatei erzeugt, in der
sämtliche Hallways der Aufnahme und deren Verbindungen zueinander aufgelistet sind.
Die Verknüpfungen der Gänge des Gebäudes 41/100 der Universität der Bundeswehr
München sind in einer derartigen Datei in Abbildung 7-20 aufgelistet, wobei im Anhang 9.2.1
der vollständige Originalgraph im JSON-Datenformat zu finden ist. Die von Graphmapper er-
schaffenen graphischen Repräsentationen des Universitätsgebäudes sind korrekt und stehen
mit den gewünschten Ergebnissen (Abbildung 7-1 und Abbildung 7-2) in Einklang.
Abbildung 7-22 stellt den, von Graphmapper erzeugten, Indoornavigationsgraphen einer 4-
Zimmer-Wohnung in Erding dar. Im Anhang 9.2.2 ist der ursprüngliche Graph dieser Innen-
raumumgebung im JSON-Format abgedruckt. Die Beziehungen zwischen den einzelnen
Hallways sind der Visualisierung oder der Textdatei in Abbildung 7-21 zu entnehmen. Neben
72
den Hal
(,,Fenste
sentiere
Anwend
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Abbildu
Gebäud
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Hallw
Abbildu
llways (Kn
er") und zw
en Bereiche
dung erzeug
Abbildung
way "5_Teil
way "5_Trep
way "5_Teil
way "5_Trep
way "5_Teil
way "6_Trep
way "6_Teil
way "6_Trep
ung 7-20: Ha
des 41/100 der
way "Kind2
way "Gang"
way "Eltern
way "Esszim
way "Küche
way "Bad"
way "Wohnzi
way "Diele
way "Kind1
way "WC" (i
ung 7-21: Ha
noten) und E
wei Instanze
e, in denen
gte Netzwer
g 7-22: Erzeug
l3" (id: 0
ppe2" (id:
l2" (id: 2
ppe1" (id:
l1" (id: 4
ppe1" (id:
l1" (id: 6
ppe2" (id:
allways und d
r Universität d
" (id: 0, l
(id: 1, le
n" (id: 2,
mmer" (id:
" (id: 4, l
(id: 5, lev
immer" (id
" (id: 7, l
" (id: 8, l
id: 9, leve
llways und de
Entrypoints
en der Roo
keine weit
rk stimmt m
gter Indoorna
, level: 5)
1, level:
, level: 5)
3, level:
, level: 5)
5, level:
, level: 6)
7, level:
deren verbund
der Bundeswe
level: 0) c
evel: 0) co
level: 0)
3, level:
level: 0) c
vel: 0) con
: 6, level
level: 0) c
level: 0) c
el: 0) conn
eren verbunde
s (Kanten) e
om-Struktur
tere Indoor
mit dem erw
avigationsgrap
) connected
5) connect
) connected
5) connect
) connected
6) connect
) connected
6) connect
dene Entrypo
ehr München
connected
onnected to
connected
0) connec
connected
nnected to
: 0) conne
connected
connected
nected to:
ene Entrypoint
Entw
enthält der
r (,,Balkon"
rnavigation
warteten (Ab
ph einer 4-Zim
d to: id:
ted to: id
d to: id:
ted to: id
d to: id: 3
ted to: id
d to: id: 5
ted to: id
oints des fünft
to: id: 1
o: id: 3;
to: id: 1
ted to: id
to: id: 3
: id: 1
cted to: id
to: id: 8;
to: id: 7
id: 7
ts einer 4-Zim
wicklung einer
Graph ein
" und ,,Tera
erforderlic
bbildung 7-3
mmer-Wohnun
1
: 7; id: 2
1; id: 3
: 2; id: 5
3
: 3; id: 6
5; id: 7
: 6; id: 1
ften und sechs
id: 0; id:
: 7; id: 1
d: 3
id: 3; id
mmer-Wohnung
r Kartierungsa
Markierun
asse"). Dies
ch ist. Das
3) überein.
ng in Erding
; id: 0
; id: 4
sten Stockwer
5; id: 2
; id: 6; i
: 9;
g in Erding
applikation
ngsobjekt
se reprä-
von der
rkes des
d: 4
Integration in den Local Area Guide
73
7.3 Integration in den Local Area Guide
Nach der Erläuterung des Konzepts und der Evaluation der entwickelten Applikation im
vorliegenden Kapitel wird abschließend die Entstehung eines Indoornavigationssystems zur
Integration in den bestehenden Local Area Guide der Universität der Bundeswehr München
diskutiert. Die Erweiterung des Systems auf die Navigation innerhalb von Gebäuden wäre ein
Punkt, der in zukünftigen Projekten bearbeitet werden könnte. Nach dem Sammeln von
Kartenmaterial bzw. dem Kartieren sämtlicher Universitätsgebäude mit Graphmapper ist das
Festlegen auf eine Technologie zur Lokalisierung (Kap. 3.2) in den Innenraumumgebungen
erforderlich. Hierfür bietet sich u. a. WLAN (Kap. 3.2.2a)) an, da die dafür benötigte
Hardware-struktur weitestgehend auf dem Campusgelände vorhanden ist, oder die
Verwendung von QR- bzw. Barcodes. Diese Technik wäre kostengünstig und einfach zu
installieren. Die Positionen der Landmarken könnten beispielsweise mit dem
Markierungselement (Marker) von Graph-mapper bei der Kartografie abgespeichert werden.
Eine Navigationsanwendung basierend auf der Tango-Technologie von Google wäre nach
derzeitigem Stand noch nicht zu empfehlen, da erst wenige Geräte diese Technik beherrschen.
Die Indoornavigation auf dem Campus würde in erster Linie Besucher am Tag der offenen
Tür bzw. neue Mitglieder der Universität an-sprechen. Da die Anzahl der verfügbaren Tango-
Tablets limitiert ist, wäre die Bereitstellung der Navigation mit gewöhnlichen mobilen
Endgeräten der Benutzer am sinnvollsten. Außerdem wäre bei Verwendung der Tango-
Technologie zur Navigation stets eine aufrechte Führung des Gerätes durch die Gebäude
notwendig, damit die Sensoren die Umgebung zur relativen Positionsbestimmung und
Tiefenwahrnehmung erfassen könnten. Dies würde einen anderen, als den bisher gewohnten,
Umgang mit mobilen Endgeräten erfordern. Ein weiterer Aspekt, den es zu beachten gilt, ist
die Integration des Indoornavigationssystems in den bestehenden Local Area Guide zur
Wegfindung und -planung außerhalb von Gebäuden. Ein nahtloses Umschalten zwischen
Indoor- und Outdoornavigation an den Zugangspunkten wäre hierbei wichtig. Auch wenn im
Innenbereich ein unterschiedliches Datenformat (z.B. IndoorGML) als im Außenbereich
(OpenStreetMap) gewählt wird, könnte eine optimale Verknüpfung beider Elemente diese
Herausforderung bewältigen. Durch die einfache Gestaltung des bisherigen graphischen
Modells von Graphmapper und das Sichern der Netzwerke im JSON-Format, wäre das
Konvertieren in ein anderes Datenformat, wenn es einen einheitlichen Standard gibt, mit nicht
allzu großem Aufwand verbunden. Allerdings könnte auch die gegenwärtige Struktur in den
Local Area Guide integriert werden, da diese bereits geometrische, semantische und
topologische Informationen über die Umgebung beinhaltet. Ein derartiges, universales Navi-
gationssystem würde zudem den aktuellen Trend der Forschung widerspiegeln.
74
Entwicklung einer Kartierungsapplikation
Fazit
75
8 Zusammenfassung
Zu Beginn bietet diese Arbeit einen Überblick der aktuellen Entwicklungen sämtlicher
Kernkomponenten eines Indoornavigationssystems (Abbildung 2-2) und erläutert deren
Möglichkeiten zur Navigation innerhalb von Gebäuden mit mobilen Endgeräten.
Anschließend wird mit dem Project Tango eine moderne Technik vorgestellt und die
Entwicklung einer Kartierungsapplikation zum Erzeugen von zweidimensionalen
Gebäudeplänen und Indoor-navigationsgraphen beschrieben. Nachfolgend werden die
Ergebnisse dieser Ausarbeitung zu-sammengefasst und bewertet, diverse Verbesserungen
bzw. Erweiterungen von Graphmapper erörtert und auf zukünftige Entwicklungen geblickt.
8.1 Fazit
Zur Lokalisierung in Innenbereichen gibt es zahlreiche verschiedene Möglichkeiten, von
denen in dieser Ausarbeitung nur wenige, wichtige ausgeführt werden. Neben
Unterscheidungs-merkmalen in der Genauigkeit der Positionsbestimmung ist vor allem der
Bedarf einer zusätzlichen, externen Hardwarestruktur (z.B. Bluetooth-Beacons) ein
entscheidendes Krite-rium bei der Wahl einer Technologie, da diese in der Regel sehr
kostspielig anzuschaffen ist. Systeme, die ohne derartige Installationen (z.B. Project Tango)
auskommen, sind klar im Vorteil, falls das Ziel verfolgt wird, die Indoornavigation global
bzw. nicht nur in einem Gebäude anzubieten. Eine einheitliche Lösung ist derzeit nicht
absehbar. Auch im Gebiet Datenbank bzw. Netzwerk bedarf es noch weiterer Forschung. Für
die weltweite Verbreitung der Indoornavigation wäre ein Standardformat zum Modellieren,
Speichern und Austauschen von geometrischen, semantischen und topologischen
Informationen über Innenraumumge-bungen notwendig, da sich Insellösungen zumeist auf
einen oder wenige Anwendungsfälle und Gebäude beschränken. Die Routingkomponente
hingegen weist die größten Gemeinsamkeiten mit der Outdoornavigation auf und ein
Algorithmus wäre mit einem entsprechenden Daten-modell, das Routingfunktionen zur
Verfügung stellt, einsatzbereit.
Mit dem Project Tango entwickelt Google seit 2014 eine neuartige Technologie für mobile
Endgeräte, deren Position ohne zusätzliche Hardware bestimmt werden kann. Die Technik
zeigt, dass die erforderliche Rechenleistung zur Anwendung von Bewegungsverfolgung
(Motion Tracking), Umgebungswiedererkennung (Area Learning) und Tiefenwahrnehmung
(Depth Perception) durchaus von mobilen Endgeräten mit sehr guten Ergebnissen zu be-
wältigen ist. Mit der Tango-Kartierungsapplikation Graphmapper können Indoornavigations-
graphen der Umgebung und zweidimensionale Pläne der Innenbereiche von Gebäuden mit
76
Zusammenfassung
einer Genauigkeit von durchschnittlich 97 Prozent erzeugt werden. Die Resultate werden
enorm von den bestehenden Lichtverhältnissen beeinflusst und transparente Objekte eignen
sich schlecht zur Platzierung von AR-Objekten. Außerdem sollte der Abstand des Tablets
zum Ziel am besten zwischen einem halben und vier Metern betragen. Bei einer Entfernung
von über zehn Metern stehen keinerlei Tiefeninformationen zur Verfügung. Die Qualität der
Tiefenwahrnehmung stellt, neben Abweichungen in der relativen Positionsbestimmung des
Gerätes durch Bewe-gungsverfolgung und Umgebungswiedererkennung, den kritischen Punkt
in der Genauigkeit dar. Zum Erreichen von Millimeterabweichungen bedarf es professioneller
Hardware zur Vermessung. Mit der entstandenen Applikation können die Gebäude der
Universität der Bundeswehr München, mit einer für die Indoornavigation ausreichenden
Genauigkeit, kartiert und ein Indoornavigationssystem zur Integration in den Local Area
Guide entwickelt werden, um auf dem Campus, neben der Outdoornavigation, auch
Navigation in Innenbereichen an-bieten zu können.
8.2 Ausblick
Um die Daten von Graphmapper in einem Indoornavigationssystem bestmöglich verarbeiten
zu können, wäre es sinnvoll, ein einheitliches Datenformat zu finden. Für das
aussichtsreichste Datenformat IndoorGML (Kap. 4.2.4) muss zunächst noch mehr Software
zur Verfügung gestellt werden, um die Verwendung benutzerfreundlich zu gestalten. Derzeit
mangelt es noch an Beschreibungen und Beispielen zum korrekten Anlegen von Dateien und
vor allem an einem Tool zum Betrachten bzw. Verifizieren erzeugter IndoorGML-Strukturen.
An der Universität Busan (engl. Pusan National University) in Südkorea entsteht derzeit ein
Softwaretool [82] zur graphischen Visualisierung und Inspizierung von Dateien dieses
Formates. Selbstverständlich könnte sich auch ein neuartiges, bisher unbekanntes,
Datenformat durchsetzen. Die viel-versprechende Lösung IndoorGML hätte jedoch das
Potential sich zu einer globalen, standardisierten Lösung zu entwickeln.
Die Ungenauigkeiten der von Graphmapper erzeugten Gebäudepläne (Kap. 7.2.2) könnten
einerseits durch eine Adaption der Berechnungsverfahren der Eckpunkte aus den
Wandmessungen (Kap. 7.1.3c)) minimiert werden. Anstatt des Algorithmus zur Schnitt-
punktberechnung von Ebenen existieren in der Forschung bereits verschiedene Ansätze zur
automatisierten Wand- und Eckenerkennung mit dem Tango-Tablet [83], die die Exaktheit
der Ergebnisse verbessern könnten. Andererseits versucht Google durch fortwährende
Updates der Tango-Bibliotheken und Bereitstellung neuer Funktionen die Zuverlässigkeit des
Systems und der Konzepte (Motion Tracking, Area Learning und Depth Perception) zu
erhöhen, deren Ungenauigkeiten einen großen Anteil an den Abweichungen der
Messergebnisse besitzen. So könnte die Performanz der Augmented-Reality-Wandmessungen
Schlusswort
77
durch die Implementierung der, auf der Entwicklerkonferenz Google I/O 2016 vorgestellten,
,,Drift Correction"-Funktion [84] gesteigert werden, indem die Position des virtuellen
Objektes bei Wiedererkennen des platzierten Ortes stetig aktualisiert wird. Jedoch kann diese
Funktionalität zum Zeitpunkt des Verfassens dieser Ausarbeitung nicht in Kombination mit
Area Learning genutzt werden, weshalb eine Erweiterung der Anwendung bisher nicht
möglich ist.
Mit dem Lenovo Phab 2 Pro kommt im September 2016 das erste kommerzielle Tango-
Smartphone auf den Markt. Sollte sich diese Technologie etablieren und von den
Konsumenten angenommen werden, wird es nicht lange dauern, bis weitere Hersteller
vergleichbare Lösungen anbieten. Derzeit häufen sich die Gerüchte, dass in den nächsten
Smartphone-Generationen von Apple [85, 86] und Samsung [87] Sensorik zur Erfassung von
dreidimensionalen Tiefeninformationen verbaut sein wird. Sobald dies der Fall sein sollte,
könnte die Tango-Technik auf nahezu jedem mobilen Endgerät angewendet werden, da IMUs
und Kamerasysteme bereits in den aktuellen Geräten vorhanden sind. Des Weiteren kündigt
das Unternehmen auf der offiziellen Tango-Webseite [66] für dieses Jahr ein Indoornavi-
gationssystem an. Allerdings gibt es hierzu zum Zeitpunkt des Verfassens dieser Arbeit keine
weiteren Informationen. Jedoch ist eine Lokalisierung in Innenbereichen mittels geladener
ADFs durch eine Integration des Project Tango in die bestehende Applikation Google Maps
gut vorstellbar. Kartenmaterialien der Innenbereiche diverser Gebäude stehen derzeit schon
zur Verfügung (Abbildung 2-1).
8.3 Schlusswort
Die Mehrzahl der derzeit existierenden Indoornavigationssysteme verwenden eigenständige
Techniken zur Lokalisierung, individuelle Datenmodelle und sind auf ein oder wenige
Gebäude begrenzt. Für eine einheitliche Technologie, vergleichbar mit GPS in der
Outdoornavigation, bedarf es ein Pionierunternehmen, das einen Standard formt und
Insellösungen überflüssig macht. Eine globale, universale Navigationsanwendung für mobile
Endgeräte mit auto-matisiertem Umschalten zwischen Innen- und Außenbereichen wäre
wünschenswert. Google hätte zum einen den Einfluss auf dem Markt und mit dem Project
Tango das Potential dies zu ermöglichen. Bleibt abzuwarten, ob wir uns in Zukunft nicht nur
auf dem Mond, sondern auch in Einkaufscentern, Flughäfen, Museen oder anderen großen
Gebäudekomplexen zurechtfinden und Colin Ellard [1] widersprechen können.
78
Zusammenfassung
Anhang
9
9.1
Sämtlic
[80] ent
9.1.1
Als erst
Univers
Abbildun
Bundeswe
Tabelle
Stockwer
von den L
Stre
5 Teil 1
5 Teil 1
Anha
Refere
he Referen
tstanden.
Beispielg
tes Beispiel
sität der Bun
ng 9-1: Refer
ehr München
a
9-1: Messreih
rkes des Gebä
Laserwerten in
ecke
L
1 A
2,
1 B
20
ang
enzmess
nzmessunge
gebäude 1
gebäude wu
ndeswehr M
renzplan des f
(Zeichnung n
a) Messreih
he 1 (ohne U
udes 41/100 d
n Prozent und
Laser
[m]
Ve
464
2,2
0,043
20,
sungen
n sind durc
1: Univer
urde das fün
München aus
fünften und se
icht maßstabs
he 1 (ohne P
Unterbrechung
der Universitä
d in Meter
ersuch 1
[m]
V
7
2,
36
19
ch ein Bos
rsität der
nfte und sec
sgewählt.
echsten Stock
sgetreu)
Pause)
g) Drei vo
ät der Bundes
Versuch 2
[m]
61
9,56
sch DLE 50
Bundesw
chste Stockw
kwerkes des G
ollständige D
wehr Münche
Versuch 3
[m]
2,48
20,01
0 Laser-En
wehr Münc
werk des G
Gebäudes 41/1
urchläufe des
en und durchsc
Durchsch
Abweichu
[%]
4,82
1,39
ntfernungsm
chen
Gebäudes 41
100 der Unive
s fünften und
schnittliche Ab
hn.
ung
Durch
Abwei
[m
0,12
0,28
79
messgerät
/100 der
ersität der
d sechsten
bweichung
hschn.
ichung
m]
80
Anhang
5 Teil 1 C
2,473
2,67
2,54
2,26
6,43
0,16
5 Teil 1 D
20,055
20,34
19,19
19,96
2,07
0,42
5 Treppe 1 A
7,592
7,50
7,30
7,69
2,12
0,16
5 Treppe 1 B
11,648
11,86
11,79
11,61
1,12
0,13
5 Treppe 1 C
7,588
7,76
7,61
7,30
2,12
0,16
5 Treppe 1 D
11,635
11,38
11,35
11,35
2,36
0,28
5 Teil 2 A
2,466
2,05
1,90
2,15
17,55
0,43
5 Teil 2 B
20,388
20,60
20,64
20,54
1,01
0,21
5 Teil 2 C
2,467
2,39
2,56
2,23
5,50
0,14
5 Teil 2 D
20,382
20,55
20,62
20,54
0,92
0,19
5 Treppe 2 A
7,758
8,06
8,04
8,16
4,24
0,33
5 Treppe 2 B
3,517
3,81
3,63
3,65
5,11
0,18
5 Treppe 2 C
7,769
8,11
8,04
8,12
4,13
0,32
5 Treppe 2 D
3,513
3,51
3,52
3,59
0,83
0,03
5 Teil 3 A
2,471
2,61
2,52
2,64
4,82
0,12
5 Teil 3 B
7,887
8,20
8,10
8,26
3,80
0,30
5 Teil 3 C
2,471
2,36
2,31
2,36
5,17
0,13
5 Teil 3 D
7,900
8,05
7,96
8,1
1,73
0,14
6 Treppe 1 A
7,549
6,88
7,65
7,49
3,66
0,28
6 Treppe 1 B
11,657
12,06
11,79
11,7
1,66
0,19
6 Treppe 1 C
7,588
8,06
7,81
7,8
3,98
0,30
6 Treppe 1 D
11,603
11,59
11,6
11,46
0,46
0,05
6 Teil 1 A
2,467
2,42
2,22
2,52
4,69
0,12
6 Teil 1 B
20,376
20,54
20,23
20,14
0,89
0,18
6 Teil 1 C
2,473
2,03
2,42
2,41
7,53
0,19
6 Teil 1 D
20,371
20,64
20,20
20,12
1,13
0,23
6 Treppe 2 A
7,788
8,15
8,08
7,86
3,11
0,24
6 Treppe 2 B
3,521
3,64
3,56
3,82
4,33
0,15
6 Treppe 2 C
7,774
8,07
8,02
7,98
3,21
0,25
6 Treppe 2 D
3,478
3,54
3,62
3,46
2,13
0,07
Gesamt
4,22
3,31
3,15
3,56
0,20
b) Messreihe 2 (mit Pause)
Tabelle 9-2: Messreihe 2 (mit Unterbrechung) Drei Durchläufe des fünften und sechsten Stockwerkes des
Gebäudes 41/100 der Universität der Bundeswehr München mit Zwischenspeichern nach dem ersten Stockwerk
und durchschnittliche Abweichung von den Laserwerten in Prozent und in Meter
Strecke
Laser
[m]
Versuch 1
[m]
Versuch 2
[m]
Versuch 3
[m]
Durchschn.
Abweichung
Durchschn.
Abweichung
Anhang
81
[%]
[m]
5 Teil 1 A
2,464
2,74
2,67
1,79
15,64
0,39
5 Teil 1 B
20,043
20,12
20,15
20,02
0,34
0,07
5 Teil 1 C
2,473
2,25
2,48
2,61
4,95
0,12
5 Teil 1 D
20,055
20,16
20,11
19,95
0,44
0,09
5 Treppe 1 A
7,592
8,49
7,51
7,72
4,86
0,37
5 Treppe 1 B
11,648
11,51
11,66
12,02
1,49
0,17
5 Treppe 1 C
7,588
7,85
7,74
8,36
5,21
0,40
5 Treppe 1 D
11,635
11,74
11,6
11,76
0,76
0,09
5 Teil 2 A
2,466
2,54
2,62
2,56
4,35
0,11
5 Teil 2 B
20,388
20,58
20,12
20,29
0,91
0,19
5 Teil 2 C
2,467
2,40
2,28
1,87
11,50
0,28
5 Teil 2 D
20,382
20,56
20,13
20,30
0,84
0,17
5 Treppe 2 A
7,758
8,09
8,15
8,18
4,92
0,38
5 Treppe 2 B
3,517
3,59
3,75
3,68
4,45
0,16
5 Treppe 2 C
7,769
8,13
8,17
8,22
5,20
0,40
5 Treppe 2 D
3,513
3,58
3,55
3,50
1,11
0,04
5 Teil 3 A
2,471
2,51
2,62
2,44
2,95
0,07
5 Teil 3 B
7,887
7,98
8,00
8,14
1,94
0,15
5 Teil 3 C
2,471
2,59
2,62
2,58
5,09
0,13
5 Teil 3 D
7,900
8,02
8,02
8,10
1,86
0,15
6 Treppe 1 A
7,549
7,51
7,08
7,65
2,69
0,20
6 Treppe 1 B
11,657
12,16
11,96
12,10
3,57
0,42
6 Treppe 1 C
7,588
10,47
7,92
7,93
15,62
1,19
6 Treppe 1 D
11,603
11,49
11,85
11,83
1,69
0,20
6 Teil 1 A
2,467
2,33
2,64
2,53
5,04
0,12
6 Teil 1 B
20,376
19,95
20,33
20,59
1,12
0,23
6 Teil 1 C
2,473
2,54
2,25
2,42
4,62
0,11
6 Teil 1 D
20,371
19,90
20,25
20,6
1,34
0,27
6 Treppe 2 A
7,788
8,15
7,81
7,88
2,04
0,16
6 Treppe 2 B
3,521
3,69
3,50
3,54
1,98
0,07
6 Treppe 2 C
7,774
8,12
7,88
7,95
2,69
0,21
6 Treppe 2 D
3,478
3,52
3,60
3,72
3,89
0,14
Gesamt
4,36
3,13
4,24
3,91
0,23
82
Anhang
c) Messreihe 3 (ohne Pause)
Tabelle 9-3: Messreihe 3 (ohne Unterbrechung) Drei vollständige Durchläufe des fünften und sechsten
Stockwerkes des Gebäudes 41/100 der Universität der Bundeswehr München und durchschnittliche Abweichung
von den Laserwerten in Prozent und in Meter (Aufnahmen ohne Tageslicht und mit abgeklebten Glastüren)
Strecke
Laser
[m]
Versuch 1
[m]
Versuch 2
[m]
Versuch 3
[m]
Durchschn.
Abweichung
[%]
Durchschn.
Abweichung
[m]
5 Teil 1 A
2,464
2,18
2,30
1,94
13,15
0,32
5 Teil 1 B
20,043
19,65
19,89
19,97
1,03
0,21
5 Teil 1 C
2,473
2,26
2,24
2,60
7,72
0,19
5 Teil 1 D
20,055
19,69
19,95
19,94
0,97
0,20
5 Treppe 1 A
7,592
7,52
7,44
7,71
1,50
0,11
5 Treppe 1 B
11,648
12,04
11,96
11,76
2,34
0,27
5 Treppe 1 C
7,588
7,85
7,81
7,95
3,72
0,28
5 Treppe 1 D
11,635
11,67
11,78
11,65
0,56
0,07
5 Teil 2 A
2,466
2,37
2,51
2,53
2,76
0,07
5 Teil 2 B
20,388
20,59
20,45
20,31
0,56
0,11
5 Teil 2 C
2,467
2,51
2,37
2,37
3,20
0,08
5 Teil 2 D
20,382
20,60
20,45
20,31
0,59
0,12
5 Treppe 2 A
7,758
7,85
7,93
8,15
2,82
0,22
5 Treppe 2 B
3,517
3,72
3,73
3,61
4,82
0,17
5 Treppe 2 C
7,769
7,91
7,92
8,09
2,63
0,20
5 Treppe 2 D
3,513
3,53
3,57
3,58
1,34
0,05
5 Teil 3 A
2,471
2,50
2,57
2,55
2,79
0,07
5 Teil 3 B
7,887
8,18
8,12
8,20
3,55
0,28
5 Teil 3 C
2,471
2,49
2,50
2,48
0,77
0,02
5 Teil 3 D
7,900
8,08
8,00
8,11
2,07
0,16
6 Treppe 1 A
7,549
7,92
7,28
7,89
4,33
0,33
6 Treppe 1 B
11,657
11,47
12,10
11,58
2,02
0,24
6 Treppe 1 C
7,588
7,52
7,90
9,07
8,18
0,62
6 Treppe 1 D
11,603
11,38
11,86
11,65
1,51
0,18
6 Teil 1 A
2,467
2,43
2,77
2,89
10,31
0,25
6 Teil 1 B
20,376
20,56
20,39
20,41
0,38
0,08
6 Teil 1 C
2,473
2,30
2,55
2,50
3,73
0,09
6 Teil 1 D
20,371
20,56
20,49
20,33
0,57
0,12
6 Treppe 2 A
7,788
7,83
7,91
8,07
1,91
0,15
6 Treppe 2 B
3,521
3,61
3,70
3,65
3,76
0,13
6 Treppe 2 C
7,774
7,95
7,92
7,94
2,09
0,16
Anhang
6 Trepp
Gesamt
9.1.2
Als zwe
Tabelle 9
Erding un
Stre
Kind1 A
Kind1 B
Kind1 C
Kind1 D
Wohnzim
pe 2 D
3,
Beispielg
eites Beispie
a
9-4: Messreih
nd durchschni
ecke
L
2,
4,
2,
4,
mmer A
3,
478
3,6
2,7
gebäude 2
elgebäude w
Abbildung 9
a) Messreih
he 1 (ohne Un
ittliche Abwei
Laser
[m]
Ve
473
2,5
085
4,1
464
2,4
097
4,1
603
3,6
5
3,
1
2,9
2: 4-Zimm
wurde eine 4
9-2: Referenzp
he 1 (ohne P
nterbrechung)
ichung von de
ersuch 1
[m]
V
1
2,4
8
4,2
5
2,
9
4,2
9
3,
50
90
mer-Woh
4-Zimmer-W
plan einer 4-Z
Pause)
) Drei volls
en Laserwerten
Versuch 2
[m]
48
21
52
26
68
3,55
3,79
nung in E
Wohnung in
Zimmer-Wohnu
ständige Durc
n in Prozent u
Versuch 3
[m]
2,52
4,15
2,47
4,17
3,76
2,55
3,13
Erding
n Erding au
ung in Erding
chläufe einer
und in Meter
Durchsch
Abweichu
[%]
1,23
2,33
1,03
2,68
2,97
0,09
0,18
usgewählt.
g
4-Zimmer-Wo
hn.
ung
Durch
Abwei
[m
0,03
0,10
0,03
0,11
0,11
83
Wohnung in
hschn.
ichung
m]
84
Anhang
Wohnzimmer B
5,471
5,53
5,62
5,59
1,99
0,11
Wohnzimmer C
3,604
3,66
3,66
3,62
1,18
0,04
Wohnzimmer D
5,481
5,54
5,68
5,72
3,02
0,17
Kind2 A
2,842
2,90
2,90
2,92
2,28
0,06
Kind2 B
4,868
5,03
5,03
5,08
3,67
0,18
Kind2 C
2,859
2,89
2,84
2,87
0,71
0,02
Kind2 D
4,859
5,01
4,98
5,00
2,83
0,14
Diele A
1,733
1,76
1,73
1,74
0,71
0,01
Diele B
1,735
1,76
1,74
1,76
1,06
0,02
Diele C
1,222
1,25
1,23
1,24
1,47
0,02
Diele D
0,514
0,50
0,50
0,49
3,37
0,02
Diele E
0,511
0,50
0,51
0,49
2,15
0,01
Diele F
1,221
1,23
1,23
1,23
0,74
0,01
Esszimmer A
2,355
2,41
2,39
2,35
1,34
0,03
Esszimmer B
5,443
5,51
5,50
5,53
1,29
0,07
Esszimmer C
2,338
2,39
2,46
2,41
3,51
0,08
Esszimmer D
5,443
5,50
5,48
5,52
1,05
0,06
Gang A
0,991
1,00
1,08
1,01
3,93
0,04
Gang B
0,722
0,74
0,73
0,75
2,49
0,02
Gang C
0,600
0,64
0,61
0,61
3,33
0,02
Gang D
2,103
2,16
2,13
2,11
1,44
0,03
Gang E
1,591
1,66
1,62
1,56
2,70
0,04
Gang F
2,825
2,92
2,88
2,86
2,18
0,06
Bad A
1,338
1,35
1,36
1,36
1,40
0,02
Bad B
2,833
2,88
2,88
2,89
1,78
0,05
Bad C
1,728
1,72
1,74
1,75
0,81
0,01
Bad D
2,134
2,19
2,17
2,17
2,00
0,04
Bad E
0,390
0,35
0,36
0,37
7.69
0,03
Bad F
0,699
0,72
0,73
0,74
4,43
0,03
WC A
1,389
1,38
1,36
1,38
1,13
0,02
WC B
1,235
1,24
1,26
1,30
2,56
0,03
WC C
1,401
1,44
1,39
1,45
2,36
0,03
WC D
1,237
1,27
1,27
1,31
3,75
0,05
Eltern A
3,456
3,51
3,52
3,52
1,76
0,06
Eltern B
3,610
3,63
3,61
3,64
0,46
0,02
Eltern C
3,455
3,54
3,54
3,55
2,56
0,08
Eltern D
3,609
3,69
3,67
3,69
2,06
0,07
Küche A
1,720
1,74
1,75
1,74
1,36
0,02
Anhang
85
Küche B
2,715
2,77
2,78
2,77
2,15
0,06
Küche C
1,721
1,74
1,74
1,73
0,91
0,02
Küche D
2,709
2,75
2,75
2,74
1,39
0,04
Gesamt
2,14
2,09
2,24
2,16
0,05
b) Messreihe 2 (mit Pause)
Tabelle 9-5: Messreihe 2 (mit Unterbrechung) Drei Durchläufe einer 4-Zimmer-Wohung in Erding mit
Zwischenspeichern nach jeder Hallway und durchschnittliche Abweichung von den Laserwerten in Prozent und
in Meter
Strecke
Laser
[m]
Versuch 1
[m]
Versuch 2
[m]
Versuch 3
[m]
Durchschn.
Abweichung
[%]
Durchschn.
Abweichung
[m]
Kind1 A
2,473
2,51
2,53
2,51
1,77
0,04
Kind1 B
4,085
4,21
4,23
4,22
3,30
0,13
Kind1 C
2,464
2,45
2,45
2,45
0,57
0,01
Kind1 D
4,097
4,22
4,24
4,21
3,08
0,13
Wohnzimmer A
3,603
3,69
3,74
3,73
3,25
0,12
Wohnzimmer B
5,471
5,66
5,66
5,59
3,03
0,17
Wohnzimmer C
3,604
3,68
3,60
3,62
0,89
0,03
Wohnzimmer D
5,481
5,67
5,79
5,68
4,24
0,23
Kind2 A
2,842
2,90
2,81
2,84
1,08
0,03
Kind2 B
4,868
5,02
4,88
5,11
2,78
0,14
Kind2 C
2,859
2,91
2,90
3,01
2,83
0,08
Kind2 D
4,859
4,99
4,86
5,03
2,08
0,10
Diele A
1,733
1,76
1,78
1,76
1,94
0,03
Diele B
1,735
1,75
1,78
1,81
2,59
0,05
Diele C
1,222
1,27
1,26
1,27
3,66
0,04
Diele D
0,514
0,50
0,5
0,52
2,20
0,01
Diele E
0,511
0,50
0,52
0,51
1,37
0,01
Diele F
1,221
1,20
1,23
1,22
0,84
0,01
Esszimmer A
2,355
2,43
2,40
2,43
2,76
0,07
Esszimmer B
5,443
5,59
5,53
5,59
2,33
0,13
Esszimmer C
2,338
2,42
2,40
2,34
2,08
0,05
Esszimmer D
5,443
5,58
5,54
5,52
1,90
0,10
Gang A
0,991
1,00
0,98
1,01
1,31
0,01
Gang B
0,722
0,74
0,75
0,73
2,49
0,02
Gang C
0,600
0,63
0,62
0,62
3,89
0,02
Gang D
2,103
2,10
2,14
2,11
0,74
0,02
86
Anhang
Gang E
1,591
1,62
1,60
1,62
1,40
0,02
Gang F
2,825
2,86
2,89
2,87
1,71
0,05
Bad A
1,338
1,36
1,36
1,35
1,40
0,02
Bad B
2,833
2,88
2,87
2,88
1,54
0,04
Bad C
1,728
1,74
1,79
1,71
1,77
0,03
Bad D
2,134
2,20
2,17
2,15
1,84
0,04
Bad E
0,390
0,37
0,40
0,36
5,13
0,02
Bad F
0,699
0,74
0,72
0,73
4,43
0,03
WC A
1,389
1,44
1,25
1,45
6,02
0,08
WC B
1,235
1,25
1,25
1,26
1,48
0,02
WC C
1,401
1,42
1,48
1,33
4,02
0,06
WC D
1,237
1,26
1,24
1,26
1,32
0,02
Eltern A
3,456
3,55
3,56
3,54
2,72
0,09
Eltern B
3,610
3,62
3,65
3,61
0,46
0,02
Eltern C
3,455
3,58
3,52
3,53
2,56
0,09
Eltern D
3,609
3,71
3,66
3,66
1,87
0,07
Küche A
1,720
1,76
1,75
1,73
1,55
0,03
Küche B
2,715
2,78
2,79
2,77
2,39
0,07
Küche C
1,721
1,76
1,76
1,73
1,69
0,03
Küche D
2,709
2,75
2,76
2,74
1,51
0,04
Gesamt
2,39
2,33
2,19
2,30
0,06
Anhang
87
9.2 Indoornavigationsgraph
9.2.1 Beispielgebäude 1: Universität der Bundeswehr München
Nachfolgend ist ein von Graphmapper erzeugter Indoornavigationsgraph des fünften und
sechs-ten Stockwerkes des Gebäudes 41/100 der Universität der Bundeswehr München im
JSON-Format zu sehen. Die Zeilenumbrüche und Texthervorhebungen dienen zur
Verbesserung der Lesbarkeit.
{"mHallwayNet":{
1
"0":{
2
"mConnections":
3
[{"mHallwayToIDList":[1],"mName":"5_Teil3_Treppe2",
4
"mPositionFrom":[-6.7498927,-0.6002545,1.6178916],
5
"mPositionToList":[[-6.836782,-0.38433716,1.6747123]],
6
"mType":"DOOR","mHallwayFromID":0}],
7
"mCuttedObstacleList":[],
8
"mHallwayPoints":
9
[[0.66302687,0.4912916,-1.3116293],[1.2333796,0.4800904,1.1591282],
10
[-6.56161,-0.6058808,2.9104376],[-7.11275,-0.60638064,0.44899368]],
11
"mMarkers":[],"mName":"5_Teil3",
12
"mRooms":
13
[{"mNumber":"5135","mPosition":[-0.5775738,0.6959918,1.5530776]},
14
{"mNumber":"5101","mPosition":[-1.2387679,0.7161212,-0.85825956]},
15
{"mNumber":"5134","mPosition":[-4.45045,0.70465964,2.4068983]},
16
{"mNumber":"5102","mPosition":[-4.931515,0.6947372,-0.050222382]}],
17
"mID":0,"mLevel":5},
18
"1":{
19
"mConnections":
20
[{"mHallwayToIDList":[7],"mName":"5_Treppe2_Oben",
21
"mPositionFrom":[-6.9536853,-1.5056927,3.5744212],
22
"mPositionToList":[[-8.697307,0.48482597,2.2772021]],
23
"mType":"STAIRS","mHallwayFromID":1},
24
{"mHallwayToIDList":[],"mName":"5_Treppe2_Unten",
25
"mPositionFrom":[-9.1257305,-1.3537505,4.136532],
26
"mPositionToList":[],
27
"mType":"STAIRS","mHallwayFromID":1},
28
{"mHallwayToIDList":[2],"mName":"5_Treppe2_Teil2",
29
"mPositionFrom":[-10.183019,-0.32508674,2.374873],
30
"mPositionToList":[[-10.375917,-0.34860864,2.430656]],
31
"mType":"DOOR","mHallwayFromID":1},
32
88
Anhang
{"mHallwayToIDList":[0],"mName":"5_Treppe2_Teil3",
33
"mPositionFrom":[-6.836782,-0.38433716,1.6747123],
34
"mPositionToList":[[-6.7498927,-0.6002545,1.6178916]],
35
"mType":"DOOR", "mHallwayFromID":1}],
36
"mCuttedObstacleList":[],
37
"mHallwayPoints":
38
[[-8.93536,-1.2720764,8.858791],[-10.535353,-0.19576474,1.091019],
39
[-7.0964465,0.68361324,0.3048184],[-5.31728,0.68347746,8.033464]],
40
"mMarkers":[],"mName":"5_Treppe2",
41
"mRooms":
42
[{"mNumber":"5103","mPosition":[-8.946933,0.17235306,0.49508762]}],
43
"mID":1,"mLevel":5},
44
"2":{
45
"mConnections":
46
[{"mHallwayToIDList":[1],"mName":"5_Teil2_Treppe2",
47
"mPositionFrom":[-10.375917,-0.34860864,2.430656],
48
"mPositionToList":[[-10.183019,-0.32508674,2.374873]],
49
"mType":"DOOR","mHallwayFromID":2},
50
{"mHallwayToIDList":[3],"mName":"5_Teil2_Treppe1",
51
"mPositionFrom":[-30.22147,0.0014157007,6.4068866],
52
"mPositionToList":[[-29.759666,0.070659906,8.003478]],
53
"mType":"DOOR","mHallwayFromID":2}],
54
"mCuttedObstacleList":[],
55
"mHallwayPoints":
56
[[-10.551396,-0.30627573,1.1920576],[-9.991372,-0.2351041,3.674098],
57
[-29.907408,0.010351918,7.7311215],[-30.374876,0.010565354,5.8044558]],
58
"mMarkers":[],"mName":"5_Teil2",
59
"mRooms":
60
[{"mNumber":"5132","mPosition":[-12.219883,0.9259951,4.137427]},
61
{"mNumber":"5104","mPosition":[-12.829584,0.985408,1.7227613]},
62
{"mNumber":"5131","mPosition":[-15.964207,0.95559,5.0550904]},
63
{"mNumber":"5105","mPosition":[-16.617256,0.96233565,2.653391]},
64
{"mNumber":"5130","mPosition":[-19.910982,1.070554,6.020571]},
65
{"mNumber":"5106","mPosition":[-20.503925,1.022215,3.5682046]},
66
{"mNumber":"5129","mPosition":[-23.766375,1.0516883,6.9381547]},
67
{"mNumber":"5107","mPosition":[-24.383417,1.0873473,4.478927]},
68
{"mNumber":"5128","mPosition":[-27.561886,1.1180073,7.8694634]},
69
{"mNumber":"5108","mPosition":[-27.391212,1.159298,5.244633]}],
70
"mID":2,"mLevel":5},
71
"3":{
72
"mConnections":
73
[{"mHallwayToIDList":[2],"mName":"5_Treppe1_Teil2",
74
"mPositionFrom":[-29.759666,0.070659906,8.003478],
75
Anhang
89
"mPositionToList":[[-30.22147,0.0014157007,6.4068866]],
76
"mType":"DOOR","mHallwayFromID":3},
77
{"mHallwayToIDList":[5],"mName":"5_Lift",
78
"mPositionFrom":[-35.33568,1.4301503,7.39233],
79
"mPositionToList":[[-35.493114,3.6738005,6.9606194]],
80
"mType":"LIFT","mHallwayFromID":3},
81
{"mHallwayToIDList":[4],
82
"mName":"5_Treppe1_Teil1",
83
"mPositionFrom":[-41.02078,0.27622855,10.248471],
84
"mPositionToList":[[-40.965183,0.07738973,11.200138]],
85
"mType":"DOOR","mHallwayFromID":3},
86
{"mHallwayToIDList":[5],"mName":"5_Treppe1_Oben",
87
"mPositionFrom":[-37.441128,-0.78964645,13.341036],
88
"mPositionToList":[[-31.787037,2.419161,11.678248]],
89
"mType":"STAIRS","mHallwayFromID":3},
90
{"mHallwayToIDList":[],"mName":"5_Treppe1_Unten",
91
"mPositionFrom":[-31.567957,-1.0192668,11.648989],
92
"mPositionToList":[],
93
"mType":"STAIRS","mHallwayFromID":3}],
94
"mCuttedObstacleList":[],
95
"mHallwayPoints":
96
[[-30.31828,-0.09836326,6.0240455],[-28.50573,0.5221773,13.003537],
97
[-39.280834,0.3988708,16.70009],[-41.357246,0.38901126,8.961239]],
98
"mMarkers":[],"mName":"5_Treppe1",
99
"mRooms":
100
[{"mNumber":"5111","mPosition":[-32.696384,1.313719,6.6718864]},
101
{"mNumber":"5113","mPosition":[-38.413113,1.3619235,8.207669]},
102
{"mNumber":"5114","mPosition":[-40.249157,1.4691955,8.696301]}],
103
"mID":3,"mLevel":5},
104
"4":{
105
"mConnections":
106
[{"mHallwayToIDList":[3],"mName":"5_Teil1_Treppe1",
107
"mPositionFrom":[-40.965183,0.07738973,11.200138],
108
"mPositionToList":[[-41.02078,0.27622855,10.248471]],
109
"mType":"DOOR","mHallwayFromID":4}],
110
"mCuttedObstacleList":[],
111
"mHallwayPoints":
112
[[-60.184307,1.0006125,17.401152],[-60.793213,0.81839865,15.288512],
113
[-41.507763,0.057613708,9.194681],[-40.838562,0.05950681,11.430182]],
114
"mMarkers":[],"mName":"5_Teil1",
115
"mRooms":
116
[{"mNumber":"5121","mPosition":[-58.344654,1.4246306,16.839706]},
117
{"mNumber":"5119","mPosition":[-59.057213,1.5332867,14.437986]},
118
90
Anhang
{"mNumber":"5118","mPosition":[-55.3303,1.4616346,13.390998]},
119
{"mNumber":"5122","mPosition":[-54.608913,1.558078,15.7623625]},
120
{"mNumber":"5117","mPosition":[-51.311783,1.4363625,12.365945]},
121
{"mNumber":"5123","mPosition":[-50.620735,1.4339086,14.745507]},
122
{"mNumber":"5116","mPosition":[-47.5134,1.3995111,11.206598]},
123
{"mNumber":"5124","mPosition":[-46.967854,1.3214486,13.545103]},
124
{"mNumber":"5115","mPosition":[-43.82409,1.2627474,9.857478]},
125
{"mNumber":"5125","mPosition":[-43.19548,1.2664789,12.292449]}],
126
"mID":4,"mLevel":5},
127
"5":{
128
"mConnections":
129
[{"mHallwayToIDList":[3],"mName":"6_Treppe1_Unten",
130
"mPositionFrom":[-31.787037,2.419161,11.678248],
131
"mPositionToList":[[-37.441128,-0.78964645,13.341036]],
132
"mType":"STAIRS","mHallwayFromID":5},
133
{"mHallwayToIDList":[],"mName":"6_Treppe1_Door",
134
"mPositionFrom":[-41.00422,3.4665632,11.086823],
135
"mPositionToList":[],
136
"mType":"DOOR","mHallwayFromID":5},
137
{"mHallwayToIDList":[3],"mName":"6_Lift",
138
"mPositionFrom":[-35.493114,3.6738005,6.9606194],
139
"mPositionToList":[[-35.33568,1.4301503,7.39233]],
140
"mType":"LIFT","mHallwayFromID":5},
141
{"mHallwayToIDList":[6],"mName":"6_Treppe1_Teil1",
142
"mPositionFrom":[-29.86874,3.2188773,7.765329],
143
"mPositionToList":[[-29.573658,3.2719169,7.7113786]],
144
"mType":"DOOR","mHallwayFromID":5}],
145
"mCuttedObstacleList":[],
146
"mHallwayPoints":
147
[[-30.4909,3.2324097,5.6448646],[-28.55854,4.251671,12.87212],
148
[-39.34955,3.7310667,16.50146],[-41.554527,3.7307537,9.409111]],
149
"mMarkers":[],"mName":"6_Treppe1",
150
"mRooms":
151
[{"mNumber":"6114","mPosition":[-40.28357,4.615425,8.743238]},
152
{"mNumber":"6113","mPosition":[-38.57597,4.568244,8.276747]},
153
{"mNumber":"6111","mPosition":[-32.83107,4.394678,6.559834]},
154
{"mNumber":"6109","mPosition":[-30.941795,4.41632,6.0474887]}],
155
"mID":5,"mLevel":6},
156
"6":{
157
"mConnections":
158
[{"mHallwayToIDList":[5],"mName":"6_Teil1_Treppe1",
159
"mPositionFrom":[-29.573658,3.2719169,7.7113786],
160
"mPositionToList":[[-29.86874,3.2188773,7.765329]],
161
Anhang
91
"mType":"DOOR","mHallwayFromID":6},
162
{"mHallwayToIDList":[7],"mName":"6_Teil1_Treppe2",
163
"mPositionFrom":[-9.991363,2.8266501,2.2067096],
164
"mPositionToList":[[-9.73555,1.5706735,1.4130187]],
165
"mType":"DOOR","mHallwayFromID":6}],
166
"mCuttedObstacleList":[],
167
"mHallwayPoints":
168
[[-30.123693,3.7458673,5.6570415],[-10.418141,2.8445728,0.46117908],
169
[-9.812261,2.9373305,2.6160305],[-29.647161,2.9370425,7.3159018]],
170
"mMarkers":[],"mName":"6_Teil1",
171
"mRooms":
172
[{"mNumber":"6108","mPosition":[-27.363598,4.433641,4.921842]},
173
{"mNumber":"6128","mPosition":[-27.505198,4.436439,7.5651045]},
174
{"mNumber":"6107","mPosition":[-24.396671,4.329544,4.1392374]},
175
{"mNumber":"6129","mPosition":[-23.666983,4.3830767,6.5132713]},
176
{"mNumber":"6108","mPosition":[-20.569614,4.239384,2.9214234]},
177
{"mNumber":"6130","mPosition":[-20.05171,4.2441816,5.2790513]},
178
{"mNumber":"6105","mPosition":[-16.814646,4.1688485,1.7428623]},
179
{"mNumber":"6131","mPosition":[-16.214968,4.198691,4.209328]},
180
{"mNumber":"6104","mPosition":[-12.903312,4.144369,0.74101055]},
181
{"mNumber":"6132","mPosition":[-12.281331,4.10187,3.1983469]}],
182
"mID":6,"mLevel":6},
183
"7":{
184
"mConnections":
185
[{"mHallwayToIDList":[6],"mName":"6_Treppe2_Teil1",
186
"mPositionFrom":[-9.73555,1.5706735,1.4130187],
187
"mPositionToList":[[-9.991363,2.8266501,2.2067096]],
188
"mType":"DOOR","mHallwayFromID":7},
189
{"mHallwayToIDList":[1],"mName":"6_Treppe2_Unten",
190
"mPositionFrom":[-8.697307,0.48482597,2.2772021],
191
"mPositionToList":[[-6.9536853,-1.5056927,3.5744212]],
192
"mType":"STAIRS","mHallwayFromID":7}],
193
"mCuttedObstacleList":[],
194
"mHallwayPoints":
195
[[-10.1951885,2.764646,-0.78571355],[-6.790683,2.3266468,-1.6704546],
196
[-4.8384066,0.7745725,5.7103305],[-8.412057,0.7908735,6.7101316]],
197
"mMarkers":[],"mName":"6_Treppe2",
198
"mRooms":
199
[{"mNumber":"6103","mPosition":[-8.758565,1.9580755,-1.370089]},
200
{"mNumber":"6101","mPosition":[-6.4497733,2.645849,-0.47353917]}],
201
"mID":7,"mLevel":6}},
202
"mSavedIDCounter":8}
203
92
Anhang
9.2.2 Beispielgebäude 2: 4-Zimmer-Wohnung in Erding
Nachfolgend ist ein von Graphmapper erzeugter Indoornavigationsgraph einer 4-Zimmer-
Woh-nung in Erding im JSON-Format zu sehen. Die Zeilenumbrüche und
Texthervorhebungen die-nen zur Verbesserung der Lesbarkeit.
{"mHallwayNet":{
1
"0":{
2
"mConnections":
3
[{"mHallwayToIDList":[1],"mName":"Kind2_Gang",
4
"mPositionFrom":[-2.3088243,0.7883413,2.1746564],
5
"mPositionToList":[[-2.381808,0.7813856,2.2030933]],
6
"mType":"DOOR","mHallwayFromID":0}],
7
"mCuttedObstacleList":[],
8
"mHallwayPoints":
9
[[1.2053232,0.5004715,-2.0923424],[2.4005663,0.60588145,0.5025737],
10
[-2.062626,0.73920375,2.682015],[-3.3221858,0.7392616,0.113345504]],
11
"mMarkers":[],"mName":"Kind2","mRooms":[],"mID":0,"mLevel":0},
12
"1":{
13
"mConnections":
14
[{"mHallwayToIDList":[2],"mName":"Gang_Eltern",
15
"mPositionFrom":[-4.970684,0.8158272,3.432592],
16
"mPositionToList":[[-5.189813,0.7836393,3.523577]],
17
"mType":"DOOR","mHallwayFromID":1},
18
{"mHallwayToIDList":[4],"mName":"Gang_Esszimmer",
19
"mPositionFrom":[-3.0083635,0.8504797,3.7117708],
20
"mPositionToList":[[-2.9819438,0.8100206,3.8688035]],
21
"mType":"DOOR","mHallwayFromID":1},
22
{"mHallwayToIDList":[3],"mName":"Gang_Bad",
23
"mPositionFrom":[-3.8073442,0.7802603,2.3236969],
24
"mPositionToList":[[-3.8659904,0.8316778,2.1221693]],
25
"mType":"DOOR","mHallwayFromID":1},
26
{"mHallwayToIDList":[0],"mName":"Gang_Kind2",
27
"mPositionFrom":[-2.381808,0.7813856,2.2030933],
28
"mPositionToList":[[-2.3088243,0.7883413,2.1746564]],
29
"mType":"DOOR","mHallwayFromID":1}],
30
"mCuttedObstacleList":[],
31
"mHallwayPoints":[
32
[-2.59502,0.8892745,1.75602],[-2.1638534,0.79277164,2.673827],
33
[-2.8324506,0.812267,2.9757986],[-2.5769055,0.84203905,3.5298424],
34
[-4.4761114,0.8770526,4.422311],[-5.16625,0.8770525,3.0007806]],
35
"mMarkers":[],"mName":"Gang","mRooms":[],"mID":1,"mLevel":0},
36
Anhang
93
"2":{
37
"mConnections":
38
[{"mHallwayToIDList":[1],"mName":"Eltern_Gang",
39
"mPositionFrom":[-5.189813,0.7836393,3.523577],
40
"mPositionToList":[[-4.970684,0.8158272,3.432592]],
41
"mType":"DOOR","mHallwayFromID":2}],
42
"mCuttedObstacleList":[],
43
"mHallwayPoints":
44
[[-9.552209,0.39693534,2.9831843],[-6.2069006,0.4651827,1.4024698],
45
[-4.6792684,0.9603979,4.5886226],[-7.935024,0.9626559,6.2210217]],
46
"mMarkers":
47
[{"mName":"Fenster","mPosition":[-7.9757996,0.99423057,4.906245]}],
48
"mName":"Eltern","mRooms":[],"mID":2,"mLevel":0},
49
"3":{
50
"mConnections":
51
[{"mHallwayToIDList":[1],"mName":"Bad_Gang",
52
"mPositionFrom":[-3.8659904,0.8316778,2.1221693],
53
"mPositionToList":[[-3.8073442,0.7802603,2.3236969]],
54
"mType":"DOOR","mHallwayFromID":3}],
55
"mCuttedObstacleList":[],
56
"mHallwayPoints":
57
[[-6.041468,0.92746997,1.2983952],[-4.128488,0.84767616,0.3511291],
58
[-3.9820042,0.82688695,0.6646842],[-3.2900693,0.91831815,0.34375963],
59
[-2.6999989,0.88666755,1.4892423],[-5.2631445,0.8866677,2.8179023]],
60
"mMarkers":[],"mName":"Bad","mRooms":[],"mID":3,"mLevel":0},
61
"4":{
62
"mConnections":
63
[{"mHallwayToIDList":[1],"mName":"Esszimmer_Gang",
64
"mPositionFrom":[-2.9819438,0.8100206,3.8688035],
65
"mPositionToList":[[-3.0083635,0.8504797,3.7117708]],
66
"mType":"DOOR","mHallwayFromID":4},
67
{"mHallwayToIDList":[6],"mName":"Esszimmer_Wohnzimmer",
68
"mPositionFrom":[-1.713848,0.7126787,4.554394],
69
"mPositionToList":[[-1.494457,0.8507151,4.338872]],
70
"mType":"DOOR","mHallwayFromID":4},
71
{"mHallwayToIDList":[7],"mName":"Esszimmer_Diele",
72
"mPositionFrom":[-1.9925939,0.78598666,6.024118],
73
"mPositionToList":[[-1.685432,0.75161505,5.738834]],
74
"mType":"DOOR","mHallwayFromID":4},
75
{"mHallwayToIDList":[5],"mName":"Esszimmer_Kueche",
76
"mPositionFrom":[-5.1770806,0.83446527,7.6387405],
77
"mPositionToList":[[-5.1279783,0.8154783,7.7321053]],
78
"mType":"DOOR","mHallwayFromID":4}],
79
94
Anhang
"mCuttedObstacleList":[],
80
"mHallwayPoints":
81
[[-6.057453,0.9823025,8.104772],[-7.107907,0.519839,5.9996276],
82
[-2.2191901,0.9078081,3.480204],[-1.0420258,0.90828425,5.611663]],
83
"mMarkers":[],"mName":"Esszimmer",
84
"mRooms":
85
[{"mNumber":"Balkon","mPosition":[-6.366476,0.8909819,7.3049884]}],
86
"mID":4,"mLevel":0},
87
"5":{
88
"mConnections":
89
[{"mHallwayToIDList":[4],"mName":"Kueche_Esszimmer",
90
"mPositionFrom":[-5.1279783,0.8154783,7.7321053],
91
"mPositionToList":[[-5.1770806,0.83446527,7.6387405]],
92
"mType":"DOOR","mHallwayFromID":5}],
93
"mCuttedObstacleList":[],
94
"mHallwayPoints":
95
[[-3.2383559,0.75610805,8.762999],[-5.7247057,0.6824822,10.037351],
96
[-6.5340953,0.7322512,8.448502],[-4.069422,0.73236316,7.209533]],
97
"mMarkers":[],"mName":"Kueche","mRooms":[],"mID":5,"mLevel":0},
98
"6":{
99
"mConnections":
100
[{"mHallwayToIDList":[4],"mName":"Wohnzimmer_Esszimmer",
101
"mPositionFrom":[-1.494457,0.8507151,4.338872],
102
"mPositionToList":[[-1.713848,0.7126787,4.554394]],
103
"mType":"DOOR","mHallwayFromID":6}],
104
"mCuttedObstacleList":[],
105
"mHallwayPoints":
106
[[-0.6835713,0.89065003,6.0309315],[-2.3112104,0.5255931,2.7168736],
107
[2.7518706,0.8034994,0.29870164],[4.342659,0.8047133,3.6418817]],
108
"mMarkers":[],"mName":"Wohnzimmer",
109
"mRooms":
110
[{"mNumber":"Terrasse","mPosition":[3.773063,0.9865195,3.8542495]}],
111
"mID":6,"mLevel":0},
112
"7":{
113
"mConnections":
114
[{"mHallwayToIDList":[4],"mName":"Diele_Esszimmer",
115
"mPositionFrom":[-1.685432,0.75161505,5.738834],
116
"mPositionToList":[[-1.9925939,0.78598666,6.024118]],
117
"mType":"DOOR","mHallwayFromID":7},
118
{"mHallwayToIDList":[8],"mName":"Diele_Kind1",
119
"mPositionFrom":[-0.5822488,0.8049408,6.546386],
120
"mPositionToList":[[-0.14717092,0.9238336,6.7730665]],
121
"mType":"DOOR","mHallwayFromID":7},
122
Anhang
95
{"mHallwayToIDList":[9],"mName":"Diele_WC",
123
"mPositionFrom":[-2.116643,0.7377564,7.430863],
124
"mPositionToList":[[-2.0134254,0.956888,8.048605]],
125
"mType":"DOOR","mHallwayFromID":7},
126
{"mHallwayToIDList":[],"mName":"Eingangstuer",
127
"mPositionFrom":[-0.9542672,0.54942656,7.3394814],
128
"mPositionToList":[],
129
"mType":"DOOR","mHallwayFromID":7}],
130
"mCuttedObstacleList":[],
131
"mHallwayPoints":
132
[[-0.3238601,0.88767904,7.0630407],[-1.9325974,0.8882136,7.8293753],
133
[-2.4755778,0.86745054,6.660846],[-2.0199208,0.70721924,6.4479494],
134
[-2.225119,0.84599864,5.985537],[-1.1047504,0.84600836,5.4700584]],
135
"mMarkers":[],"mName":"Diele","mRooms":[],"mID":7,"mLevel":0},
136
"8":{
137
"mConnections":
138
[{"mHallwayToIDList":[7],"mName":"Kind1_Diele",
139
"mPositionFrom":[-0.14717092,0.9238336,6.7730665],
140
"mPositionToList":[[-0.5822488,0.8049408,6.546386]],
141
"mType":"DOOR","mHallwayFromID":8}],
142
"mCuttedObstacleList":[],
143
"mHallwayPoints":
144
[[3.4007773,0.60828364,4.5022907],[4.5037866,0.9653581,6.7570853],
145
[0.75691575,1.0214801,8.597582],[-0.3368199,1.0214803,6.397736]],
146
"mMarkers":[],"mName":"Kind1","mRooms":[],"mID":8,"mLevel":0},
147
"9":{
148
"mConnections":
149
[{"mHallwayToIDList":[7],"mName":"WC_Diele",
150
"mPositionFrom":[-2.0134254,0.956888,8.048605],
151
"mPositionToList":[[-2.116643,0.7377564,7.430863]],
152
"mType":"DOOR","mHallwayFromID":9}],
153
"mCuttedObstacleList":[],
154
"mHallwayPoints":
155
[[-3.641819,0.98704445,7.6025133],[-2.3754346,0.8240273,7.005641],
156
[-1.782365,1.0506248,8.239561],[-3.021438,1.0541906,8.845918]],
157
"mMarkers":[],"mName":"WC","mRooms":[],"mID":9,"mLevel":0}},
158
"mSavedIDCounter":10}
159
96
Anhang
9.3 Gliederung der beigelegten DVD
· Elektronische Version der Masterarbeit
· Demonstrationsvideo der Applikation Graphmapper
· Indoornavigationsgraphen im JSON-Format
o
Fünftes und sechstes Stockwerk des Gebäudes 41/100 der Universität der
Bundeswehr München
o
4-Zimmer-Wohnung in Erding
· Projektordner der Applikation Graphmapper (Android Studio)
o
Quellcode
o
Dokumentation (JavaDoc)
o
Tango-Bibliotheken
Anhang
97
Abbildungsverzeichnis
ABBILDUNG 2-1: GOOGLE MAPS: MERCEDES-BENZ-ARENA BERLIN MIT GEBÄUDEPLÄNEN FÜR JEDES
STOCKWERK [2] ... 4
ABBILDUNG 2-2: KOMPONENTEN EINES INDOORNAVIGATIONSSYSTEMS ALS INFORMATIONSFLUSSDIAGRAMM
[5] ... 6
ABBILDUNG 3-1: LOS ZWISCHEN STATION A UND C, NLOS ZWISCHEN STATION A UND B ... 9
ABBILDUNG 3-2: MEHRWEGEAUSBREITUNG EINES SIGNALS ZWISCHEN STATION A UND B ... 10
ABBILDUNG 3-3: PRINZIP DER KOPPELNAVIGATION (ENGL. DEAD RECKONING) [12] ... 11
ABBILDUNG 3-4: TRILATERATION (KUGELSCHNITTE MIT TOA-MESSUNGEN DREIER BEKANNTER STATIONEN),
LINKS: RÄUMLICHE ANSICHT [13], RECHTS: ZWEIDIMENSIONALE ANSICHT ... 13
ABBILDUNG 3-5: MULTILATERATION (ZWEIDIMENSIONALE HYPERBELSCHNITTE DURCH TDOA-MESSUNGEN)
[17] ... 14
ABBILDUNG 3-6: TRIANGULATION (ZWEIDIMENSIONALE POSITIONSBESTIMMUNG DURCH AOA-MESSUNGEN)
[17] ... 14
ABBILDUNG 3-7: DAS KALMAN-FILTER ALS ITERATIVER KREISLAUF ... 16
ABBILDUNG 3-8: ÜBERBLICK TYPISCHER LOKALISIERUNGSTECHNOLOGIEN DER INDOORNAVIGATION ... 17
ABBILDUNG 3-9: LINKS OBEN: SMARTPHONE WEIT VOM BEACON ENTFERNT, VERRINGERTE SIGNALSTÄRKE
UND SOMIT REDUZIERTE GENAUIGKEIT; RECHTS OBEN: SMARTPHONE NÄHER AM BEACON, WESHALB
SIGNALSTÄRKE UND SOMIT DIE GENAUIGKEIT STEIGEN; LINKS UNTEN: PHYSISCHE OBJEKTE (Z.B. WÄNDE)
REDUZIEREN SIGNALSTÄRKE; RECHTS UNTEN: MENSCHEN BEEINFLUSSEN DAS SIGNAL [37] ... 21
ABBILDUNG 3-10: BSB NAVIGATOR INDOOR NAVIGATIONSSYSTEM FÜR DIE BAYERISCHE STAATSBIBLIOTHEK
[38] ... 21
ABBILDUNG 3-11: SCHEMATISCHE DARSTELLUNG EINES INERTIALEN NAVIGATIONSSYSTEMS [41] ... 24
ABBILDUNG 3-12: INTEGRATION VON INERTIALER ODOMETRIE MIT EINER GLOBALEN
LOKALISIERUNGSTECHNOLOGIE DURCH MULTISENSORFUSION MIT EINEM KALMAN-FILTER IN EINEM
SOG. HYBRIDEN SYSTEM (ABGEWANDELT NACH [42])... 25
ABBILDUNG 3-13: BEISPIEL EINER BILDERSEQUENZ (AUFGENOMMEN MIT EINEM IPHONE 6S) ... 26
ABBILDUNG 3-14: WIEDERERKENNEN VON MERKMALEN DURCH MATCHING-ALGORITHMUS (ABGEWANDELT
NACH [49]) ... 28
ABBILDUNG 4-1: LINKS: DREISCHICHTIGES INDOORGML MODELL, RECHTS: INTER-LAYER-VERBINDUNGEN [56]
... 37
ABBILDUNG 4-2: STRUKTURIERTES (SSM) UND MEHRSCHICHTIGES (MLSM) RAUMMODELL IN INDOORGML [56]
... 38
ABBILDUNG 4-3: KARTENABGLEICH (MAP MATCHING), UM POSITIONSINFORMATIONEN UND DIGITALE KARTE
IN VERBINDUNG ZU BRINGEN (ABGEWANDELT NACH [58]) ... 39
ABBILDUNG 4-4: GOOGLE MAPS (APPLE IOS): LOKALISIERUNGSUNGENAUIGKEIT ALS BLAUER KREIS, STEIGENDE
GENAUIGKEIT IN DER POSITIONSBESTIMMUNG IN DER RECHTEN GEGENÜBER DER LINKEN
BILDSCHIRMAUFNAHME (AUFGENOMMEN MIT EINEM IPHONE 6S) ... 39
ABBILDUNG 5-1: LINKS & MITTE: AR- UND 2D-NAVIGATIONSANWEISUNGEN (NAVVIS [62]), RECHTS: 2D-
NAVIGATIONSANWEISUNGEN BZW. VISUALISIERUNG DER BERECHNETEN ROUTE (BSB NAVIGATOR [38])
... 41
98
Abbildungsverzeichnis
ABBILDUNG 6-1: LINKS: ERSTES ENTWICKLUNGSSMARTPHONE [68], RECHTS: AKTUELLES
ENTWICKLUNGSTABLET [69] ... 47
ABBILDUNG 6-2: VORDERSEITE (OBEN) UND RÜCKSEITE (UNTEN) DES ,,YELLOWSTONE TABLETS" [70] ... 48
ABBILDUNG 6-3: LINKS: KORREKTUR DES MOTION TRACKING, RECHTS: LOKALISIERUNG DURCH AREA LEARNING
[73] ... 50
ABBILDUNG 7-1: GRAPHISCHE REPRÄSENTATION DES FÜNFTEN STOCKWERKES DES GEBÄUDES 41/100 DER
UNIVERSITÄT DER BUNDESWEHR MÜNCHEN (ZEICHNUNG NICHT MAßSTABSGETREU) ... 53
ABBILDUNG 7-2: LINKS: HALLWAYNETZWERK DES FÜNFTEN UND SECHSTEN STOCKWERKES DES GEBÄUDES
41/100 DER UNIVERSITÄT DER BUNDESWEHR MÜNCHEN, RECHTS: HALLWAY ,,5_TEIL2" IM DETAIL ... 54
ABBILDUNG 7-3: GRAPHISCHE REPRÄSENTATION EINER 4-ZIMMER-WOHNUNG IN ERDING ... 55
ABBILDUNG 7-4: INDOORNAVIGATIONSGRAPH BZW. NETZWERK: ÜBERSICHT DER KLASSENDIAGRAMME AUS
DEM PACKAGE ,,GRAPH" (VEREINFACHTE DARSTELLUNG OHNE FUNKTIONEN BZW. METHODEN) ... 56
ABBILDUNG 7-5: ÜBERSICHT ÜBER DIE WICHTIGSTEN ANWENDUNGSFÄLLE DER APPLIKATION GRAPHMAPPER
... 57
ABBILDUNG 7-6: PACKAGESTRUKTUR UND DEREN KLASSEN IN DER ANWENDUNG GRAPHMAPPER ... 58
ABBILDUNG 7-7: ENTSTEHUNGSPROZESS DER ECKPUNKTE DURCH SCHNEIDEN VON EBENEN, DIE DURCH
WANDMESSUNGEN (WALLMEASUREMENT) UND DER TIEFENWAHRNEHMUNG DES GERÄTS ENTSTEHEN
... 59
ABBILDUNG 7-8: AKTIVITÄTSDIAGRAMM DER INITIALISIERUNGSPHASE DER ANWENDUNG ... 60
ABBILDUNG 7-9: AKTIVITÄTSDIAGRAMM ZUM VERHALTEN DES PROGRAMMS BEI ERHALTEN EINES NEUEN
FRAMES ... 62
ABBILDUNG 7-10: AKTIVITÄTSDIAGRAMM ZUM VERHALTEN DES PROGRAMMS BEI ANKLICKEN VON
DISPLAYPOSITIONEN ... 63
ABBILDUNG 7-11: AKTIVITÄTSDIAGRAMM ZUM HINZUFÜGEN EINER NEUEN HALLWAY ... 63
ABBILDUNG 7-12: AKTIVITÄTSDIAGRAMM ZUM BEENDEN DES AUFZEICHNUNGSMODUS ... 64
ABBILDUNG 7-13: AUFZEICHNUNGSANSICHT DER APPLIKATION GRAPHMAPPER ... 65
ABBILDUNG 7-14: KARTENANSICHT DER APPLIKATION GRAPHMAPPER MIT GEBÄUDEPLAN EINES
STOCKWERKES ... 66
ABBILDUNG 7-15: LINKS: KARTENANSICHT DER APPLIKATION GRAPHMAPPER MIT GEBÄUDEPLAN DER
HALLWAY ,,ESSZIMMER", RECHTS: ANZEIGE DER ERFOLGREICHEN RELOKALISIERUNG IM VIEWER-MODUS
... 66
ABBILDUNG 7-16: DURCHSCHNITTLICHE ABWEICHUNG DER LÄNGENANGABEN VON GRAPHMAPPER PRO
STRECKE IN BEZUG ZU DEN WERTEN DES LASER-ENTFERNUNGSMESSGERÄTS PRO DURCHLAUF (ANGABEN
IN PROZENT) ... 68
ABBILDUNG 7-17: OBEN: REFERENZPLAN DES FÜNFTEN STOCKWERKES DES GEBÄUDES 41/100 DER
UNIVERSITÄT DER BUNDESWEHR MÜNCHEN, UNTEN: VON GRAPHMAPPER ERZEUGTER PLAN MIT POIS 70
ABBILDUNG 7-18: OBEN: REFERENZPLAN DES SECHSTEN STOCKWERKES DES GEBÄUDES 41/100 DER
UNIVERSITÄT DER BUNDESWEHR MÜNCHEN, UNTEN: VON GRAPHMAPPER ERZEUGTER PLAN MIT POIS 70
ABBILDUNG 7-19: LINKS: VON GRAPHMAPPER ERZEUGTER PLAN MIT POIS, RECHTS: VON GRAPHMAPPER
ERZEUGTER PLAN MIT BESCHRIFTUNGEN DER HALLWAYS ... 71
ABBILDUNG 7-20: HALLWAYS UND DEREN VERBUNDENE ENTRYPOINTS DES FÜNFTEN UND SECHSTEN
STOCKWERKES DES GEBÄUDES 41/100 DER UNIVERSITÄT DER BUNDESWEHR MÜNCHEN ... 72
ABBILDUNG 7-21: HALLWAYS UND DEREN VERBUNDENE ENTRYPOINTS EINER 4-ZIMMER-WOHNUNG IN
ERDING ... 72
Anhang
99
ABBILDUNG 7-22: ERZEUGTER INDOORNAVIGATIONSGRAPH EINER 4-ZIMMER-WOHNUNG IN ERDING ... 72
ABBILDUNG 9-1: REFERENZPLAN DES FÜNFTEN UND SECHSTEN STOCKWERKES DES GEBÄUDES 41/100 DER
UNIVERSITÄT DER BUNDESWEHR MÜNCHEN (ZEICHNUNG NICHT MAßSTABSGETREU) ... 79
ABBILDUNG 9-2: REFERENZPLAN EINER 4-ZIMMER-WOHNUNG IN ERDING ... 83
100
Tabellenverzeichnis
Tabellenverzeichnis
TABELLE 2-1: VERGLEICH ZWISCHEN OUTDOOR- UND INDOORNAVIGATION MIT MOBILEN ENDGERÄTEN
(ABGEWANDELT UND ERGÄNZT NACH [6]) ... 6
TABELLE 3-1: ÜBERBLICK TYPISCHER LOKALISIERUNGSTECHNOLOGIEN DER INDOORNAVIGATION, DIE
(TYPISCHE) REICHWEITE BEZIEHT SICH AUF EINEN EINZELNEN KNOTEN (ABGEWANDELT UND ERGÄNZT
NACH [32]) ... 18
TABELLE 4-1: MERKMALE UND VARIANTEN DER KARTIERUNGSTECHNIKEN FÜR DIE INDOORNAVIGATION ... 32
TABELLE 5-1: VERGLEICH ZWISCHEN DIJKSTRA-, A*- UND BELLMAN-FORD-ALGORITHMUS HINSICHTLICH
GESCHWINDIGKEIT, VERWENDUNGSMÖGLICHKEIT UND QUALITÄT DER ERGEBNISSE (ABGEWANDELT
UND ERGÄNZT NACH [18]) ... 42
TABELLE 7-1: DURCHSCHNITTLICHE ABWEICHUNG DER LÄNGENANGABEN VON GRAPHMAPPER PRO STRECKE
NACH DREI DURCHLÄUFEN PRO MESSREIHE IN BEZUG ZU DEN WERTEN DES LASER-
ENTFERNUNGSMESSGERÄTS (ANGABEN IN PROZENT UND IN METERN) ... 67
TABELLE 9-1: MESSREIHE 1 (OHNE UNTERBRECHUNG) DREI VOLLSTÄNDIGE DURCHLÄUFE DES FÜNFTEN UND
SECHSTEN STOCKWERKES DES GEBÄUDES 41/100 DER UNIVERSITÄT DER BUNDESWEHR MÜNCHEN UND
DURCHSCHNITTLICHE ABWEICHUNG VON DEN LASERWERTEN IN PROZENT UND IN METER ... 79
TABELLE 9-2: MESSREIHE 2 (MIT UNTERBRECHUNG) DREI DURCHLÄUFE DES FÜNFTEN UND SECHSTEN
STOCKWERKES DES GEBÄUDES 41/100 DER UNIVERSITÄT DER BUNDESWEHR MÜNCHEN MIT
ZWISCHENSPEICHERN NACH DEM ERSTEN STOCKWERK UND DURCHSCHNITTLICHE ABWEICHUNG VON
DEN LASERWERTEN IN PROZENT UND IN METER ... 80
TABELLE 9-3: MESSREIHE 3 (OHNE UNTERBRECHUNG) DREI VOLLSTÄNDIGE DURCHLÄUFE DES FÜNFTEN UND
SECHSTEN STOCKWERKES DES GEBÄUDES 41/100 DER UNIVERSITÄT DER BUNDESWEHR MÜNCHEN UND
DURCHSCHNITTLICHE ABWEICHUNG VON DEN LASERWERTEN IN PROZENT UND IN METER (AUFNAHMEN
OHNE TAGESLICHT UND MIT ABGEKLEBTEN GLASTÜREN) ... 82
TABELLE 9-4: MESSREIHE 1 (OHNE UNTERBRECHUNG) DREI VOLLSTÄNDIGE DURCHLÄUFE EINER 4-ZIMMER-
WOHNUNG IN ERDING UND DURCHSCHNITTLICHE ABWEICHUNG VON DEN LASERWERTEN IN PROZENT
UND IN METER ... 83
TABELLE 9-5: MESSREIHE 2 (MIT UNTERBRECHUNG) DREI DURCHLÄUFE EINER 4-ZIMMER-WOHUNG IN
ERDING MIT ZWISCHENSPEICHERN NACH JEDER HALLWAY UND DURCHSCHNITTLICHE ABWEICHUNG VON
DEN LASERWERTEN IN PROZENT UND IN METER ... 85
Anhang
101
Formelverzeichnis
FORMEL 3-1: BERECHNUNG DER DISTANZ ZWISCHEN SENDER UND EMPFÄNGER BEI DER TOA-METHODE [9] . 11
FORMEL 3-2: KUGELGLEICHUNG EINER TOA-MESSUNG (RESULTIERT AUS ABSTAND ZWISCHEN SENDER UND
EMPFÄNGER) [13] ... 12
FORMEL 3-3: HYPERBELGLEICHUNG EINER TDOA-MESSUNG (RESULTIERT AUS ABSTANDSDIFFERENZ ZWISCHEN
ZWEI BEKANNTEN UND EINER UNBEKANNTEN STATION) [13] ... 13
102
Literaturverzeichnis
Literaturverzeichnis
[1]
Colin Ellard: You are Here Why can we find our way to the moon but get lost in the mall?, Doubleday,
2009
[2]
Google Maps: Mercedes-Benz-Arena Berlin, https://www.google.de/maps/place/Mercedes-
Benz+Arena+Berlin/ [Zugriff am: 29.05.2016]
[3]
Hassan A. Karimi: Universal Navigation on Smartphones, Springer Science+Business Media, New
York, 2011, Kap. 1 & 3
[4]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Preface & Kap. 3
[5]
Hassan A. Karimi: Universal Navigation on Smartphones, Springer Science+Business Media, New
York, 2011, Abb. 1.3 (S. 3)
[6]
Hassan A. Karimi: Universal Navigation on Smartphones, Springer Science+Business Media, New
York, 2011, Tab. 1.2 & 1.3 (S. 11-12)
[7]
Hassan A. Karimi: Universal Navigation on Smartphones, Springer Science+Business Media, New
York, 2011, Kap. 1.4 (S. 10 ff.)
[8]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 3 (S. 19 ff.)
[9]
Subatra Goswami: Indoor Location Technologies, Springer Science+Business Media, New York, 2013,
Kap. 2-3 (S. 9 ff.)
[10]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Kap. 7.4.2 (S. 288 ff.) + Kap. 9.3.4 (S. 401 ff.)
[11]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Kap. 1 (S. 1 ff.) + Kap. 6 (S. 217 ff.)
[12]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Abb. 1.4 (S. 4)
[13]
Sreeram Potluri: Hyberbolic Position Location Estimator with TDOAs from four stations, Masterarbeit,
New Jersey Institute of Technology, Department of Electrical and Computer Engineering, 2002, Kap. 2
(S. 5 ff.)
[14]
Geomatik aktuell 2012: Präzise Navigation und mobile Geodatenerfassung Out- und Indoor,
Karlsruher Geowissenschaftliche Schriften, Reihe B, Band 7, Hochschule Karlsruhe - Technik und
Wirtschaft, 2012, Kap. 3 (S. 45 ff.)
[15]
Michael Plath u. a.: Location Based Traffic Services, Fallstudienarbeit, Hochschule für Ökonomie und
Wirtschaftsinformatik, Hamburg, 2010, http://winfwiki.wi-
fom.de/index.php/Location_Based_Traffic_Services [Zugriff am: 12.05.2016]
[16]
Michael Schmidt: Positionsbestimmung in Gebäuden, Proseminar Technische Informatik, Freie
Universität Berlin, 2010, http://www.mi.fu-berlin.de/inf/groups/ag-tech/teaching/2009-
10_WS/S_19510b_Proseminar_Technische_Informatik/schmidt10positionsbestimmung.pdf [Zugriff
am: 12.05.2016]
[17]
Jörg Blankenbach: Indoor Positionierung Ein Überblick mit ausgewählten Beispielen, Vortrag
Workshop 3D-Stadtmodelle, RWTH Aachen, Geodätisches Institut, Bonn, 2014,
Literaturverzeichnis
103
http://www.3d-stadtmodelle.org/3d-stadtmodelle_2014/vortraege/13_Blankenbach_Indoor-
Positionierung.pdf [Zugriff am 12.05.2016], S. 21
[18]
Manh Hung V. Le, Dimitris Saragas, Nathan Webb: Indoor Navigation System for Handheld Devices, A
Major Qualifying Project Report, Worcester Polytechnic Institute, 2009, Kap. 2 (S. 4 ff.)
[19]
Navid Fallah u. a.: Indoor Human Navigation Systems: A Survey, Interacting with Computers, Vol. 25
No. 1, Oxford University Press, 2013
[20]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Kap. 3
[21]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 3.2.2 (S. 43 ff.)
[22]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 13.5 (S. 79 ff.)
[23]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 3.2.5 (S. 45 ff.)
[24]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 10 (S. 63 ff.)
[25]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 4 (S. 53 ff.)
[26]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 15 (S. 94 ff.)
[27]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 7 (S. 44 ff.)
[28]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 5 (S. 36 ff.)
[29]
Navid Fallah u.a.: Indoor Human Navigation Systems: A Survey, Interacting with Computers, Vol. 25
No. 1, Oxford University Press, 2013, Kap. 2.2v)
[30]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 3 (S. 35 ff.)
[31]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012
[32]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Tabelle 1.1 (S. 3)
[33]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 3.2.1 (S. 38 ff.)
[34]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 8 (S. 51 ff.)
[35]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 3.2.3 (S. 44 ff.)
[36]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 13.2 (S. 78)
[37]
Apple: Getting Started with iBeacon, Version 1.0 (02.06.2014),
https://developer.apple.com/ibeacon/Getting-Started-with-iBeacon.pdf [Zugriff am: 15.05.2016]
[38]
Bokowsky + Laymann: BSB Navigator Indoor Navigation für die Bayerische Staatsbibliothek,
http://www.bokowsky.net/de/aktuell/archiv2016/index.2016.php#news3 [Zugriff am: 15.05.2016]
104
Literaturverzeichnis
[39]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 9 (S. 59 ff.)
[40]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 3.2.4 (S. 45)
[41]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Abb. 1.6 (S. 6)
[42]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Abb. 1.16 (S. 18)
[43]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Kap. 1 (S. 1 ff.)
[44]
Geomatik aktuell 2012: Präzise Navigation und mobile Geodatenerfassung Out- und Indoor,
Karlsruher Geowissenschaftliche Schriften, Reihe B, Band 7, Hochschule Karlsruhe - Technik und
Wirtschaft, 2012, Kap. 3 (S. 28 ff.)
[45]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 14 (S. 86 ff.)
[46]
Subatra Goswami: Indoor Location Technologies, Springer Science+Business Media, New York, 2013,
Kap. 5 - SLAM (S. 74 ff.)
[47]
Rainer Mautz: Indoor Positioning Technologies, Geodätisch-geophysikalische Arbeiten in der Schweiz,
Band 86, Schweizerische Geodätische Kommission, 2012, Kap. 4 (S. 28 ff.)
[48]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Kap. 13 (S. 517 ff.)
[49]
Paul D. Groves: Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems, Second
Edition, Artech House Boston / London, 2013, Abb. 13.2 (S. 519)
[50]
Hassan A. Karimi: CAD and GIS integration, Auerbach Publications, Taylor & Francis Group, Boca
Raton, 2010, Kap. 3 (S. 51 ff.) & Kap. 6 (S. 130 ff.)
[51]
Hassan A. Karimi: Indoor Wayfinding and Navigation, CRC Press, Taylor & Francis Group, Boca
Raton, 2015, Kap. 6 (S. 109 ff.)
[52]
Dieter Pfoser, Ki-Joune Li: Web and Wireless Geographical Information Systems, 13th International
Symposium, Südkorea, Springer Verlag, 2014, Kap. 5 (S. 148 ff.)
[53]
OpenStreetMap (OSM): Wiki, http://wiki.openstreetmap.org/wiki/Main_Page [Zugriff am: 20.07.2016]
[54]
Marcus Götz, Andreas Hubel, Frederic Kerber: IndoorOSM Mapping the World Indoors, FOSSGIS
2012, Präsentation, 2012
[55]
Hyung-Gyu Ryoo, Taehoon Kim, Ki-Joune Li: Comparison betwenn two OGC standards for indoor
space CityGML and IndoorGML,
http://dl.acm.org/citation.cfm?id=2834813&dl=ACM&coll=DL&CFID=634525664&CFTOKEN=7525
3089 [Zugriff am 22.06.2016], Pusan National University, Südkorea, 2015
[56]
IndoorGML, http://indoorgml.net/ [Zugriff am: 22.06.2016]
[57]
A. A. Khan, Z. Yao, T. H. Kolbe: Context Aware Indoor Route Planning Using Semantic 3D Building
Models with Cloud Computing, 3D Geoinformation Science, Lecture Notes in Geoinformation and
Cartography Springer International, Schweiz, 2015
[58]
Manh Hung V. Le, Dimitris Saragas, Nathan Webb: Indoor Navigation System for Handheld Devices, A
Major Qualifying Project Report, Worcester Polytechnic Institute, 2009, Abb. 2-8 (S. 25)
[59]
Hassan A. Karimi: Universal Navigation on Smartphones, Springer Science+Business Media, New
York, 2011, Kap. 1-2 (S. 1 ff.)
Literaturverzeichnis
105
[60]
Martin Werner, Sebastian Feld: Homotopy and Alternative Routes in Indoor Navigation Scenarios,
Ludwig-Maximilian-Universität München, International Conference on Indoor Positioning and Indoor
Navigation (IPIN), 2014
[61]
L. Liu, S. Zlatanova: A "Door-to-Door" Path-Finding Approach for Indoor Navigation, OTB Research
Institute for the Built Environment, Delft University of Technology, Proceedings Gi4DM, 2011
[62]
NAVVIS: Digitizing the indoors: Indoor mapping web access navigation,
http://www.navvis.com/products/navigation-app/ [Zugriff am: 14.07.2016]
[63]
Technische Universität München Fakultät für Mathematik: Graphalgorithmen, http://www-
m9.ma.tum.de/Allgemeines/GraphAlgorithmen [Zugriff am 21.07.2016]
[64]
Google: Project Tango Concepts, https://developers.google.com/project-tango/overview/concepts
[Zugriff am: 03.05.2016]
[65]
Google: Project Tango - Developer Overview, https://developers.google.com/project-tango/developer-
overview [Zugriff am: 03.05.2016]
[66]
Google: About Project Tango, https://www.google.com/atap/project-tango/about-project-tango/ [Zugriff
am: 03.05.2016]
[67]
Steffen Tröster: Optimierung von Augmented Reality Anwendungen durch die Berücksichtigung von
Tiefeninformationen mit Googles Project Tango, Masterarbeit, Fakultät für Informations-, Medien- und
Elektrotechnik, Technische Hochschule Köln, 2016, S. 14 ff.
[68]
Abbildung ,,Peanut Phone", http://www.androidcentral.com/project-tango [Zugriff am: 03.05.2016]
[69]
Abbildung ,,Yellowstone Tablet", http://www.pc-tablet.com/google-project-tango-smartphones-tablets-
8065 [Zugriff am: 03.05.2016]
[70]
Google: Project Tango - Development Kit, https://developers.google.com/project-tango/hardware/tablet
[Zugriff am: 03.05.2016]
[71]
Lenovo: Project Tango, http://www.lenovo.com/projecttango/ [Zugriff am: 03.05.2016]
[72]
Google: Project Tango Motion Tracking, https://developers.google.com/project-
tango/overview/motion-tracking [Zugriff am 03.05.2016]
[73]
Google: Project Tango Area Learning, https://developers.google.com/project-tango/overview/area-
learning [Zugriff am 03.05.2016]
[74]
Google: Project Tango Depth Perception, https://developers.google.com/tango/overview/depth-
perception [Zugriff am: 06.07.2016]
[75]
Google: Java Floorplan Example, https://github.com/googlesamples/tango-examples-
java/tree/master/java_floor_plan_example [Zugriff am: 06.07.2016]
[76]
Thomas Buchmann: Elektronisches Leit- und Informationssystem als Webanwendung, Bachelorarbeit,
Fakultät für Elektrotechnik und Technische Informatik, Universität der Bundeswehr München, 2014
[77]
Google: Android Developers, https://developer.android.com/ [Zugriff am: 18.07.2016]
[78]
Rajawali: 3D-Engine, https://github.com/Rajawali/Rajawali [Zugriff am: 18.07.2016]
[79]
Google: Project Tango Get Device Position and Orientation,
https://developers.google.com/tango/overview/poses [Zugriff am: 19.07.2016]
[80]
Bosch: Laser-Entfernungsmesser DLE 50, http://www.hiw.de/daten/aktion_bosch_2006_03.pdf [Zugriff
am: 19.07.2016]
[81]
Eberhard Gülch: Investigations on Google Tango Development Kit for Personal Indoor Mapping,
University of Applied Sciences Stuttgart, AGILE, 2016, https://agile-
online.org/Conference_Paper/cds/agile_2016/posters/102_Paper_in_PDF.pdf [Zugriff am: 24.07.2016]
106
Literaturverzeichnis
[82]
Soojin Kim, Hyung-Gyo Ryoo: WebGL IndoorGML Viewer,
https://github.com/STEMLab/IndoorGML-Viewer [Zugriff am: 26.07.2016]
[83]
Christian Steinmeyer: Applications and Limits of Mobile Low-Cost Devices with 3D Sensors for
Automated Generation of Groundplans, Bachelorarbeit, Lehrstuhl für Medieninformatik, Otto-
Friedrich-Universität Bamberg, 2016 (zum Zeitpunkt der Abgabe dieser Arbeit noch nicht
veröffentlicht)
[84]
Google I/O 2016: Introducing Project Tango Area Learning,
https://www.youtube.com/watch?v=NTZZCtmR3OY [Zugriff am: 26.07.2016]
[85]
Macerkopf: Gerüchte über Dual-Kamera-System im iPhone 7,
http://www.macerkopf.de/?s=dual+camera [Zugriff am: 11.08.2016]
[86]
Macerkopf: Patentanmeldung von Apple zu Point Cloud Verfahren,
http://www.macerkopf.de/2016/03/16/apple-bildverfahren-d-panorama-aufnahmen/
[Zugriff am: 11.08.2016]
[87]
Tech Times: Gerüchte über Dual-Kamera-System im Samsung Galaxy S8,
http://www.techtimes.com/articles/165932/20160620/samsung-galaxy-s8-latest-rumor-hints-of-dual-
camera-setup.htm [Zugriff am: 11.08.2016]
Details
- Seiten
- Erscheinungsform
- Originalausgabe
- Jahr
- 2016
- ISBN (PDF)
- 9783961160419
- ISBN (Paperback)
- 9783961165414
- Dateigröße
- 7.7 MB
- Sprache
- Deutsch
- Institution / Hochschule
- Universität der Bundeswehr München, Neubiberg – Elektrotechnik und Technische Informatik - Software Engineering (WE 6)
- Erscheinungsdatum
- 2016 (September)
- Note
- 1,0
- Schlagworte
- Indoornavigation Indoor Navigation Google Tango Project Tango Masterarbeit
