Kurzfassung
Ein campusweites Positionierungs- und Navigationssystem für die TU Wien soll durch die Nutzung von WLAN-Signalen und der Positionierungsmethode Fingerprinting realisiert werden. Ziel dieser Studie ist es daher die Verfügbarkeit, Leistungsfähigkeit und Nutzbarkeit von WLAN in ausgewählten Bereichen zu untersuchen. Für diesen Zweck wurden die WLAN-Signalstärken am Karlsplatz, im Freihaus-Bürogebäude sowie in der Universitätsbibliothek unter realen Bedingungen gemessen. Die Messungen wurden dabei statisch, kinematisch und im Stop-and-Go Modus mit sechs verschiedenen Smartphones durchgeführt. Für das Fingerprinting wurde ein probabilistischer Ansatz basierend auf der Berechnung der Mahalanobis-Distanz gewählt. Es hat sich gezeigt, dass die eingesetzten Smartphones die Signalstärken unterschiedlich stark empfangen, weshalb für jedes Smartphone eine Kalibrierung mit einem multivariaten linearen Regressionsmodell durchgeführt wurde. Damit konnte die geräteabhängige Empfangsempfindlichkeit weitgehend ausgeglichen werden, wodurch sich keine großen Unterschiede bei den verschiedenen Smartphones bezüglich der erreichten Genauigkeiten bei den statischen und Stop-and-Go Messungen ergaben. Mit Hilfe einer zusätzlichen Langzeitmessung wurden die Schwankungen der WLAN-Signale analysiert. Diese zeigten große zeitliche Variationen in einem Bereich von bis zu ±5 dBm tagsüber und auch hohes Signalrauschen. Die Analyse der Trainingsmessungen zeigte, dass genügend stabile WLAN-Signale campusweit für die Positionierung mittels Fingerprinting vorhanden sind. Die ermittelten Abweichungen der berechneten Positionen zu den Sollwerten in der Positionierungsphase lagen im Freihaus-Gebäude bei 1,5 bis 3 m. Die mit normaler Schrittgeschwindigkeit abgegangenen Trajektorien konnten damit gut rekonstruiert werden. Eine signifikante Abhängigkeit der Ergebnisse vom Smartphone zeigt sich jedoch bei den kinematischen Messungen durch die unterschiedliche Dauer eines gesamten WLAN Scans. Diese lag durchschnittlich im Bereich von 2,5 bis 4,1 s und kann damit zu unterschiedlichen Genauigkeiten für die kinematische Positionierung je nach verwendetem Endgerät führen, da bei einer längeren Scandauer weniger Messwerte entlang der Trajektorie für eine Interpolation zur Verfügung stehen.

Abstract
A positioning and navigation system based on Wi-Fi signals using fingerprinting for localization shall be developed for the whole University campus of TU Wien. Thus, the major aim of this study is the investigation of the availability, performance and usability of Wi-Fi in selected areas of the University. For this purpose, Wi-Fi signal strengths of the surrounding access points were measured in front of the main building of the University, in the library and in a large multi-storey office building called Freihaus under real conditions. The measurements were carried out in static, kinematic and stop-and-go mode with six different smartphones. A probabilistic fingerprinting approach based on the calculation of the Mahalanobis distance was applied. It was seen that a calibration with a multivariate linear regression model has to be carried out for each smartphone due to the device-dependent reception sensitivity. Using such a model, this device dependency could be reduced to a minimum and similar positioning accuracies for the static and stop-and-go measurements were obtained. With the help of an additional long-term observation, the fluctuations of the Wi-Fi signals were analysed. These observations showed that fluctuations of up to ±5 dBm during the day can occur, at night the signals are much more stable. The analysis of the system training measurements showed that there are sufficiently stable signals available everywhere on the campus to carry out a position determination using Wi-Fi fingerprinting. The resulting deviations from the ground truth in the positioning phase were in the range of 1.5 to 3 m in the Freihaus office building. The trajectories of the user walking with usual speed could be reconstructed well. A significant dependence of the results in the kinematic mode, however, is caused by the duration of a single Wi-Fi scan. The durations were in the range of 2.5 to 4.1 s depending on the used smartphone. This can result in different accuracies for kinematic positioning since fewer measurements along the trajectories for interpolation are available for a device with longer scan duration.

Kurzfassung
WLAN Fingerprinting hat sich zu einem populären Verfahren für die Indoor-Positionierung mit Smartphones entwickelt, wobei vorerst Signalstärken der umliegenden Access Points (APs) an Referenzpunkten in der Regel statisch eingemessen werden. In der Folge wird daraus eine sogente Radio Map aus den Messungen der Fingerprinting-Trainingsphase erzeugt, mit der anschließend die aktuellen Messungen in der Online-Phase verglichen werden und so die Nutzerposition bestimmt werden kann. In dieser Arbeit wird auf statische Trainingsmessungen zur Gänze verzichtet. Kinematische Messungen stellen eine wesentlich größere Herausforderung dar als die üblichen statischen bzw. Messungen im Stop-and-Go Modus. Im Rahmen dieser Studie wurden die WLAN-Signalstärken mit drei unterschiedlichen Smartphones kinematisch entlang von zwei Trajektorien, die vor den Eingängen eines Bürogebäude starten und durch das Erdgeschoß führen und im Hof des Gebäudes enden, gemessen. Es zeigte sich, dass je nach verwendetem Smartphone die Ergebnisse stark variieren können, was im Wesentlichen auf die Dauer eines WLAN-Scans zurückzuführen ist. Diese Dauer hängt von der Anzahl der empfangbaren APs ab und war für die einzelnen Smartphones unterschiedlich. Die Ergebnisse der Positionsbestimmung ergaben Abweichungen von der wahren Position von rund 2 bis 5 m, was nur geringfügig schlechter als bei statischen Trainingsmessungen ist. Der große Vorteil ist aber, dass die Trainingsphase wesentlich kürzer ausfällt und kontinuierliches Systemtraining ausgeführt werden kann.

Abstract
Wi-Fi fingerprinting has developed into a popular method for indoor positioning with smartphones, whereby signal strengths (i.e., Received Signal Strength Indicator RSSI) of the surrounding Access Points (APs) are usually measured statically at reference points for the time being. Subsequently, a so-called radio map is generated from the measurements of the fingerprinting training phase, with which the current measurements in the online phase can then be compared and the user’s position determined. In this work, static training measurements are completely not foreseen. Kinematic measurements pose a much greater challenge than the usual static or stop-and-go measurements. In this study, the Wi-Fi RSSI were measured with three different smartphones kinematically along two trajectories that start in front of the entrances of an office building leading through the ground floor and ending in the courtyard of the building. It turned out that the results can vary significantly depending on the smartphone used, which is mainly caused by the duration of a single Wi-Fi scan. This scan duration depends on the number of visible APs which was different for the individual smartphones. The results of the position determination showed deviations from the ground truth of about 2 to 5 m, which is only slightly worse than with static training measurements. The big advantage is that the training phase is much shorter and continuous system training can be performed.

Kurzfassung
Mithilfe von kompakten GPS Empfängern, die wir in unseren Smartphones finden, ist die Navigation von A nach B sehr einfach geworden. Im urbanen Raum und in Gebäuden ist die Positionierung jedoch oft nicht ausreichend genau oder gar nicht möglich, da die Positionsbestimmung per GPS ungenauer wird, wenn das Signal gestreut, reflektiert oder abgeschwächt wird. Neben GPS verfügen Smartphones auch über andere Bauteile, wie z.B. Bewegungssensoren, Magnetfeldsensor und WLAN-Modul, die zur Ortsbestimmung herangezogen werden können. Das Ziel unserer Forschung war es, die Daten dieser Komponenten zu kombinieren und dadurch die Genauigkeit der Positionierung sowohl im Outdoor- als auch im Indoor-Bereich zu verbessern. Die Grundidee des neuen Ansatzs ist, entscheidende Wegpunkte entlang der Trajektorie intelligent zu wählen und das Passieren dieser mithilfe des WLAN-Moduls zu erkennen und Positionsveränderungen dazwischen mithilfe des Bewegungssensors und des digitalen Kompasses zu ermitteln. Bei unseren Untersuchungen konnten durch die Kombination der Sensoren und Module die Positionen in den Testläufen in kombinierten Indoor- und Outdoor-Gebieten im Mittel auf 2,0 m genau bestimmt werden, während die Abweichung der mittels GPS ermittelten Koordinaten bei 16,7 m lag, sofern GPS überhaupt verfügbar war.

Abstract
Navigation from a start point A to a destination B has become an easy task due to the integration of compact GPS receivers in our smartphones. Nevertheless, in urban areas and in buildings GPS positions are often not accurate enough or even cannot be obtained at all because of the fact that GPS signals are attenuated, reflected or weakened. Besides GPS, smartphones have other in-built sensors, such as inertial sensors (accelerometers and gyroscopes), and modules for data communication, such as Wi-Fi, which can additionally be used for positioning. The aim of our research is to combine the data of these components and to improve thereby the accuracy of localization in outdoor as well as indoor environments. The basic idea is to choose waypoints along the trajectory intelligently while navigating and to determine position changes in between with the help of the inertial sensors and the digital compass. In our investigation and tests we could achieve positioning accuracy of around 2.0 m on average for combined localization, while the deviations of the coordinates obtained from GPS laid within a range of 16.7 m only if GPS was available at all.