第三節 手機已備有的技術
別是 proactive，所謂的 proactive、reactive 是指手機與搜救方的通訊方式，如果 搜救方出現在手機的通訊範圍內，手機會主動連接通訊，我們稱之為 proactive ， 反之就是 reactive。GSM 是一個 proactive 的例子，ㄧ般情況下手持裝置會與基 地台持續通訊，但是在災難環境下，大型的地面基地台會因為受損或電力中斷而為止，而下一次再進入這個 AP 的通訊範圍，就會自動連線，因此他具有部分 proactive 的特性。大多數人都會為了這個便利性保持著 WiFi 介面開啟。Bluetooth 同樣具有 proactive 的特性，也會記錄住那些曾經配對過的裝置，每個配對的藍 芽裝置使用 mac address 去保持連接的單一性，下一次曾經配對過的裝置出現在 通訊範圍內，就。自動連接上，但若是裝置的 mac address 不一樣，即使是名稱 相同，仍然無法連上手持裝置。相較之下 WiFi 就顯得較為容易，不論是否由同 一個硬體所構成的 AP，只要其廣播的 SSID 相同，則對於手持裝置來說，都視 為是相同的 AP，都會連接。在台灣有很多的公眾場合都提供公開的 AP，很多人 都曾經連過並記錄在手機裡，這項特性讓我們更傾向於利用手持裝置發出的 WiFi 訊號做為定位依據。
第四節 研究動機
置，配合最佳化的搜尋路徑行動，藉由定位方法找出受難者的位置，並自動化地 將受困者的位置告知搜救人員，降低搜救所需的時間，達到協助救災人員搜救的 目的。
第二章 定位方法相關文獻探討
此章節要探討的相關文獻集中在無線訊號的定位上，定位流程大致上可以分 為兩個部分，分別為估計距離以及利用估計的距離來計算位置的演算法。在估計 距離方面，可分為利用 Time of Flight (TOF) 或 Received Signal Strength Indicator (RSSI)去轉換兩大分類，本章節會對這兩種類別分別加以討論，以及列舉並概述 採用該方法的演算法，接著分析其優缺點。
第一節 Time of Flight Based Method
Time of Flight Based Method (TOF)是指利用介質的傳輸，從發送方 Tx 到接收 方 Rx 所花費的時間，利用傳輸速度與兩端點的時間差的乘積，推算出端點之間 的距離，定義如下:
𝐷𝑉
𝑚×
其中，D 代表 Tx 與 Rx 之間的距離，Vm是指傳輸媒介的傳播速度，∆T 表示從發 送到接收之間所經過的時間長度。使用此種方式的定位方法常見的有 Arrival of Angle (AOA)[5]、Time of Arrival (TOA)[3]、Time Different of Arrival (TDOA)[3]這 幾種，各方法概述如下:
[ 𝑥
Time of Arrival (TOA):
TOA 是藉由三個接收端點 Rx1、Rx2、Rx3所獲得的資訊做定位，如圖 3 所示，
距離 d 由 TOF 的方法得知，在只知道距離的情況下，距離某個點固定距離 所形成的所有可能點的集合會是一個圓，當三個接收點所形成的圓有交點時，
交點即為所求 Tx，接著分別對每個接收點列出歐幾里得距離公式(4)(5)(6)，
求解即可得 Tx 的實際位置(x, y)，下列式子的 𝑥𝑖, 𝑦𝑖 代表的是地點 𝑖 的位 置，𝑑𝑖 代表估計的距離。
𝑑
12(𝑥
1− 𝑥)
2+ (𝑦
1− 𝑦)
2
𝑑
22(𝑥
2− 𝑥)
2+ (𝑦
2− 𝑦)
2
𝑑
32(𝑥
3− 𝑥)
2+ (𝑦
3− 𝑦)
2
若採用這個方法，接收端與發送端必須要精準同步，若是有誤差存在，則可 能會導致三個端點形成的圓不會有單一交點的問題，通常接收天線都存在個 體誤差，所以多半會以求近似解的方式為目標而不是唯一解。
圖3 Time of Arrival (TOA) 暨 Trilateration 示意圖
Time Different of Arrival (TDOA):
TDOA 是採用幾何原理作圖的方式，如圖 4 所示，任選兩個接收端為焦點，
並形成通過發送端 Tx 的雙曲線，在計算距離時，利用該曲線的特性，即在 曲線上的任意點到兩交點的距離差為定值，避免掉了同步性的問題，關係式 如下:
𝑑
1𝑖𝑑
1− 𝑑
𝑖𝑣(𝑡
1− 𝑡
0) − 𝑣(𝑡
𝑖− 𝑡
0)𝑣(𝑡
1− 𝑡
𝑖)
其中，𝑑1𝑖 代表 Rx1與另外兩點的距離，可以由 TOF 的方式求得，𝑡0 表示發 送端的真實發送時間，可以在(7)中消去，因此可以達到 Rx 不必與 Tx 精準同 步，不過 Rx 之間仍需要同步，在將結果帶入(4) (5) (6)三式中求解。
圖4 Time Different of Arrival (TDOA) 示意圖
使用 TOF 方法做距離估計，對於時間的精準性相當敏感，若是發送端與接 收端任意一端有誤差存在，即使是相差些微的時間，也會對於距離的估計造 成很大的影響。以電波傳輸來舉例說明，電波傳播速度相當快速，速度約略 等於光速為 3 × 108 𝑚/𝑠𝑒𝑐，若是在接收訊號時延誤了 1 ms，則造成的誤差 就是 300 公尺，而發送與接收兩端的天線本身會有幾個微秒的偏移誤差值，
這是硬體先天的物理限制，造成在同步上都會有些許延遲，因此誤差是無法 避免的。
第二節 Received Signal Strength Indicate Based Method
無線信號傳輸中普遍採用的理論模型為漸變模型(Shadowing Model)，RSSI 是指在無線傳輸中，接收端所測量到的封包訊號強度，根據 Log-Distance Pathloss Model，可以換算成距離，如(8)所示:
採用 RSSI 估計距離的定位方法有 Min-MAX[10]、Trilateration[4]、Maximum Likelihood[9]等演算法，各演算法概述如下:
Min-MAX:
Min-MAX 是利用每個接收端所形成的矩型，形成的交集區塊做為發送端的 位置，如圖 6 所示，每個矩形的邊長為 2 倍的 d，d 代表發送端 Tx 與接收端 Rx 之間的距離，由接收到的 RSSI 值來計算獲得。
圖5 Min-MAX 示意圖
用此種方法的優點是在實作上較為容易，因為利用區域來代替單一點，雖然 用於定位比較不精準，但是在計算上，不必去考慮因為距離轉換而造成的誤 差影響；缺點是當 Rx 之間太過接近時，區隔出來的範圍會太大，對於定位 幫助有限。
Trilateration:
Trilateration 在整體運作上與 TOA 相似，如圖 3 所示，同樣都是利用估計的
距離，來代入歐幾里得距離式(4)(5)(6)求解，只是 TOA 估計距離的方式是使
用 TOF 方法，Trilateration 是使用 RSSI 來轉換。
在實際使用上，因為 RSSI 的特性，導致換算出來的距離不是很準確，通常 無法計算出一個切確的位置點，有可能出現只有兩圓有交點，那就必須利用 將第三個圓的半徑逐步增加，直到方程式有解為止，或是三個圓之間根本就
(11) 沒有交點，在實作時都必須考慮這些因素，因此，計算上的負擔較 Min-MAX 為重。
Maximum Likelihood:
這個方法目的是要找出最有可能的位置，因此要最小化在測量時因為 RSSI
第三節 使用 RSSI 定位的修正方法
在前面的篇幅曾提到，採用 RSSI 作為計算距離的方式時，會因為 variance 問題，而有誤差出現，因此必須有修正方法，做法有限制法、Filtering、Regression 等等。在[2]這篇論文中是採用限制法，先將收到的訊號做 Heuristic Preprocessing，
接著限制 RSSI 在某個 threshold 區間內，以過濾掉 RSSI 的 drop 和 peak，threshold 是將全部的 RSSI 資料去掉 35%最高與最低的數值的標準差。在[1]這篇論文中是 採用 Kalman Filtering 做定位的修正，在解釋 Kalman Filtering 是如何運作之前，
先定義何謂 Filtering，若是用第一筆到第 n 筆的資料來估算當前的資料就能稱為 filtering。Kalman Filtering 的運作大致上可以分為三個步驟，第一步是 state and covariance prediction，先預測目前的資料，並計算其 covariance。第二步 Kalman gain correction and state correction，藉由觀測到的資料與預測資料做計算，得到 Kalman Gain，待步驟三使用。第三步，covariance correction，是指利用 Kalman Gain 將 預測時的 covariance 做修正，等到獲得下一個時刻的資料時，做為步驟一的初始 資料，如此迭代下去，誤差會越來越小，最終降至可接受範圍內。在[6]中是使用
Regression 與平均法，此篇論文假設偵測點的飛行路徑為直線，RSSI 數值會隨著 與訊號發送端的距離縮短而增加，接著利用 Polynomial least square curve fitting method，逼近所有收到的 RSSI 數值為兩條曲線，一條為接近發送端時所爬升的 increasing curve，另一條為離開時的 decreasing curve，兩條曲線的交點即為最佳 的 RSSI 值，並轉換成距離。
第三章 系統架構與運作流程
訊號強度。組建的偵測訊號裝置總價格約為$5,000，總重量大約 234 g，具有低 價格、低重量的優點。低重量的好處是當搭載於 UAV 上，相對於重量較重的裝 置，在飛行搜尋上所額外花費的電力就會比較少，而且或許就可以使用較小型的 UAV，這樣整體的成本花費就會再下降。而使用 UAV 的優點是可以避免來自地 面障礙物的影響[8]，像是掉入坑洞或是受阻隔必須繞道等等，能夠跨越地形限 制，以最快的速度進入災區。
圖6 SuperDog 組成 (a) WiFi 訊號搜集裝置 (b) UAV
第二節 網路模型假設
在本篇研究中，我們的網路模型有以下幾個假設:
手持裝置無法事先知道位置: 手持裝置的使用者處於昏迷或無法行動的狀 態，因此無法對手持裝置做任何的設定。
手持裝置的有效性: 受困者被困於倒塌的建築物瓦礫下，因此無法任意移動，
也就是手持裝置固定不動，並隨機分散在整個搜救區域內。裝置的電力容量 足夠支持裝置持續運作以等待搜尋，也就是至少能夠讓移動偵測點飛行完一 次軌跡路徑。
會發出連線需求: 由於手持裝置會安裝 APP，這些 APP 會定期向 Server 去 作連接，因此會有連線的需求，是當出現 AP 時則會立即連線，並假設手持 裝置的封包都會以固定功率發送。
RSSI 遞減符合 Shadowing Model: 封包的訊號遞減方式遵從 Free-space Path loss model，會隨著距離增長，而導致接收到的訊號強度降低。
第三節 系統運作流程
圖 7 是我們的系統架構圖，當我們 signal monitor 收到來自手機的 signal，
我們會 parse 出 mac address，等到手機連上 AP 後，藉由查詢 ip table，找出 mac address 的對應 ip，並持續 ping 該 ip 以獲得封包，ping 的頻率大約是每秒一 次。每當我們收到訊號，Parse 出的 mac address 可以做為分類訊號的依據，並 且附上收到訊號 GPS 座標儲存起來，等到運行定位演算法的時候，才將資料 load 出來運算。因為我們所建立的 AP 與 signal monitor 兩者皆有一定的傳輸、
感知範圍，所以需要 UAV 以預定好的 searching path 在災區內移動，以藉著在 不同地點所感知到受困者的手持裝置發出的 RSSI 訊號去做定位，並配備有 GPS 接收器，以獲得載具收到訊號的實際位置，以供計算出受困者的位置。
圖7 系統架構圖
第四章 定位演算法選擇
使用 WiFi 訊號來定位，就一定會面對到 RSSI variance 的問題，圖 8 是距離一 個 AP 固定一公尺，蒐集 WiFi 訊號 5 分鐘的記錄圖，橫軸是經過的時間，單位 是秒，縱軸是 RSSI 強度，可以看出同樣固定一公尺所量測到的訊號強度最高 為-33 dBm，最低是-47 dBm，RSSI variance 的波動起伏很大，因此直接使用 RSSI
使用 WiFi 訊號來定位，就一定會面對到 RSSI variance 的問題，圖 8 是距離一 個 AP 固定一公尺，蒐集 WiFi 訊號 5 分鐘的記錄圖，橫軸是經過的時間，單位 是秒，縱軸是 RSSI 強度，可以看出同樣固定一公尺所量測到的訊號強度最高 為-33 dBm，最低是-47 dBm，RSSI variance 的波動起伏很大，因此直接使用 RSSI