基於WiFi訊號之UVA輔助搜尋系統分析與研究

全文

(1)國立臺灣師範大學資訊工程研究所碩士論文指導教授：賀耀華. 博士. 基於 WiFi 訊號之 UVA 輔助搜尋系統分析與研究 SuperDog: Assisting Searching and Rescue Operations using WiFi Signal with UAV. 研究生：中華民國. 陳昱任一 O 四. 年. 撰八. 月.

(2) 國立臺灣師範大學資訊工程研究所碩士學位論文基於 WiFi 訊號之 UVA 輔助搜尋系統分析與研究 SuperDog: Assisting Searching and Rescue Operations using WiFi Signal with UAV 經考試合格特此證明. 審查教授：. 指導教授：研究所所長：. 中華民國. 年. i. 月.

(3) 摘要. SuperDog: Assisting Searching and Rescue Operations using WiFi Signal with UAV. 本篇研究提出了 SuperDog 系統用於輔助救災，由低成本、低重量的裝置所組成，此系統有的優點包含裝置可大量複製、移動不受地表因素限制、不需安裝軟體於手持裝置上、有效縮小搜救範圍等，且輔助現有的搜尋方式，提高搜救資源的有效利用，進而提升整體搜救行動的效率，我們的研究並非要取代目前現行的搜救方法，而是使這些珍貴的資源（e.g. 搜救犬、生命探測儀），能夠更集中、更有效地利用，避免盲目地在救災區域大範圍、地毯式搜索，進而提升整體搜救過程的效率，目的是為了把握「黃金 72 小時」，期望能夠在有限的時間內，盡速地救出被困住的受難者。. 關鍵字：無人飛行載具(UVA)、無線訊號(wireless signal)、搜尋路徑規劃 (searching planning)、定位演算法(localization algorithm). ii.

(4) 目錄第一章緒論 1 第一節災難特性與問題描述 …………………………………1 第二節現行搜尋方法探討 .……………………………………3 第三節手機裝置已備有的技術 ………………………………4 第四節研究動機 ………………………………………………6 第二章定位方法相關文獻探討 8 第一節 Time of Flight Based Method …………………………8 第二節 Received Signal Strength Indicate Based Method ……12 第三節使用 RSSI 定位的修正方法 …………………………15 第三章系統架構與運作流程 16 第一節裝置構成 ………………………………………………16 第二節網路模型假設 …………………………………………18 第三節系統運作流程 …………………………………………19 第四章定位演算法選擇 20 第一節 DuRT 方法 ……………………………………………21 第二節 Trilateration 方法 ………………………………………22 第三節定位演算法選擇實驗 …………………………………23 第五章搜尋路徑設計 25 第一節覆蓋面積導向的搜尋路徑 ……………………………25 第二節降低定位誤差導向的搜尋路徑 ………………………29 第六章構成定位的訊號相對位置議題 32 第一節求出符合 Shadowing Model 的轉換公式 .……………32 第二節驗證「訊號相對位置關係影響定位」理論 …………35 第七章. 結論. 39. 參考著作. 41. iii.

(5) 第一章緒論這個章節會描述大型災難的特性與會遇到的問題，接著說明現有搜尋方法遇到的限制與困難處，最後一個段落根據上述兩個段落的情境，提出我們可能改善現有問題的想法。. 第一節災難特性與問題描述台灣是位處在歐亞板塊與菲律賓板塊交接的海島，地殼變動與造山運動發達，不時有地震發生，且臨近西太平洋，時常有颱風侵襲。除了上述的兩種災難之外，在台灣還時常發生土石流，這種災難多半都是由上述兩種災難衍生出來的。對於颱風的災害，損害程度通常都是能控制的，因為發生時間可以預先得知，透過衛星雲圖觀測威力強度，並預測其行經路徑與抵達時間，提早做好預防措施，就可以使災害程度降到最低；土石流的災難發生時間，能夠憑藉著各地區的土石流警戒基準表做預先的評判，若是累積雨量超過基準值，就能夠提前撤離，規避人員的傷亡；相比之下，地震的發生通常都是無預警的，往往令人措手不及，因此災情多半較為前兩者嚴重。表1 不同類型災難的代表事件年代災區範圍搜救時間受傷人數死亡人數. 小林村事件. 艾倫颱風. 集集地震. 2009. 1959. 1999. 47.9 𝑘𝑚 > 11 天. 2. 1,365 𝑘𝑚 > 13 天 942 1,075. 474. 2. > 10,000 𝑘𝑚2 > 40 天 11,305 2,444. 表 1 中列舉出上一段落提及的三項災難類型的代表事件，我們搜尋時間的計算方式是以當災難發生當下開始計算，直到搜救隊撤出災區停止搜救為止，這期間所花費的時間就算是搜救時間。表 1 中所述的災難都有著大範圍災區，長時間 1.

(6) 的搜救的特性。大型災難造成的問題包括下列幾項: . 電力中斷: 輸送電纜會受到災難的影響而斷裂，缺乏電力不僅僅是對於救災難度提高，這也會導致通訊中斷的問題。. . 通訊網路中斷: 這個問題不僅僅是會造成災區內外的資訊不同步，還會導致尚處於連通的通訊方式被大量詢問訊息癱瘓，因而導致在整個救援的資訊傳遞上受到阻礙，間接導致救災效率降低。. . 交通中斷: 主要是橋梁與道路因為落石或是隆起凹陷而受阻。在車輛無法通行的情況下，救災團隊多半必須靠著徒步的方式進入災區，抵達救災區域的時間點會越加延後，這使得救災工作更加地困難執行。通常，救難組織皆遵從著「黃金 72 小時」的共識，意指受難者於災後被困的生存時間，在斷水斷糧的情況下，存活率會於 72 小時內急速遞減，時間拖的越久，救出倖存者的機會就會更加地渺茫，當超過這個黃金時段，通常救難組織就會放棄搜救的工作，因此，如何幫助救災隊員在災區內快速地找出受困者是一項重要的課題。. . 民眾受困: 建築物受到外力而倒塌，使得來不及逃生的受難者受困於建築殘骸中。在搜救的時候，僅僅少部分區域能使用機械搬運，而大部分都要靠人力清除石塊瓦礫，以防止傷害到受困者，這個工作相當耗費時間，而且無法縮短，因此，我們希望藉由節省用於搜尋的時間，換取用於救援的時間，因此，如何決定有效的搜救區域以找出受困者，是我們所必須注重的問題。 2.

(7) 第二節現行搜尋方法探討現行高精準度的搜救方式有兩種，分別是搜救犬與生命探測儀。搜救犬倚靠的是人的氣味或發出的聲響來找到人的位置，並配合訓練人員以往的經驗，去找出有可能的挖掘地點，搜尋範圍大概是 20 公尺。搜救犬需要經過長時間的培訓並通過檢測，才有辦法正式應用在救災行動上，訓練過程需要訓練員與設備，維護這些設備所費不貲，因此產量上相當有限。去年舉辦的全國災害搜救犬國際評量檢測，全台通過檢測的搜救犬只有 17 隻，這樣的數量不足以應付大災區的搜救。另外一個不足的地方是搜救犬的工作時間相當短，在災區內，會因為建築物倒塌、燃燒而導致灰塵、煙霧瀰漫，並且很多人在災區內來回走動，這些因素都會影響到搜救犬的鼻子靈敏度，大約搜尋 30 分鐘後，就會因為嗅覺疲勞而被迫停止，必須休息一段時間後，等鼻子恢復靈敏，才能再次投入救災。第二種搜尋方式是使用生命探測儀，原理是利用人的各項特徵，包含人發出的聲音、人體的熱輻射、呼吸的微弱動作，或是心跳等等，來找出是否有任何的生物跡象再進行挖掘。因為是用高感度的 sensor 來偵測，所以容易受現場環境影響，實際應用上會將偵測範圍限制在大約為 30 公尺，避免受到不必要的干擾。主要的缺點在於價格非常昂貴，目前台灣的搜救總隊配備的生命探測儀，價格大約是台幣 400 萬，這樣的價格即使是用於救災用途，似乎也無法大量配備。大型災難的 scenario 是指災區涵蓋的範圍很廣，很多受難者需要救援，但是我們擁有的搜救資源卻很少，因此花費在搜救的時間就會拉長，使得無法在黃金 72 小時內，歷遍整個大範圍的災區，在第一節曾提及的那些大型災難，搜救時間都超過 72 小時，若是我們能夠預先縮減需要搜尋的區域，讓這些搜救資源能更集中的利用，那是否就能在有限時間內找到更多的人，讓更多的受難者獲救。. 3.

(8) 第三節手機已備有的技術手持裝置上配備的技術包含了 GPS、GSM、WiFi 與 Bluetooth，每項技術都包含了優缺點，下面的段落會對每項技術做分析，找出最適合用於幫助救災的選項。ㄧ般在室外的定位方法是利用 GPS，這項技術雖然具有極高的精準度，但是這存在著三點限制，第一點，必須在沒有遮蔽物的狀況下才會運作，當 GPS 接收端與訊號衛星的直線連線上有障礙物時，就無法順利接收到 GPS 訊號[11]，在災難環境下，受難者通常都被困在瓦礫下，沒有遮蔽物的條件就很難達成。第二點是必須有已啟動的 GPS 接收裝置，在手持裝置的使用上，必須由使用者自行開啟 GPS 才會作用，若是受困的使用者昏迷或是無法自由行動就無法開啟 GPS。第三點，使用 GPS 還必須要有網路的配合，才能將受困者的位置發送給搜救團隊，但是在災難環境下，網路基地台會因為電力中斷，或是地震造成的損傷而無法運作，即使 GPS 訊號能夠順利接收，也會因為缺乏網路傳輸資料，而無法幫助搜救團隊作受困者的定位。因此，我們將之歸類為 reactive 連接，另外一個類別是 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失效，而行動基地台因為重量較重、價格較高而無法任意佈置於災區，因此雖然具有主動連接的特性，卻無法應用於幫助救災上。基於安全的考量下，手持裝置上的 WiFi 運作，除非使用者自行操作，否則不會自動連接 Access Point (AP) 作傳輸，屬於 reactive 連接，但是 WiFi 的其中一項特性─只要使用者曾經連線過某個 AP，就會保存在內部的紀錄裡，這份紀錄會一直存在直到使用者主動去清除. 4.

(9) 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。. 5.

(10) 第四節研究動機根據 Google 2014 年的發表的「消費者洞察報告」，現在台灣平均每個人有 2.7. 個手機或平板等連網裝置，所以我們可以認為，至少每個人都會有一個手. 持裝置。這些裝置有著不會距離人本身太遠的特性，在室內，手持裝置會隨意放在桌上、架子，但不會超過 room-level 的距離；在室外時，也幾乎會隨身攜帶，所以，我們可以認為，手持裝置的位置就幾乎就等於是使用者的位置，而這些裝置中都具備網路晶片，其中的 mac address 就相當等於是使用者的識別符，能夠區別出人與人的不同，也就是說，手機幾乎就可以代表人。因為這些手持裝置的普及化，於是促成我們想要利用這些裝置，作為定位出受困者的依據。這邊我們先設想一個狀況，當災難發生時，電力供應通常會被中斷，因此，手持裝置原本在連接中的 AP，以及附近所有的 AP 都因為缺乏電力而停止運作，以一般使用者為對象，手持裝置上多半會裝一些 APP，常見的有 Facebook, Google+, Line 等等，這些 APP 會定期向 Server 去作連接，因此可以確定仍然會有未完成的網路工作，故會持續做 WiFi 掃描的動作，期望能連上網路，促成這個連線的關鍵在於，哪一個 AP 的 SSID 是可能存在手持裝置裡的紀錄內，最能夠符合這個條件的，是在各區域公開使用的 AP 名稱，例如在台灣台北市裡，一些公共區域像是捷運站或是郵局等等，都有提供一般大眾也能使用的公開 AP，手持裝置的使用者有很大的機率曾經去過這些區域，並且使用這些連網服務，如此一來，這些 AP 的 SSID 資訊便會存在於手持裝置的紀錄內。當災難發生時，若這時我們能夠建立一個相同 SSID 的 AP 提供這些裝置連接，就可以利用手持裝置連接的訊號作定位初略得知受困者的位置，也就能幫助搜救團隊更快找出受難者。在這基礎上，我們更進一步地，將建立完成的 AP 搭配具有行動能力的裝. 6.

(11) 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。. 7.

(12) 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:. 𝐷𝑉𝑚 × 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: . Arrival of Angle (AOA): AOA 主要是利用兩直線相交的原理來定位。如圖 1 所示，Tx 所發出的訊號，在兩個具方向性天線的接收端 Rx1、Rx2 收到，兩端點的位置為已知。藉由天線所量測的訊號角度，得出來源方向，可以在三端點的平面上，決定兩條各以兩接收端為起點的直線，則直線的交點，即為所求的訊號發送端 Tx 的座標(x, y)，三端點的數學關係式如下:. 8.

(13) 𝑥 𝑥1 𝑑 cos 𝜃1 [𝑦][𝑦 ] − [ 1 ] 𝑑1 sin 𝜃1 1 𝑥 𝑥2 𝑑 cos 𝜃2 [𝑦][𝑦 ] − [ 2 ] 𝑑2 sin 𝜃2 2 藉由(2)(3)兩式，可以求得 Tx 的實際位置。在這個方法中，優點是距離並非必需的已知數值，在運算過程中，可以用消去的方式忽略，可以避免由環境造成的一些誤差。而在缺點方面，接收端硬體必須具備有指向性天線，對於設備要求門檻較高，另外，AOA 對於多重路徑的干擾抵抗較低，不易獲得正確角度，這牽涉到指向性天線的運作模式，一般情況，天線會根據收到的訊號做正確角度解析，如果同時有收到多個訊號，則會選擇訊號最強的角度，可是訊號最強並非代表就是正確角度，如圖 2 所示，正確角度的能量較小於其他方向而來的訊號，而造成角度解析錯誤，這會對於計算上造成很大的誤差，同樣地，也因為指向性天線的角度解析有其極限在，角度誤差的造成的距離差距，會隨著直線的延伸長度而增大。. 圖1 Arrival of Angle (AOA) 示意圖. 圖2 多重路徑對角度解析的影響 9.

(14) . 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。. 𝑑1 2 (𝑥1 − 𝑥)2 + (𝑦1 − 𝑦)2  𝑑2 2 (𝑥2 − 𝑥)2 + (𝑦2 − 𝑦)2  𝑑3 2 (𝑥3 − 𝑥)2 + (𝑦3 − 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， 10.

(15) 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:. 𝑑1𝑖 𝑑1 − 𝑑𝑖 𝑣(𝑡1 − 𝑡0 ) − 𝑣(𝑡𝑖 − 𝑡0 )𝑣(𝑡1 − 𝑡𝑖 ) 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。. 11.

(16) 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: 𝑑. 𝑝(𝑑) 𝑝(𝑑0 ) − 10𝑛 ∙ log ( ) + 𝑋 𝑑 0. (𝑑𝐵𝑚). 其中，𝑝(𝑑)是指接收端在距離發送端長度 d 時，所收到的封包訊號強度，n 代表環境的 Pass loss 指數，X 平均值為 0 的高斯隨機變量，反映出當距離為固定時，實際接收到的能量變化，在實際應用上會忽略不計，有關這部分的問題稍後會再做討論。當發送接收兩端距離為單位距離時，即令 d0 為 1，公式(8)還可以再化簡為:. 𝑅𝑆𝑆𝐼𝑍 − 10𝑛 ∙ 𝑙𝑜𝑔(𝑑)  其中，Z 代表距訊號發送端 1 公尺處所收到的 RSSI 值，可以預先經由測量的方式獲得，當之後量測到 RSSI，就可以利用(9)去換算出距離 d。在使用 TOF 方法來計算距離時，必須由同一個訊號作為評估依據，藉由在不同的接收端之間的時間差來計算距離，所用的時間標籤是由同一個訊號所造成的。相較於採用 TOF 的定位方法，採用 RSSI 的方法並不用限定由同一個訊號來計算位置，但是 RSSI 存在有 variance 的問題，因此在採用此種距離估計時，都必須有修正誤差的方法。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:. 12.

(17) . 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. 13.

(18) 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 的 variance 所造成的 Mean Square Error 𝑒𝑖 ，定義為(10)，令其為 0，可以得到(11)，藉由化簡可得(12)，並將所有測得的資料包含測得 RSSI 的數值與位置資訊代入以求解，其中，x 為所求 Tx 的位置座標。. 𝑒𝑖 𝑑𝑖 − √(𝑥𝑖 − 𝑥0 )2 − (𝑦𝑖 − 𝑦0 )2  2(𝑥𝑛 − 𝑥1 ) 2(𝑦𝑛 − 𝑦1 ) 𝑥0 ⋮ ⋮ 𝑦𝐴𝑥𝑥[𝑦 ]𝐴[ ] 0 2(𝑥𝑛 − 𝑥𝑛−1 ) 2(𝑦𝑛 − 𝑦𝑛−1 ) 2. 2. 2. 2. 2. 2. (11). −𝑥1 − 𝑦1 + 𝑑1 − (−𝑥𝑛 − 𝑦𝑛 + 𝑑𝑛 ) 𝑦[ ] ⋮ 2 2 2 2 2 2 −𝑥𝑛−1 − 𝑦𝑛−1 + 𝑑𝑛−1 − (−𝑥𝑛 − 𝑦𝑛 + 𝑑𝑛 ) 𝑥(𝐴𝑇 𝐴)−1 𝐴𝑇 𝑦  採用此演算法求位置必須要有大量的測量點資訊，如果測量地點不夠多，計算出來的結果誤差仍然相當大，而且相較於前面兩種方式，計算量則是更加地龐大。. 14.

(19) 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。. 15.

(20) 第三章系統架構與運作流程此章節會說明本研究的裝置構成，以及在災難環境下系統如何運作，並描述網路模型的假設。. 第一節裝置構成我們提出的 SuperDog 系統是由一個 Raspberry Pi 主板與各種 USB 裝置以及 Unmanned Aircraft System (UAV) 所組成如圖 6 所示，規格數量如表 2 所示。這個系統的想法來源是搜救犬，搜救犬是靠人的氣味來尋找生還者，並且在災區內來回走動搜尋，因此我們把系統類比為搜救犬，只不過我們倚靠的是 WiFi 訊號，並且是在天上飛行。表2 各項裝置規格表數量. 總重量. 總價格. Raspberry PI B+ WiFi card GPS dongle. 1 2 1. 45 g 17.5 g 17.8 g. $ 1,500 $ 850 $ 1,250. Battery Aircraft. 1 1. 153.7 g -. $ 1,400 $ 30,000. 選擇 Raspberry PI 的主要原因是它是基於是一款基於 Linux 系統的單板機電腦，只有一張信用卡的大小，很適合用來做為移動裝置的控制主板，並且具有低功耗的優點，這使得電池的重量可以因應目的的不同而更改成更輕重量的規格。使用兩張 WiFi card 的目的是要讓兩張卡分別運作 virtual AP 與 signal monitor，而在硬體限制上，AP mode 與 monitor mode 並無法同時並存，所以一張執行 AP mode 建立 AP，以提供受困者的手持裝置連線，並持續 ping 連上的裝置，另一個則是執行 monitor mode 監控環境中的封包，蒐集目前偵測範圍內所有裝置的. 16.

(21) 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. 17.

(22) 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。. 18.

(23) 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. 19.

(24) 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 轉換成距離的方法可能會有問題，因此我們需要多筆 data 才能將 variance 的影響降低。接下來說明的兩種定位 algorithm，分別用不同方式去降低 RSS variance 的影響。. 圖8 RSSI variance. 20.

(25) 第一節 DuRT 方法 Dual RSSI Trend Based Localization ( DuRT ) [7]這個演算法使用了 RSSI trend 方法避免因為 RSSI variance 而造成誤差，如圖 9 (a) 所示，根據 Shadowing Model 的數學模型，可以得知 RSSI 與飛行行走距離是呈現 log 關係，即算式(9)，假設訊號發送端不在搜尋路徑的直線上，當我們以直線前進，所記錄到的 RSSI 會越來越強，而經過 closest point 後，記錄的 RSSI 則會越來越弱。因此我們可以 fit 出兩個 log curve，如圖 9 (b)，使用 log curve 是為了要符合 Shadowing Model， increasing curve 用來貼近 RSSI 成長的趨勢，decreasing curve 則是用來貼近 RSSI 下降的趨勢，而兩個 curve 所交出來的點，對應到的位置就是 closest point。求出了 closest point 後可以以 closest point 做垂線，如果我們有兩個直線 path，分別求出了 closest point 並對這個點做垂線，兩垂線的交點就是訊號發送源。. 圖9. (a) DuRT 演算法示意圖 (b) RSSI trend. 21.

(26) 第二節 Trilateration 方法三點定位法[4]是利用蒐集到的 RSSI 換算成距離，再由歐幾里得距離公式 (4)(5)(6)，計算出三個圓的交點，交點就是訊號發端的位置。但是這是在理想情況下的結果，在實際情況有可能因為收到的訊號受到 variance 的影響，導致三個圓不會交於一點，如圖 10 所示，這時我們就取出與三圓心距離的平方和最小的點，做為 calculating point 並加上一個範圍，當有多個 calculating point 時，就能藉由多筆資料降低 variance 的影響，並以出現頻率最高的位置做為最後計算的結果。. 圖10 Trilateration 演算法示意圖. 22.

(27) 第三節定位演算法選擇實驗在上述的兩個演算法當中，都有利用多筆訊號來彌補 RSSI variance 的影響，為了選擇一個比較好的定位方法，我們利用實驗數據來選擇一個定位效果較佳的演算法。 . 實驗的設置與流程: 地點選在台灣師範大學的操場如圖 11 所示，訊號來源手機為 Samsung Galaxy S3，利用 WiFi 802.11n 連線訊號蒐集裝置，如圖 6(a)所示。因為場所空曠，並且選在無人的時段，故能降低來自其他外在因素的干擾。將手機放置於操場當作訊號發送源，路徑設置為兩條有交錯的直線，理由是為了配合 DuRT 演算法[7]只能用於直線的限制，接著以我們的訊號搜集裝置，沿著兩條直線前進，最後將蒐集到的資料分別輸入給兩個演算法，並根據最後的結果來選擇。移動的速度大約為 1.3 m/sec，Packet rate 是每秒一個。. 圖11 . 實驗路線圖. 實驗的結果: 圖 12 是以上一段落提及的設置，重覆 20 次所獲得的資料，分別輸入兩個不同的演算法所獲得的結果。橫軸是誤差，也就是計算出來的結果與手機真實 23.

(28) 位置的距離差，縱軸是累積函數，從圖中可以看到使用三點定位的方法，會有大概 5 成的誤差在 30 公尺以下，九成的在 40 公尺以下。若是使用 DuRT 的方法，幾乎無法達成 30 公尺以下的誤差，會造成這樣的結果，有可能是受到 RSSI variance 的影響，有時候沿著直線前進的 RSSI，並無法真實反映出距離與訊號強度的關係，在距離最近的地方，訊號卻沒有最強，這使得求出的，兩個 fit curve 交點並不是最接近點，這就是誤差較大的原因。而三點定位法我們藉由多筆資料來彌補造成的誤差，大約有 90% 誤差在 40 m 以下，比較符合搜救資源的偵測範圍，因此我們以這樣的結果認為三點定位是比較好的選擇。. 圖12 定位實驗結果. 24.

(29) 第五章搜尋路徑設計相對於一個 UAV 所能夠飛行的 coverage，整體的災區範圍是相當大的，所以勢必要由一個小 pattern 一個小 pattern 填滿整個災區，Pattern 是指一個 UAV 在 power 用完之前能夠跑完的路徑，所以直覺上這是一個 space-filling 的問題，但是有別於傳統 space-filling 問題，在災區內有些重點區域，通常由搜救人員規劃的，比如說住宅區這些人可能比較多的地方，我們需要對於定位效果比較好的 searching path，對於湖或山區這些相對人比較少的地方，我們可能要求要盡量快 cover 完後，就馬上再去 scan 下一個區域，因此我們不能平等對待每塊區域，必須有一些決策方式。這個分析所使用的 UAV 的電池容量限制其飛行時間為 36 分鐘，且最高飛行速度為 18 km/hr，因此，最高總飛行距離長度設定為 10.8 km。. 第一節以覆蓋面積最大化為導向的搜尋路徑對於搜尋路徑，我們最低的基本要求是必須回到起點，因為災區內是屬於通訊中斷的狀態，所以在飛行期間無法透過傳輸將 data 傳回來，一定要回到起點才能將 data 拿出來，如果透過路徑的設計，可以連飛回起點都是搜尋路徑的一部分，那所形成的覆蓋面積也會提升。對於搜尋路徑的覆蓋範圍，我們希望是越大越好，因為災區的涵蓋範圍相當廣，為了縮短整體搜尋時間，我們希望每個 pattern 的覆蓋面積越大越好，這樣填滿所有的災區所需要的 pattern 數量就會比較少。如果要讓單一搜尋路徑的覆蓋範圍盡可能得大，那我們就必須避免造成 overlapping，所謂的 overlapping 是指由數個 sensing range 重疊的區域，如圖 13 所示，sensing node 的訊號偵測範圍. 25.

(30) 為 250 公尺，我們可以看到沿著直線前進圖 13(a)，分別在三個地點 sensing，這種情況造成的 overlapping 比較少，而轉彎跟交錯的行進方式，如圖 13(b)(c)，所造成的 overlapping 面積會大幅度提升，所以我們希望搜尋路徑的路線盡量是直線，而且盡量少轉彎、不要有交錯。. 圖13 造成 overlapping 的移動方式 (a)直線 (b)轉彎 (c)交錯. 這裡列舉出三種較低 overlapping 的軌跡類型，如圖 14 所示，由左至右分別為: circle、Archimedes spiral、space-filling curve。每種路徑的偵測範圍皆為 250 公尺，以藍色圈表示，綠色線為移動的路徑，紅色線為覆蓋的範圍邊界。. 圖14 以覆蓋範圍為導向的搜尋路徑 pattern (a) circle (b) spiral (c) space-filling. 從圖 13 可以得知，軌跡是直線造成的 overlapping 最少，這裡舉出單一 circle 的例子而不是直線，是因為必須要回到原點這項限制，並且讓短距離內的移動與直線相近，這樣會形成的 overlapping 會是最接近直線的。雖然單一 circle 的覆蓋. 26.

(31) 範圍最大，約為 5.4 𝑘𝑚2 ，但是中間會有大部分的區域是沒有偵測到，因此不會真正使用，若是用以較小的圓去填補就會形成 Archimedes spiral。Archimedes spiral 是屬於 polar coordinates 之一的曲線，如圖 14 (b) 所示，具有螺臂之間等長的特性，若設定與偵測半徑長度相符[12]，則可避免路徑重疊的問題，它的覆蓋面積為 4.88 𝑘𝑚2。另一個低 overlapping 的搜尋路徑是 space-filling curve，行進方式如圖 14(c)，利用不會交錯的特性將覆蓋範圍擴大，覆蓋範圍約為 4.73 𝑘𝑚2 。圖 15 (a) 這張圖是在描述三種路徑 overlapping 區域佔整體面積比率的情形，橫軸是某一個區域的重覆 sensing 次數，也就是 overlapping ，縱軸是 overlapping 面積佔整體面積比率的累積函數，如果以圖 15 (b) 來描述，紅色區塊的被 sensing 次數為三，佔整體有被 sensing 過的區域的百分比是 12%，因此我們得到圖 15 (a)。. 圖15 (a) overlapping 佔整體面積比率與 overlapping 次數的關係圖 (b) overlapping 說明圖. 前面曾提到 circle 的 overlapping 分佈最接近直線，因此我們可以把該路徑形成的 curve 選為最佳的 curve，如果分佈曲線越接近，那代表越好，除此之外， 27.

(32) 如果把 space-filling curve 與 Archimedes spiral 做比較，雖然 Archimedes spiral 的覆蓋面積比較大，但是 space-filling curve 所形成的面積形狀比較適合填滿災區， Archimedes spiral 對於要填滿一個區塊可能需要的個數會比較多，而且 Archimedes. spiral 在飛行期間必須預先留下飛回起點的電量，這個負擔會隨著. scale 增大而成長，所以我們認為 space-filling curve 是以覆蓋率為導向的最佳搜尋路徑。. 28.

(33) 第二節以盡量降低定位誤差為導向的搜尋路徑上個段落提到以覆蓋率為導向的最佳選項是 space-filling curve，但是對於定位精準度而言，或許 space-filling curve 就不是最佳的搜尋路徑選擇，因為路徑本身形成的 sensing point 與訊號源的相對位置會對定位造成影響。本篇研究採用的是利用 WiFi 訊號做定位，收到的 WiFi 訊號都會存在著 variance 的影響，若是利用於第四章第三節所選擇出的 Trilateration 去定位的話，三個 sensing point 所形成的三個圓的交集並不會是一個點，而是一個區塊，如圖 16 (b) 所示，如果 sensing point 對於訊號源而言，是分佈在不同的象限時，圖 16 (b) 的例子是分佈在三個象限內，這樣交集的區域是比較小，是比較好的例子。如果 sensing point 都是落在同一個象限的情況，如圖 16 (c)，那可能位置的區域是遠大於圖 16 (b) 的例子。根據這些 sensing node 與訊號源的相對位置關係，我們可以分出四種類別: 1 plane 到 4 plane，如果大於 3 plane，我們就可以就認為是比較好的例子。. 圖16 Sensing point 與訊號源的相對位置關係 (a)路徑 (b)好的 case (c)不好的 case. 29.

(34) 這裡我們對其他常見的 pattern 做分析，在相同路徑長度的情況下，分析它們 sensing point 的相對關係，如果好的例子在路徑中佔有的比例比較多，那我們就認為這是對於定位有幫助的搜尋路徑。. 圖17 對定位有幫助的搜尋路徑 pattern (a) 4-circle (b) 4-leaf (c) 8-leaf 曾經提到過單一 circle 路徑，因為無法真正應用的，所以 4-circle curve 是將一個圓拆成四個圓去填補中間的區域，行進方式是沿著一個圓一個圓走，覆蓋範圍是 3.37 𝑘𝑚2。4-leaf curve 是將 4-circle curve 中圓彼此互相重疊的部分縮小形成一個葉子形狀，覆蓋範圍是 4.17 𝑘𝑚2。8-leaf curve 是將 4-leaf curve 中的葉片增加，希望增加對定位有幫助的相對關係的比例，但是受限於有限的路徑長度，所以覆蓋範圍縮小到 2.21 𝑘𝑚2 。表3 各路徑 sensing point 相對關係的比例 Coverage. 1 plane. 2 plane. 3 plane. 4 plane. 3 or 4. 佔有面積. Space-filling. 4.73 𝑘𝑚2. 9.7 %. 65.6 %. 14.9 %. 9.8 %. 23.8 %. 1.12 𝑘𝑚2. 4-circle. 3.37 𝑘𝑚2. 6.1 %. 40.8 %. 31.7 %. 21.4 %. 53.1 %. 1.79 𝑘𝑚2. 4-leaf. 4.17 𝑘𝑚2. 14.1 %. 33.4 %. 41.2 %. 11.3 %. 52.5 %. 2.19 𝑘𝑚2. 8-leaf. 2.21 𝑘𝑚2. 17.9 %. 28.5 %. 12.1 %. 41.5 %. 53.6 %. 1.18 𝑘𝑚2. 表 3 是各路徑對於定位有幫助的 case 佔全部面積的比例，我們認為有 sensing node 分佈在三個象限以上，就是對於定位有幫助，所以將三個象限與四. 30.

(35) 個象限合併計算我們可以看到 4-circle curve、4-leaf curve、8-leaf curve 的比例都超過 50%，大幅超過 Space-filling curve 的 23.8%，是對於定位有幫助的 searching path，其中，4-leaf curve 佔有面積最廣，我們認為這是對於以定位精準度為導向的搜尋路徑的最佳選擇。定位構成的 signal source 選擇會不會影響定位的精準度，這部分的驗證會在第六章再多加敘述。. 31.

(36) 第六章構成定位的訊號相對位置議題本章節的目的是為了驗證上一章節提出的理論是否符合實際情況，即「當用於定位的 signal source 分佈在不同 plane 時，能夠有效地降低定位產生的誤差」。整體實驗分成兩大部分，第一節導出訊號強度與距離的關係，係利用戶外實驗收集數據，進而求出轉換方程式；第二節利用實驗數據來佐證我們提出的訊號相對位置關係影響定位精準度理論。. 第一節求出符合 Shadowing Model 的轉換公式這一節是為了第二節所需要的距離轉換公式做準備，實驗流程大致為利用戶外實地實驗蒐集到的數據，利用 Log-regression 找出訊號強度 RSSI 與收到訊號的直線距離的 Most fittest equation，使用 log 曲線是為了符合在無線傳輸中的 Shadowing Model。Most fittest equation 的目的是等到下次收到訊號時，可以利用這個公式來將訊號強度轉換成距離，以利定位演算法運作。 . 實驗的設置與流程: 實驗地點選在台灣師範大學的操場，訊號來源手機為 Samsung Galaxy S3，利用 WiFi 802.11n 連線訊號蒐集裝置，如圖 6(a)所示。將手機固定放置於操場一端當作訊號發送源，如圖 18 紅色點所示。路徑設置為一條直線，接著用訊號蒐集裝置，以遠離手機的方式，沿著直線每隔一公尺蒐集一筆 dataset，第一筆 dataset 於距離手機一公尺處測量，依此類推至距離手機 76 公尺處，而每筆 dataset 包含了 120 個訊號強度，這是為了避免利用單一 RSSI 做 regression ，降低受到的 variance 影響。最後將蒐集到的資料利用 Log-regression 求出 Most fittest equation。. 32.

(37) 圖18. . 實驗路線圖. 實驗的結果: 如圖 19 所示，三角形的曲線(max RSSI)是代表每個地點所收到的 120 筆訊號強度的最大值；方形的曲線(mean RSSI)，代表每個地點所收到的 120 筆訊號強度的平均值，取平均值的方法是去掉最小 15%的數值再取平均。. 圖19. RSSI 與距離的 Log-regression 曲線. 33.

(38) RSSI 與距離的 Log-regression 是利用 python 中的 numpy library 去求得，使用的是平均 RSSI 做計算，原因會在第二節再做敘述，綠色粗線(regression) 即為所求的 Log-regression 曲線。Most fittest equation 係數如下所示:. 𝑑 = 𝑓(𝜀) = 10−0.0357∗𝜀−0.994 . . 其中，d 代表測量到訊號強度與訊號源的直線距離，單位為公尺；𝜀 代表訊號強度，單位為 dBm。. 34.

(39) 第二節驗證「訊號相對位置關係影響定位」理論本節中我們會對「訊號相對位置關係影響定位」理論作驗證，驗證方式是利用上一小節所得出的 Most fittest equation，將收到的訊號轉換成距離，並利用定位演算法求出發送訊號手機的位置，但是用於定位的訊號分成兩種選擇方式，第一種是隨機任選三地點收到的訊號做運算，第二種是以手機為分割軸，將訊號來源分成四個 plane，並於每一 plane 內隨機挑選一地點的訊號坐定位運算，藉此驗證「訊號相對位置關係影響定位」的理論。 . 實驗的設置與流程: 實驗地點選在台灣師範大學的操場，訊號來源手機為 Samsung Galaxy S3，利用 WiFi 802.11n 連線訊號蒐集裝置，如圖 6(a)所示。將手機固定放置於操場一端當作訊號發送源，如圖 20 紅色點所示，距離兩路徑各為 30 公尺。路徑設置為兩條直線，第一條路徑長 100 公尺，第二條路徑長 74 公尺。. 圖20. 實驗路線圖. 利用訊號蒐集裝置，在兩條直線上每隔一公尺蒐集一筆 dataset，每筆 dataset. 35.

(40) 包含了 120 個訊號強度，這些訊號 dataset 可以用手機的位置分割成四個 plane，如圖 21 所示，每一 plane 隨機選擇一個 dataset 作為定為依據，共三個 dataset，用於手機定位演算法。. 圖21. 根據手機位置來分割訊號 dataset. 手機定位演算法是利用餘弦定理和利用向量轉換而得，如圖 22 所示，不使用 DuRT[7]方法會在實驗結果說明。位置計算公式如下:. 𝑐𝑜𝑠 𝜃 =. . 𝑥𝑝 𝑥1 [ 𝑦 ] = [𝑦 ] + 𝑝. 1. −𝑟2 2 +𝑟1 2 +𝑑12 2 2 ∙ 𝑟1 ∙ 𝑑12. 𝑑1 𝑑12. [. 𝑐𝑜𝑠𝜃 𝑠𝑖𝑛𝜃. .  . . . −𝑠𝑖𝑛𝜃 𝑥2 − 𝑥1 ][ ]  𝑐𝑜𝑠𝜃 𝑦2 − 𝑦1. . 其中，(𝑥𝑝 , 𝑦𝑝 )代表的是手機估計位置，(𝑥1 , 𝑦1 )代表的是量測到手機訊號的位置 1。𝑑1 代表在地點 1 收到的訊號強度，經 Most fittest equation 轉換後得到的距離，𝑑2 亦同。𝑑12 代表的是地點 1 與地點 2 之間的距離。我們使用這個定位演算法的前提是假定手機都會在三個量測定點之內，即在圖 22 的三角形內。. 36.

(41) 圖22. . 手機與收到訊號位置關係圖. 實驗的結果: 如圖 23 所示，這個實驗結果是分別使用上述的兩種挑選方法─隨機與根據 plane，來選擇定位的訊號依據。圖中，紫色圓形(phone)為手機位置，藍色線(path1)為路徑 1 的行經路線，綠色線(path2)為路徑 2 的行經路線。圖 24 是兩路線的訊號與移動距離長度的關係圖，在路徑中移動並接近手機時，得到的訊號強度會太過雷同，而使得 RSSI 曲線太過平坦，而無法找出真正的手機位置。紅色三角形(random)為隨機選擇定位訊號的預估手機位置，青色方形 (based on plane)為根據 plane 來挑選用於定位的訊號，可以看出若是使用隨機挑選的訊號坐定位運算，結果會散亂在整個地圖中，不容易得知接近手機的預估位置；反觀，若是使用 plane 去選擇定位，即青色方形，運算結果相當集中且接近手機的真實位置。若以誤差來計算精準度，在圖 25 中，根據 plane 來挑選訊號的方法有 80%的機率，誤差在 10 公尺以下，而隨機選擇的方式則會讓誤差至少大於 15 公尺，因此，我們相信「訊號相對位置關係影響定位」這個理論是對於定位有幫助的。. 37.

(42) 圖23. 圖24. 實驗結果. 訊號強度與移動距離關係圖 (a)路徑 1 (b) 路徑 2. 圖25. 誤差比較. 38.

(43) 第七章結論為了減少搜尋受難者的時間、有效增加搜尋範圍以及降低搜救器材成本，我們提出了一個 SuperDog 系統來幫助救災搜尋，SuperDog 系統是以 UAV 掛載體積小及重量輕的系統控制面板 Raspberry Pi b+，搭配 USB 型的全球定位系統 GPS 和網路 WiFi 卡，以及有效的搜尋路徑演算法程式所組合成的救災系統。整體來說，SuperDog 具有以下優勢特點： . 可大量複製: SuperDog 系統整體僅需約$ 35,000，如果使用更輕型的飛行載具，成本可望更低。而且不像搜救犬需培訓時間，程式、機具可大量複製，可同時並行於搜救工作，以達到快速搜救的目標。. . 不受地表因素限制: SuperDog 系統搭載於遙控型的無人飛行裝置上，可避免因災難發生時建物倒塌、土石流等所造成寸步難行的窘境。搭配有效搜尋路徑的程式，SuperDog 系統可在災害環境上空依照指定路線直接予以定位出受難者的位置，不會因災害地表環境因素而拉長搜救時間，導致錯失、延誤受難者最有可能存活的黃金 72 小時。. . 不需安裝軟體: SuperDog 系統僅透過無線網路 WiFi 來定位出受難者隨身的手持裝置，並不需要受難者於災難發生前安裝任何指定軟體。主動式的搜尋方式降低受難者需長時間呼喊、敲擊發生聲響等大量體力、水分消耗行為，讓受難者更有利於保存體力。. . 有效縮小搜救範圍: SuperDog 系統透過無線網路 WiFi 以三點定位演算法來定位出受難者的手持裝置，可將受難者的位置誤差縮小至搜救資源能夠探測. 39.

(44) 的程度。SuperDog 提供了一種以無線網路 WIFI 訊號定位的方式，避免珍貴的搜救資源浪費在無效的搜尋上。 . 可連續運作: SuperDog 系統使用的是可置換式電池當作系統動力來源，僅需置換電池便可繼續工作。相較於救難犬常會面臨嗅覺疲勞問題，SuperDog 節省了休息時間，可充分利用黃金 72 小時的搜救時間限制。整體來說，SuperDog 提供了以無線訊號 WiFi 的搜尋定位救難方式，不僅有. 諸多限有搜尋方法較為缺乏的優勢，且可相容與現有的搜救模式並行。SuperDog 可用於縮小搜救範圍，再以高精準的生命探測儀更準確的定位出受難者的位置，便可大幅提高搜救的成功率。本篇研究是處於輔助搜救人員的地位，著重於如何在大範圍災區內，辨別出可能有受困者的區域，目的是避免搜救團隊做地毯式搜索，而造成無謂的資源流失，使珍貴的救災資源可以獲得更有效的運用，降低搜救所花費的人力、物力，進而提升整體搜救行動的效率，也就能夠挽救更多受難者的生命。. 40.

(45) 參考著作 [1] Ali-Loytty, Simo, et al. "Fingerprint kalman filter in indoor positioning applications." Control Applications,(CCA) & Intelligent Control,(ISIC), 2009 IEEE. IEEE, 2009.. [2] Garcia-Valverde, Teresa, et al. "A Fuzzy Logic-Based System for Indoor Localization Using WiFi in Ambient Intelligent Environments." Fuzzy Systems, IEEE Transactions on 21.4 (2013): 702-718.. [3] Hara, Shinsuke, et al. "A Perturbation Analysis on the Performance of TOA and TDOA Localization in Mixed LOS/NLOS Environments." (2013): 1-11.. [4] Jiang, Jinfang, et al. "LMAT: Localization with a Mobile Anchor Node Based on Trilateration in Wireless Sensor Networks." Global Telecommunications Conference (GLOBECOM 2011), 2011 IEEE. IEEE, 2011.. [5] Kotwal, S. B., et al. "Region based collaborative Angle of Arrival localization for wireless sensor networks with maximum range information." Computational Intelligence. and. Communication. Networks. Conference on. IEEE, 2010.. 41. (CICN),. 2010. International.

(46) [6] Ou, Chia-Ho, and Wei-Lun He. "Path planning algorithm for mobile anchor-based localization in wireless sensor networks." Sensors Journal, IEEE 13.2 (2013): 466-475.. [7] Pratap Kumar Sahu, Eric Hsiao-Kuang Wu, Member, IEEE, and Jagruti Sahoo. "DuRT: Dual. Trend Based Localization for Wireless Sensor Networks." IEEE. SENSORS JOURNAL, VOL. 13, NO. 8, AUGUST 2013.. [8] Waharte, Sonia, and Niki Trigoni. "Supporting search and rescue operations with UAVs." Emerging Security Technologies (EST), 2010 International Conference on. IEEE, 2010.. [9] Weiss, Anthony J., and Joseph S. Picard. "Maximum likelihood localization of wireless networks using biased range measurements." Communications and Information Technologies, 2007. ISCIT'07. International Symposium on. IEEE, 2007.. [10] Will, Heiko, et al. "The membership degree min-max localization algorithm."Ubiquitous Positioning, Indoor Navigation, and Location Based Service (UPINLBS), 2012. IEEE, 2012.. [11] Wu, Chao-Lin, et al. "An adaptive duty-cycle scheme for GPS scheduling in mobile location sensing applications." Proc. of PhoneSense (2011).. 42.

(47) [12] Xu, Hua, et al. "An archimedes curve-based mobile anchor node localization algorithm in wireless sensor networks." Intelligent Control and Automation (WCICA), 2010 8th World Congress on. IEEE, 2010.. 43.

(48)