Mustersuche

Indoor-Navigation mit maschinellem Lernen (Teil 2)

In unserem Beispielszenario sucht Maja nach Tom, der sich verlaufen hat. Zum Glück zeigt ihm sein Smartphone die Signalstärke von sieben Hotspots aus seiner Umgebung an. Maja wiederum verfügt über einen Datensatz aus acht Spalten: den Signalstärken der sieben WLAN-Hotspots, gemessen mit einem Handy, und dem Ort der Messungen. Nach 500 Messungen an vier festen Orten stehen 2000 Einträge bereit. Maja weiß, dass sich Tom nur an einem der vier Orte befinden kann – aber an welchem?

Eine direkte Berechnung des Aufenthaltsorts von Tom (eine analytische Lösung) ist unmöglich. Das liegt vor allem an der Dämpfung: Jedes Hindernis schwächt das Signal und täuscht eine ortsabhängig variierende Entfernung vor. Außerdem kennt Maja die Koordinaten und die Leistung der Sender nicht. Damit lassen sich aus der von Tom gemessenen Signalstärke nicht direkt Entfernungen berechnen, die zusammen seinen Standort verraten würden. Stattdessen versucht es Maja mit maschinellem Lernen – in Teil 1 mit überwachtem Lernen, diesmal aber mit Methoden des unüberwachten Lernens.

Unüberwachtes Lernen

Bislang dachte Maja, sie würde für jede Messung auch den Ort kennen. Was aber,