Drahtlose Kommunikation ist längst ein wichtiger Bestandteil unseres Lebens geworden. Demzufolge erscheinen jede Woche Hunderte von neuen Anwendungen, die immer höhere Anforderungen an Hardware und Software definieren. Lokalisierung (auch als Positionsschätzung bekannt) stellt für viele von solchen Anwendungen einen grundlegenden Aspekt dar. Damit die Lokalisierung weiterhin simpel und günstig bleibt, aber trotzdem die erforderliche Genauigkeit und Robustheit bietet, arbeiten zahllose Wissenschaftler in vielen Ländern auf diesem Gebiet. Katastrophen repräsentieren ein besonderes Szenario, welches hohe Anforderungen an die Positionsschätzung stellt. Die Ungewissheit der Arbeitsumgebung, die wenigen zur Verfügung stehenden Informationen und strenge Zeitbeschränkungen sind nur einige der hier aktuellen Probleme. Viele Wissenschaftler haben sich mit der Lokalisierungsproblematik auseinandergesetzt. Dadurch entstanden viele Techniken. Allerdings kann keine der existierenden Techniken ohne oder mit nur wenigen Modifikationen auf unser Szenario übertragen werden. Gibt es weitere Wege, um das Problem zu lösen? Einerseits kann das Entwickeln von neuen und robusteren Technologien zur Verbesserung der Lokalisierung führen und dadurch die gestellten Anforderungen erfüllen. Der andere Weg liegt in der Entwicklung von neuen und effizienteren Algorithmen, die die existierenden Schemata erweitern oder ganz ersetzen und damit bessere Genauigkeit der Positionsbestimmung gewährleisten. In dieser Arbeit wollen wir dem zweiten Weg folgen. Nur unter Anwendung von standardmäßigen Hardwarekomponenten, die auf den meisten Plattformen zur Verfügung stehen, wird in dieser Dissertation auf diverse Verbesserungsmethoden und Strategien eingegangen, die die Genauigkeit der „billigen“ Lokalisierungslösungen erhöhen. Als Erstes wird der Prozess der Positionsbestimmung in fünf Hauptschritte eingeteilt, die eine neue und klare Struktur des Lokalisierungsprozesses darstellen: Parameterermittlung, Vor-Verbesserung, Distanzberechnung, Positionsermittlung und Nach-Verbesserung. Diese Arbeit setzt sich hautsächlich mit den Vor- und Nach-Verbesserungsschritten detailliert auseinander. Es werden zuerst existierende Methoden in den beiden Bereichen dargestellt und danach werden neue Möglichkeiten zur Verbesserung der Lokalisierung entwickelt, implementiert, simuliert und auf einer realen Plattform evaluiert. Bezüglich der Vor-Verbesserung präsentieren wir diverse Verfeinerungsstrategien zur Auswahl der effizientesten Konstellationen der Referenzinformationen aus den zur Verfügung stehenden, redundanten Daten. Die in der vorliegenden Dissertation entwickelten Methoden, genannt Optimum Anchor Selection algorIthmS (OASIS), werden anhand von realen Dateninformationen evaluiert. Die Letzen werden in unserem Experiment im Freien mit Hilfe eines unmanned aerial vehicle (UAV) erfasst. Die dabei erzielten Ergebnisse zeigen signifikante Verbesserung von Genauigkeit der Positionsbestimmung mit Hilfe von OASIS Methoden. Für die Nach-Verbesserung finden in dieser Arbeit zusätzliche Informationen über das Netzwerk ihre Anwendung. Ein konkretes Beispiel stellen die Abstände zwischen den zu lokalisierenden Netzwerk-Knoten, die zur Zeit der Positionsbestimmung bekannt sind, dar. Basierend auf diesen Informationen stellen wir neue Verbesserungstechniken mit dem Namen Universal Improvement Scheme (UnIS) vor. Das entsprechende mathematische Model wird entwickelt und auf einer geeigneten Plattform simuliert. Darüberhinausgehend finden Evaluationen der erzielten Ergebnisse anhand von den empirischen Daten statt, die mit Hilfe eines realen drahtlosen Sensornetzwerkes erfasst werden. Die Ergebnisse aus den Simulationen und Experimenten zeigen, dass UnIS den durchschnittlichen Lokalisierungsfehler um 73% reduzieren kann. Zusätzlich vergleichen wir UnIS Verfeinerung mit der bekannten Kalman Filter (KF) Technik und zeigen, dass KF mit dem Verbesserungsverhältnis von nur 43% weit von den UnIS Ergebnissen entfernt ist.
Wireless communications have already become a very important part of our everyday life. According to this, hundreds of new applications emerge every week defining higher and higher requirements on hardware and software. Localization is one of the most crucial issues for many such applications. To keep it simple and cheap, but nevertheless accurate and robust, is still a big challenge for thousands of researchers all over the world. Disasters represent one of the special scenarios with high requirements on localization results. Uncertainties in the working environment, only few data available, and tight time constraints are only some problems that emerge thereunder. Much scientific research has been conducted in the area of localization techniques. However, none of them may be applied to our disaster scenario with no or little modification. Are there any other ways leading to a solution? Development of new, more robust technologies represents one possible way to solve this problem and satisfy the needs in precise localization. Another way is to improve existing technologies while providing new and more sophisticated schemes that replace existing ones or extend them enabling even more accurate results. We propose in this thesis to follow the second solution. Using only standard hardware, which is available on most of platforms, we present in our work different refinement strategies that increase the accuracy and robustness of the "cheap" localization solutions. First, this thesis divides the location estimation process into five main steps presenting its new and clear structure: parameter estimation, pre-improvement, distance estimation, position calculation and post-improvement. Here, the steps - parameter estimation, distance estimation, position calculation - represent the core of the localization process. The pre- and post-improvement steps deal only with the refinement of results and enable better location estimation accuracy. This work focuses primarily on the pre- and post-improvement stages, giving an overview about existing methods in these areas. Thereafter, new possibilities to improve the localization results are being developed, implemented, simulated and evaluated on the real testbed. To show the impact on the resulting localization accuracy, the core steps of the localization process will be applied every time while investigating different improvement strategies. According to the pre-improvement step, we present different improvement strategies in selecting the most efficient constellation of reference information out of the redundant data available for localization. The developed methods, called Optimum Anchor Selection algorIthmS (OASIS), are being evaluated on the real data sets that were collected in our outdoor experiment using an unmanned aerial vehicle (UAV). The obtained results show significant improvement which can be achieved with OASIS schemes. In the post-improvement step, this thesis proposes to use additional information about the network available during the localization. One concrete solution can be represented by distances between couples of mobile nodes being localized. Based on this information, we introduce a novel improvement technique called Universal Improvement Scheme (UnIS). A corresponding mathematical model is being developed and simulated on the appropriate simulation platform. Additionally, outcome from the simulations is being validated by the empirical results obtained in a deployed wireless sensor network. The results from both simulations and experiments indicate that the average localization error can be improved significantly using UnIS approach reaching an improvement ratio of 73%. Additionally, UnIS refinement is being compared to a well-known Kalman Filter (KF) technique. The results show that UnIS outperforms KF, presenting a much higher improvement ratio: 73% against 43%.