Update MEMORY.md, MEMORY.md, bachelor-thesis-summary.md, and 76 more files

RSSI-Stabilisierung.md

@@ -0,0 +1,67 @@
+# RSSI-Stabilisierung für BLE Indoor Positioning
+
+## Aktuelles Problem
+
+Die RSSI-Werte der einzelnen Beacons schwanken stark, obwohl bereits ein Kalman-Filter (Q=1.0, R=50.0) und eine Ausreißer-Erkennung (20 dBm) im Einsatz sind.
+
+## Empfohlene Filter-Pipeline
+
+```
+Roher RSSI
+  → Stufe 1: Median-Filter (Fenster 5-7 Werte) — eliminiert Ausreißer automatisch
+  → Stufe 2: Kalman-Filter (Q=0.1, R=3-5) — glättet auf vorgereinigten Daten
+  → Gefilterter RSSI
+```
+
+Die Literatur zeigt, dass Median + Kalman zusammen 50-70% weniger Schwankung erzeugen als Kalman allein.
+
+## Maßnahmen nach Priorität
+
+### Hoch (Quick Wins)
+
+| Maßnahme | Aufwand | Erwartete Verbesserung |
+|----------|---------|----------------------|
+| **Kalman-Parameter anpassen** (Q=0.5, R=10.0 statt Q=1.0, R=50.0) | 5 Min | 30-40% stabileres RSSI |
+| **Median-Vorfilter** (Sliding Window, Fenster=5) vor dem Kalman-Filter | 1-2 Std | 50-70% weniger Ausreißer |
+| **ESP32 Advertising Interval** auf 20-30ms senken | 30 Min | Mehr Datenpunkte für Aggregation |
+
+### Mittel
+
+| Maßnahme | Aufwand | Erwartete Verbesserung |
+|----------|---------|----------------------|
+| **ESP32 TX Power** auf 0 oder -3 dBm (weniger Multipath-Reflexionen) | 15 Min | 10-20% weniger Multipath |
+| **Empirische R-Kalibrierung** (60s Roh-RSSI bei 1m loggen, Varianz = R) | 30 Min | Optimale Kalman-Parameter |
+| **ScanFilter auf UUID** setzen (weniger CPU-Last durch irrelevante Geräte) | 15 Min | Weniger Overhead |
+| **Adaptiver Kalman-Filter** (R dynamisch aus letzten N Messungen berechnen) | 3-4 Std | 15-25% bessere Dynamik |
+
+### Niedrig (für Bachelorarbeit erwähnenswert)
+
+| Maßnahme | Aufwand | Erwartete Verbesserung |
+|----------|---------|----------------------|
+| **Sensor Fusion mit IMU** (Accelerometer + Gyroskop, Pedestrian Dead Reckoning) | 2-3 Tage | 25-30% bessere Position |
+| **Partikel-Filter** auf Positionsebene | 1-2 Tage | 15-24% bessere Position |
+| **Machine Learning** (Fingerprinting mit Random Forest) | Mehrere Tage | Situationsabhängig |
+
+## Kalman-Parameter Tuning
+
+| Szenario | Q (Process Noise) | R (Measurement Noise) |
+|----------|-------------------|----------------------|
+| Aktuell (suboptimal) | 1.0 | 50.0 |
+| Quick Fix (ohne Median) | 0.5 | 10.0 |
+| Mit Median-Vorfilter | 0.1 | 3.0 - 5.0 |
+
+**R empirisch bestimmen:** Smartphone 1m vor Beacon halten, 60s Roh-RSSI loggen, Varianz berechnen = R. Typische BLE-Varianz: 4-25 dBm².
+
+## Hardware-Empfehlungen (ESP32)
+
+- **Advertising Interval**: 20-30ms (statt Standard 100ms) → mehr Messpunkte
+- **TX Power**: 0 dBm oder -3 dBm (reicht für 3.5x4.5m Raum, reduziert Wandreflexionen)
+- **Channel Map**: `ADV_CHNL_ALL` — alle 3 Advertising-Kanäle nutzen (minimiert frequenzspezifisches Fading)
+
+## Quellen
+
+- [Improved BLE Indoor Localization with Kalman-Based Fusion (PMC)](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5461075/)
+- [Kalman Filters Explained: Removing Noise from RSSI Signals (Wouter Bulten)](https://www.wouterbulten.nl/posts/kalman-filters-explained-removing-noise-from-rssi-signals/)
+- [BLE Channel Diversity, Weighted Trilateration and Kalman Filtering (PMC)](https://pmc.ncbi.nlm.nih.gov/articles/PMC5750706/)
+- [Influence of Kalman Filtering on RSSI in Multi-node BLE (ResearchGate 2024)](https://www.researchgate.net/publication/383239178)
+- [Practice of BLE RSSI Measurement for Indoor Positioning (MDPI)](https://www.mdpi.com/1424-8220/21/15/5181)