Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36752| Título: | Sistema de posicionamento interno por luz visível utilizando aprendizado de máquina |
| Título(s) alternativo(s): | Indoor positioning system using machine learning |
| Autor(es): | Martins, Rafael Marasca |
| Orientador(es): | Mathias, Luis Carlos |
| Palavras-chave: | Iluminação LED Interferência (Luz) Sistemas de posicionamento interno (localização sem fio) Aprendizado do computador LED lighting Interference (Light) Indoor positioning systems (Wireless localization) Machine Learning |
| Data do documento: | 20-Jun-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Toledo |
| Citação: | MARTINS, Rafael Marasca. Sistema de posicionamento interno por luz visível utilizando aprendizado de máquina. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Toledo, 2024. |
| Resumo: | Hodiernamente, sistemas de posicionamento são amplamente utilizados, sendo imprescindíveis para o funcionamento de diversos produtos e serviços. Entretanto, devido principalmente às distorções de canal, as tecnologias de posicionamento mais difundidas atualmente, como os sistemas globais de navegação por satélite, não demonstram performance satisfatória em ambientes internos. Assim, torna-se essencial estudar métodos precisos, acurados e economicamente viáveis para a realização desta tarefa. Nesse contexto, os métodos de posicionamento por luz visível apresentam-se como candidatos promissores, uma vez que não exigem grandes modificações na infraestrutura do ambiente e podem ser utilizados em locais onde não são permitidos sinais de radiofrequência. No entanto, muitos dos métodos empregados dependem fortemente da modelagem das fontes luminosas, detectores ópticos e do canal de transmissão, cujas não-idealidades geram impactos negativos na performance do sistema. Sob tal circunstância, devido às suas capacidades intrínsecas de se adaptarem a diversos cenários, os métodos de aprendizado de máquina podem ser empregados com a esperança de se obter resultados aprimorados. Diante do panorama exposto, este trabalho realiza, por meio de simulações e experimentos físicos, um estudo comparativo entre as abordagens por aprendizado supervisionado e pelos métodos tradicionais na tarefa de localização espacial em ambientes internos. Em particular, este estudo inclui as técnicas de redes neurais de propagação direta e K-vizinhos mais próximos, em contraste com a abordagem tradicional baseada na maximização da função de verossimilhança através do método iterativo de Newton-Raphson. Os resultados obtidos revelam que, no sistema físico real, os métodos de aprendizado de máquina são capazes de superar o estimador tradicional em termos de acurácia, precisão e taxa de resultado útil, em alguns cenários. Mais especificamente, a rede neural de propagação direta apresentou erro euclidiano médio de aproximadamente 1,25 cm, variância do erro euclidiano de 0,348 cm2 e taxa de resultado útil de 99,86%. O estimador K-vizinhos mais próximos produziu um erro euclidiano médio de cerca de 2,36 cm, variância do erro euclidiano de 1,96 cm2 e taxa de resultado útil de 94,71%. Já, a abordagem tradicional obteve erro euclidiano médio de aproximadamente 3,88 cm, variância do erro euclidiano de 1,82 cm2 e taxa de resultado útil de 78,57%. |
| Abstract: | Nowadays, positioning systems are widely used and indispensable for many products and services. However, due to channel distortions, the most used positioning technologies, such as global navigation satellite systems, do not perform well indoors. Therefore, it is essential to study precise, accurate, and economically viable techniques to accomplish this task. In this context, visible light positioning methods emerge as promising candidates, as they do not require significant modifications to the environment’s infrastructure and can be employed in locations where radio frequency signals are not allowed. Nevertheless, some of the most used techniques rely heavily on mathematical modeling of the light sources, detectors, and transmission channels, in which the non-idealities could negatively impact the system’s performance. Under such a circumstance, one may employ machine learning methods expecting to achieve improved results, given the adaptative nature of these algorithms. Hence, in the face of the above scenario, this work conducts a comparative study between supervised learning approaches and traditional methods for indoor spatial localization tasks through simulations and physical experiments. In particular, this study includes feedforward neural networks and k-nearest neighbors techniques, contrasted with the traditional approach based on maximizing the likelihood function using the iterative Newton-Raphson method. The results reveal that, in a real physical system, machine learning methods can surpass the traditional estimator in terms of accuracy, precision, and success rate in certain scenarios. Specifically, the feedforward neural network exhibited an average Euclidean error of approximately 1.25 cm, an error variance of 0.348 cm2, and a success rate of 99.86%. The k-nearest neighbors estimator produced an average Euclidean error of about 2.36 cm, an Euclidean error variance of 1.96 cm2 , and a success rate of 94.71%. Meanwhile, the traditional approach obtained an average Euclidean error of approximately 3.88 cm, an error variance of 1.82 cm2, and a success rate of 78.57%. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36752 |
| Aparece nas coleções: | TD - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| sistemaposicionamentointernoluz.pdf | 7,74 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
