Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36751| Título: | Desenvolvimento de um sistema de posicionamento interno por radiofrequência utilizando aprendizado de máquina |
| Título(s) alternativo(s): | Development of a RF-based indoor positioning system using machine learning |
| Autor(es): | Carvalho, Lucas |
| Orientador(es): | Mathias, Luis Carlos |
| Palavras-chave: | Aprendizado do computador Multiplexação Funções ortogonais Sistemas de posicionamento interno (localização sem fio) Rádio de software Machine learning Multiplexing Functions, Orthogonal Indoor positioning systems (Wireless localization) Software radio |
| Data do documento: | 20-Jun-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Toledo |
| Citação: | CARVALHO, Lucas. Desenvolvimento de um sistema de posicionamento interno por radiofrequência utilizando aprendizado de máquina. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Toledo, 2024. |
| Resumo: | Paralelo ao célere desenvolvimento dos sistemas de comunicação sem fio observa-se, também, em tempos recentes, um aumento na demanda por serviços de posicionamento. Para suprir essa demanda, foram introduzidas ao mercado diversas soluções, como o estadunidense sistema de posicionamento global e o chinês BeiDou, que são capazes de localizar dispositivos móveis na maior parte dos ambientes externos. Porém, essas soluções baseadas em satélite não são suficientemente precisas em áreas internas, fazendo necessário o desenvolvimento de técnicas alternativas para esse fim. Dentre essas, uma promissora técnica é a de localização baseada em radiofrequência, que pode se aproveitar da infraestrutura de transmissão dos sinais que permeiam os ambientes internos, como Wi-Fi e Bluetooth, para detectar a posição de um dispositivo móvel utilizando diferentes métricas, dentre elas, as informações de estado do canal. Contudo, os canais de rádio são de natureza volátil e de difícil modelagem analítica, devido à gama de efeitos que afetam esses sinais. Uma possível abordagem para esse problema é o uso de aprendizado de máquina, que busca encontrar um modelo estatístico que relacione a posição do dispositivo móvel com observações acerca do canal realizadas empiricamente. Portanto, o presente trabalho propõe a implementação de um sistema de posicionamento em ambientes internos utilizando as informações de estado do canal e modelos de regressão baseados nos algoritmos de máquinas de vetores de suporte, 𝑘-vizinhos mais próximos e floresta aleatória. Para cada algoritmo, foram treinados 192 modelos diferentes utilizando dados simulados numericamente, variando o número de canais utilizados e o valor da frequência central, de modo a encontrar a melhor combinação entre essas grandezas. O melhor modelo simulado, baseado em kNN, obteve a raiz do erro quadrático médio de 0,781 m e uma variância de 0,298 m2, com um tempo de processamento de 0,260 ms por predição em média. O melhor modelo físico, por outro lado, apresentou uma raiz do erro quadrático médio de 0,340 m, uma variância de 0,0615 m2 e um tempo médio por predição de 0,418 ms. |
| Abstract: | Parallel to the rapid development of wireless communication systems in recent times, an increase in the demand for positioning systems is also observed. To meet this demand, several solutions have been introduced to the market, such as the Global Positioning System and Beidou, which are capable of locating devices on most outdoor sites. However, these satellite-based solutions are not sufficiently accurate, making it necessary to develop alternate techniques for this purpose. Among these, one promising technique is the radiofrequency-based location system, which can use the existing transmission infrastructure of signals that permeate indoor areas, like Wi-Fi and Bluetooth, to detect the position of a mobile device using different metrics, like channel state information. Nonetheless, radio channels are naturally volatile and hard to model analytically, because of the several effects that influence these signals. One possible way to tackle this problem is the use of machine learning, that aims to find a statistical model to relate the mobile device position with empirical channel observations. Therefore, this work’s goal is to implement an indoor positioning system using channel state information and regression models based on Support Vector Machine, k-Nearest Neighbor and Random Forest algorithms. For each of these algorithms, 192 different models were trained using numerically simulated data, varying the number of channels used and the central frequency valued, in order to find the best combination among these quantities. The best simulated model, based in kNN, had a root mean squared error of 0.781 m and a variance of 0.298 m2, spending, on average, 0.260 ms on each prediction. The best physical model, on the other hand, got a root mean squared error of 0.340 m, a variance of 0.0615 m2 and an average time per prediction of 0.418 ms. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36751 |
| Aparece nas coleções: | TD - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| sistemaposicionamentointernoradiofrequencia.pdf | 5,45 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
