METODE IZBOLJŠANJA NATANČNOSTI IN ZANESLJIVOSTI LOKALIZACIJE V ZAPRTIH PROSTORIHMEDVEŠEK, JAN (Avtor) HAILES, STEVE (Mentor) Trost, Andrej (Komentor) Lokalizacija v zaprtih prosotihNLLSGaussov procesKorekcija lezenjaStrojno učenjeV zadnjem desetletju so raziskovalne dejavnosti na področju lokalizacije v odprtih prostorih prispevale k velikemu napredku. Trenutno je mogoče z uporabo sprejemnikov GPS položaj pešcev določiti do decimetra natančno. Po drugi strani pa lokalizacija v zaprtih prostorih še zdaleč ne dosega podobne natančnosti. Te omejitve so nas vodile do raziskav na področju izboljšave natančnost in zanesljivosti sistemov za lokalizacijo v zaprtih prostorih. Glavni doprinos te doktorske disertacije je nova metoda, ki temelji na problemu optimizacije grafa in se rešuje z iteracijsko metodo nelinearnih najmanjših kvadratov (ang. Non-Linear Least Squares, NLLS). Pomembna izboljšava je bila predvsem v bolj optimalni predstavitvi senzorskih modelov, ki predhodno izračunajo vrednosti in jih shranijo v tabele. Z uporabo te izboljšave smo zmanjšali zahtevnost procesov med njihovim izvajanjem, kar nam je omogočilo vključitev senzorskih modelov neposredno v razreševalnik. Za izgradnjo senzorskih modelov iz učne množice smo uporabili metodo Gaussovega procesa (GP). Učenje senzorskih modelov GP zahteva dobro oceno dejanskih vrednosti pri zajetih meritvah. Ta pristop zahteva vzporedno uporabo lokalizacijskih sistemov, katerih natančnost je večja kot pri sistemu, ki se uči. Takšni sistemi so običajno dražji ali pa izjemno zahtevni za postavitev. Drugi doprinos te disertacije je zatorej rešitev, ki uporablja obstoječe senzorje v kombinaciji z referenčnimi točkami, s čimer se omeji lezenje senzorskega signala. Razširjeni NLLS razreševalec je uporabljen za sočasno korekcijo peščeve trajektorije, ocenjevanje trenutnega lezenja senzorskega signala ter za dopuščanje majhnih odstopanj v absolutnih lokacijah referenčnih točk. Poleg predlaganih metod in algoritmov, smo razvili celoten sistem za lokalizacijo v zaprtih prostorih in ga preizkusili v različnih okoljih, kar nam je omogočilo zajem resničnih podatkov, ki se uporabljajo v nadaljnjih analizah in kot učna množica namenjena strojnemu učenju modelov.20172017-11-03 07:59:14Doktorsko delo/naloga97648sl