Využití strojového učení pro zvýšení robustnosti určení pozice v bezdrátovém pozičním systému
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato diplomová práce se zabývá seznámením se s poziční platformou Sewio a technikami širokopásmové komunikace UWB, které platforma využívá pro určování pozic objektů. Stávající technologie je založena na měření časových intervalů příchodu signálů a multilateraci pomocí časových rozdílů. Platforma generuje a ukládá historická data z proběhlé lokalizace objektů. Datovou sadu tvoří sekvence pozičních dat, které kromě relativních souřadnic obsahují i relevantní signálové parametry bezdrátové komunikace. Po analýze pozičních dat z reálných instalací byl navržen a implementován systém strojového učení založený na technikách klasifikace Gaussovským rozložením a predikce lineární regresí. Systém funguje jako komponenta, jejiž vstupem jsou poziční data existujícího RTLS systému a výstupem je robustnější odhad pozic. Evaluační výsledky ukazují zlepšení stability pozic a odstranění konfliktních a odskočených souřadnic.
This thesis describes the Sewio platform and the communication techniques of the ultra-wideband technology standard, which the platform uses to determine the position of objects. The technology is based on measuring signal arrival time intervals and multilateration using time differences. The platform generates and stores historical data from past positioning of objects. The dataset consists of sequences of position data which, in addition to the monitored environment, contain relevant signal parameters of wireless communication. A system of machine learning techniques based on Gaussian models and linear regression was implemented to classify and predict real-time position data with the goal of improving position estimation stability and robustness. The system functions as a downstream component, which accepts RTLS position data and outputs improved position estimates. The evaluation results show that the implemented system can successfully improve position stability and robustness.
This thesis describes the Sewio platform and the communication techniques of the ultra-wideband technology standard, which the platform uses to determine the position of objects. The technology is based on measuring signal arrival time intervals and multilateration using time differences. The platform generates and stores historical data from past positioning of objects. The dataset consists of sequences of position data which, in addition to the monitored environment, contain relevant signal parameters of wireless communication. A system of machine learning techniques based on Gaussian models and linear regression was implemented to classify and predict real-time position data with the goal of improving position estimation stability and robustness. The system functions as a downstream component, which accepts RTLS position data and outputs improved position estimates. The evaluation results show that the implemented system can successfully improve position stability and robustness.
Description
Citation
MATUŠ, A. Využití strojového učení pro zvýšení robustnosti určení pozice v bezdrátovém pozičním systému [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, CSc. (předseda)
doc. RNDr. Pavel Smrž, Ph.D. (místopředseda)
Ing. Michal Bidlo, Ph.D. (člen)
doc. Ing. Vladimír Janoušek, Ph.D. (člen)
Ing. Ondřej Kanich, Ph.D. (člen)
Dr. Ing. Petr Peringer (člen)
Date of acceptance
2022-06-20
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Na základě čeho se zvolily využívané techniky strojového učení (Gaussovský a Bayessovský klasifikátor a jednoduchá lineární regrese bez normalizací)? Jak často je nutné provádět novou kalibraci (trénování) modelů při změně vlastností skladiště (např. zaplněnost regálů)? Je možné na základě vytvořených modelů identifikovat špatně pokrytá místa a navrhnout umístění nových kotev? Jedná se o firemní zadání? Způsob implementace jste vymyslel vy, nebo vám ho dodala firma? Inspiroval jste se něčím při vašem řešení? Je vaše řešení přenositelné do jiného prostředí (např. jiného skladu)?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení